R语言生信作图代码集合大全

最新推荐文章于 2024-09-25 08:26:41 发布
最新推荐文章于 2024-09-25 08:26:41 发布
阅读量7.6k 收藏 69
点赞数 4
分类专栏： R语言助力生信
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/leianuo123/article/details/102896018
版权
本文介绍了如何使用R语言绘制癌症基因表达的箱线图和小提琴图，以展示不同癌症类型中基因的表达分布。通过rna_cancer_sample和t3数据格式，详细解析了绘图过程。
摘要由CSDN通过智能技术生成

1.利用R语言从多种给癌症中画基因在癌症中的表达的箱线图和小提琴图。

rna_cancer_sample <- read.delim("D:/desk_user/morning/TCGA_ALL/rna_cancer_sample.tsv")
View(rna_cancer_sample)
typeof(rna_cancer_sample$Gene)
[1] "integer"
t2=as.character(rna_cancer_sample$Gene)
t3=rna_cancer_sample[t2%in%t,]
View(t3)
library(ggplot2)
library(ggpubr)
library(reshape2)
p <- ggplot(t3,aes(x=Cancer, y=FPKM), colour=Cancer)+
geom_violin(aes(fill=Cancer)) 
p
p1 <- ggplot(t3,aes(x=Cancer, y=FPKM), colour=Cancer)+
geom_boxplot(aes(fill=Cancer))

