marker基因注释热图可视化函数（视频教程-通用函数）

这里我们分享一个热图函数，是一个可视化的函数，您只需要提供作图的matrix数据即可。最近对于图形注释使用点比较上头，所以我们这个函数的列注释使用设置的·是点的注释形状。我们的函数解决了以下几个问题：

• 数据的自动排序和列的自定义排列，数据会按照你需要的列顺序自动从大到小排列，让热图可视化更加美观。

• 热图的列自动注释，我们采用了点的注释。

• legend的修改，包括刻度等修饰。

• 行的注释，行的注释需要自行 调整，函数设置了可选择选项。

• 行的标签，在函数中我们设置了如果矩阵nrow行数大于100自动不显示行名，应为那样都挤在一起也没啥用。后续可自 行挑选需要的行进行展示。

• 需要注意一下，函数有一个参数data_scale，假设你的数据不需要scale标准化，那么参数选择T，作图使用你的原始数 据。如果需要scale标准化，那么选择F，会对你的数据进行标准化处理。

看一下函数参数：(未标注参数与Complexheatmap：：Heatmap一致）

参考链接：
marker基因注释热图可视化函数（视频教程-通用函数）_哔哩哔哩_bilibili

接下来我们看看函数具体的使用，首先我们用一个ATAC TF分析的数据，这个矩阵是已经导出的，行是celltype，列是TF。其 实就是我们平时做热图的时候一样的数据。Order_col就是设置列的顺序，我这里直接演示就使用了数据的列名排列，如果 需要自己设置，这里传入一个向量，设置顺序即可。颜色也是可以设置的。

setwd("D:/KS项目/公众号文章/scATAC-scRNA marker基因注释热图")
#=================================================================================
#---------------------------------------------------------------------------------
TF <- c("JUND (264)","FOSB (190)",
        "JDP2 (178)","TAL1 (42)",
        "TAL2 (42)","TCF21 (21)",
        "TCF23 (21)","BCL11A (799)",
        "BCL11B (799)","ELF2 (364)",
        "NFIX (89)","GBX2 (87)",
        "SOX9 (145)","SOX4 (95)",
        "SOX13 (92)","SOX12 (91)",
        "NHLH2 (149)","TCF12 (159)",
        "ZBTB7A (98)")

plot_atac <- read.csv('plot_atac.csv', header = T, row.names = 1)


pdf('heatmap1.pdf', width=4, height=6)
heata = ks_Heatmap(mat = plot_atac,
           data_scale = T,
           Order_col = colnames(plot_atac),
           legendTitle = "Norm.Enrichment -log10(P-adj)[0-Max]",
           point_size = 5,
           heat_col = c("#E6E7E8","#3A97FF","#8816A7","black"),
           TitlePosition = "leftcenter-rot",
           legend_at = c(0,50,100),
           legend_Lab = c(0,50,100),
           column_names_gp = gpar(fontsize = 6),
           row_names_gp = gpar(fontsize = 6),
           customRowLabel=TF,
           colanno_color = c("#7DD06F","#844081","#688EC1","#C17E73","#484125","#6CD3A7","#597873",'#3361A5'),
           rowAnn = T,
           rowAnno_num = c(16,3,1,4,12,9,8,11))

draw(heata, merge_legends = TRUE,heatmap_legend_side = "right") 
dev.off()

接下来我们用单细胞转录组的数据进行演示：我们这里的演示选择的是每个celltype的top10marker基因。首先计算 marker基因，并计算每个celltype的平均值。获得作图数据。

library(Seurat)
library(dplyr)
#单细胞数据的演示\先找marker基因
DefaultAssay(sce) <- "RNA"
Idents(sce) <- "celltype"
all.markers  <- FindAllMarkers(sce, only.pos = TRUE, min.pct = 0.5, logfc.threshold = 0.5)
top10 <- all.markers %>% group_by(cluster) %>% top_n(n=10, wt=avg_log2FC)
table(top10$cluster)
# SMC  LY UEC  SF CEC  EC MAC 
# 10  10  10  10  10  10  10 
#计算平均表达量
gene_cell_exp <- AverageExpression(sce,features = top10$gene,group.by = 'celltype',slot = 'data') 
gene_cell_exp <- as.data.frame(gene_cell_exp$RNA)

作图：

genes = c("ACTA2",
          "ADIRF",
          "MYL9",
          "TPM2",
          "CCL4",
          "CCL5",
          "NKG7",
          "CD96",
          "RHEX",
          "NPAS3",
          "SFRP4",
          "COL3A1",
          "COL1A1",
          "IGF1",
          "RORB",
          "CAPS",
          "CFAP299",
          "CFAP47",
          "RSPH1",
          "DNAH11",
          "PTPRB",
          "INSR",
          "ENPP2",
          "IL1B",
          "HLA-DQA1",
          "HLA-DRA",
          "HLA-DPA1",
          "HLA-DRB1",
          "HLA-DPB1",
          "CXCL8")

#plot
pdf('heatmap2.pdf', width=4, height=6)
heata = ks_Heatmap(mat = gene_cell_exp,
                   data_scale = F,
                   Order_col = colnames(gene_cell_exp),
                   legendTitle = "Expression",
                   point_size = 5,
                   heat_col = c('#e0f3db','#a8ddb5','#4eb3d3','#0868ac','#084081'),
                   TitlePosition = "leftcenter-rot",
                   legend_at = c(-1,0,1,2,3),
                   legend_Lab = c(-1,0,1,2,3),
                   column_names_gp = gpar(fontsize = 6),
                   row_names_gp = gpar(fontsize = 6),
                   customRowLabel=genes,
                   colanno_color = c("#7DD06F","#844081","#688EC1","#C17E73","#484125","#6CD3A7","#597873"),
                   rowAnn = T,
                   rowAnno_num = c(10,10,10,10,10,10,10))

draw(heata, merge_legends = TRUE,heatmap_legend_side = "right") 
dev.off()

这里我们可能会发现一个问题，明明是每个celltype10个gene，为什么行注释好像不是很对，这是应为有些基因不仅在一 中celltype中高表达，而数据是按照表达从高到低排序的，所