rna_cancer_sample数据格式如下

在这里插入图片描述

t3的数据格式
在这里插入图片描述
小提琴图
在这里插入图片描述

箱线图
在这里插入图片描述

最低0.47元/天 解锁文章
forever luckness
关注
专栏目录
R语言实践代码汇总
ByteJolt的博客
08-19 380
在本文中，我们将分享一些实用的R语言代码片段，这些代码可以帮助你在数据分析和统计建模中更高效地工作。每个代码片段都伴随着相应的源代码，帮助你理解如何在R中实现这些功能。R语言提供了许多强大的数据可视化工具，可以帮助你更好地理解数据和展现分析结果。在进行数据分析之前，通常需要对数据进行清洗和预处理。这些是一些常见的R语言代码片段，可以帮助你在数据分析和统计建模中更高效地工作。希望这些代码能对你有所帮助！R语言是一种功能强大的统计建模工具。R语言还提供了广泛的机器学习库和算法，用于构建预测模型和进行分类任务。
生信分析论文套路R语言代码
12-05
TCGA GEO数据处理，基因注释，差异分析，GO，KEGG，GSEA富集分析，肿瘤突变负荷，免疫浸润，LASSO回归，随机森林，SVM-RFE，COX回归，WGCNA网络，共识聚类分析，药物敏感性分析，干性指数，免疫浸润指数，预后模型等维度的相关R语言代码
R语言实验课（生信）（附代码）
weixin_51936315的博客
05-24 1451
R语言实验、apply()函数的应用、随机取值、保留小数点后几位格式、以及对矩阵的操作
R语言源代码项目教程
最新发布
gitblog_01071的博客
09-25 726
R语言源代码项目教程 r-source Read-only mirror of R source code from https://svn.r-project.org/R/, updated hourly. See the build instructions on the wiki page. ...
R 常用代码整理
tangyd775的博客
02-03 7223
[Phython & R]常用代码整理1. Python1.1 Conda1.1.1 关于环境2. R2.1 数据处理2.2 画图 菜鸡小白写码经常忘记一些基础的代码要怎么写。so好记性不如烂笔头先记下来。hopefully等码写多了就熟练了不需要记下来了。 1. Python 1.1 Conda 1.1.1 关于环境 查看环境：conda env list 创建环境：conda create -n python3_7 python=3.7 (或直接在anaconda里设置) 进入环境：sourc
生信常用分析图形绘制03 -- 富集分析圈图
weixin_45709930的博客
08-12 4671
有了R语言的基础，以及ggplot2绘图基础，我们的的绘制就可以提上日程了！本系列，师兄就开始带着大家一起学习如何用R语言绘制我们自己的各种分析图吧！由于本系列的所有分析代码均为师兄细心整理和详细注释而成的！您的支持是我持续更新的最大动力！......
生信技能树【代码大全搜录】
qq_46319801的博客
07-01 1562
生信技能术代码大全： rm(list = ls()) options()$repos options()$BioC_mirror #options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/") options(BioC_mirror="http://mirrors.tuna.tsinghua.edu.cn/bioconductor/") options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.ed
r语言生信分析
04-22
R语言生物信息分析之一 运用vegan加载包 进行Anosim analysis
R语言绘制折线图的代码及实例
06-03
本篇文章将深入探讨如何在R语言中创建折线图，并通过具体的代码实例来演示这一过程。 首先，我们需要了解R语言中的基本绘图库——`graphics`库，它是R内置的绘图工具，可以满足基本的图形绘制需求。但为了实现更...
R语言绘制柱状图的代码
06-03
在R语言中，绘制柱状图是一种常见的数据可视化方法，它可以帮助我们直观地理解各组间的数量差异或比例关系。柱状图的制作通常涉及`ggplot2`库，这是一个非常强大的图形生成工具，提供了丰富的自定义选项。下面将详细...
R语言绘制云雨图的代码
06-03
R语言绘制云雨图的代码
R语言常用代码
qq_40966210的博客
06-28 5762
表格查看数据框 DT::datatable(df,filter='top') R包的安装 rm(list = ls()) options()$repos options()$BioC_mirror options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/") options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/")) options()$repos option
技巧篇：常用的R代码汇总
郑小柒是西索的博客
06-05 3145
一些常用的R代码集合
基础生信分析的一下代码
weixin_47769899的博客
04-06 203
【代码】基础生信分析的一下代码。
R语言常用代码（入门）
热门推荐
weixin_44734334的博客
05-14 2万+
R语言常用代码 安装所需要的包 # 安装包 install.packages("packagename") # 加载包 library(packagesname) 设置工作路径 // 使用getwd()函数来显示当前工作目录； getwd() //使用setwd()函数更改当前目录； setwd("D:/R") 数据的读取与保存 # 读取csv data <- read.csv('data.csv') # 读取 R格式数据 data <- load('.RData') # 保存 R
生信数据分析高效Python代码
LittleComputerRobot的博客
12-07 880
【代码】生信数据分析高效Python代码。
R语言 常用基础快捷代码及快捷键
m0_59540474的博客
03-30 3283
1.运行类 2.计算类
R语言学习
bcbobo21cn的专栏
05-17 1597
R语言学习笔记 前言：关于R 在R的官方教程里是这么给R下注解的:一个数据分析和图形显示的程序设计环境(A system for data analysis and visualization which is built based on S language.)。 R的源起 R是S语言的一种实现。S语言是由 AT&T贝尔实验室开发的一种用来进行数据探索、统计分析、作图的解释型语言。
r语言gsea生信分析代码
07-15
### 回答1： GSEA（基因集富集分析）是一种常用的生物信息学分析方法，用于研究基因集在基因表达谱中的富集情况。下面是使用R语言进行GSEA生信分析的代码示例： 1. 首先，需要安装和加载必要的R包，例如GSEA包和其他必要的依赖包。 ```R install.packages("GSEA") library(GSEA) ``` 2. 加载基因表达数据集，通常是一个包含基因表达矩阵的数据文件。假设文件名为"expression_data.txt"，其中包含基因表达矩阵和对应的样本信息。 ```R expression_matrix <- read.table("expression_data.txt", header = TRUE) ``` 3. 定义基因集，可以是预定义的基因集数据库（例如MSigDB）中的基因集，也可以是自定义的基因集。 ```R gene_sets <- c("GO_Biological_Process", "KEGG_Pathways", "Custom_Gene_Set") ``` 4. 进行GSEA分析，使用`gsea()`函数。其中，`gene_expr_matrix`参数为基因表达矩阵，`gene_sets`参数为基因集，`class_vector`参数为样本类别信息向量。 ```R gsea_results <- gsea(gene_expr_matrix = expression_matrix, gene_sets = gene_sets, class_vector = sample_classes) ``` 5. 分析结果包括富集分数（Enrichment Score）、正负富集基因集和富集图谱等。可以通过可视化方法进一步探索和解释这些结果。 ```R enrichment_score <- gsea_results$es positive_sets <- gsea_results$pos_sets negative_sets <- gsea_results$neg_sets gene_set_plot <- plot(gsea_results) ``` 以上是使用R语言进行GSEA生信分析的基本代码示例。根据具体的研究问题和分析目标，还可以进行更多的数据预处理和可视化分析。 ### 回答2： GSEA（Gene Set Enrichment Analysis）是一种生物信息学分析工具，可用于确定基因集在给定基因表达数据中的富集程度。下面是R语言中实现GSEA分析的示例代码。 首先，需要安装并加载GSEABase、clusterProfiler和enrichplot等相关的R包。 ```R install.packages("GSEABase") install.packages("clusterProfiler") install.packages("enrichplot") library(GSEABase) library(clusterProfiler) library(enrichplot) ``` 接下来，准备基因表达数据和基因集数据。假设基因表达数据保存在一个矩阵中，行表示基因，列表示样本；基因集数据保存在GMT格式文件中，每行包含一个基因集的名称、描述和基因列表。 ```R expression_data <- read.table("expression_data.txt", header = TRUE, row.names = 1) gmt_file <- system.file("extdata", "c2.cp.kegg.v7.4.symbols.gmt", package = "DOSE") gene_sets <- readGMT(gmt_file) ``` 然后，进行GSEA分析。可以选择使用差异表达基因列表作为输入，或者将基因表达数据与基因集数据一起传递。以下是基于基因表达数据进行GSEA分析的示例。 ```R gene_rank <- computeGeneRank(expression_data, method = "t.test") result <- enrichGSEA(gene_sets, gene_rank) ``` 最后，可以使用enrichplot包中的函数绘制GSEA结果的可视化，例如绘制富集图和基因集热图。 ```R dotplot(result, showCategory = 20) gene_heatmap(result, top = 10) ``` 通过这些代码，我们可以使用R语言实现GSEA生信分析，从而确定基因集在给定基因表达数据中的富集程度，并可视化展示分析结果。 ### 回答3： GSEA (基因集富集分析) 是一种用于分析生物学实验数据的生物信息学工具，它可以确定在给定条件下，特定基因集中的基因与实验结果相关性的显著性。下面是一个用R语言进行GSEA生信分析的代码示例： 1. 导入所需的R包。 ```R library(clusterProfiler) ``` 2. 导入基因表达数据。 ```R expression_data <- read.table("expression_data.txt", header = TRUE, sep = "\t") ``` 3. 根据实验分组信息创建一个分组向量。 ```R group <- c(rep("Group A", 3), rep("Group B", 3)) ``` 4. 根据基因的符号名称创建一个基因符号向量。 ```R gene_symbols <- c("Gene1", "Gene2", "Gene3", "Gene4", "Gene5", "Gene6") ``` 5. 创建一个基因集对象。 ```R gene_set <- list( GroupA_genes = c("Gene1", "Gene2", "Gene3"), GroupB_genes = c("Gene4", "Gene5", "Gene6") ) ``` 6. 运行GSEA分析。 ```R gsea_result <- gseGO(expression_data, geneSet = gene_set, nPerm = 1000, minGSSize = 3, maxGSSize = 500, pvalueCutoff = 0.05) ``` 7. 查看GSEA结果。 ```R print(gsea_result) ``` 这段代码中，首先导入了clusterProfiler包，它包含了进行GSEA分析所需的函数。然后，基因表达数据被读入到一个名为expression_data的数据框中。接下来创建了一个分组向量，它指定了每个样品所属的实验组。然后，基因符号向量被创建，其中包含了基因的符号名称。根据实验组信息和基因符号，一个基因集对象被创建。最后，调用gseGO函数运行GSEA分析，其中包括参数，如基因集、置换次数、最小/最大基因集大小和显著性阈值。最后，打印GSEA分析的结果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值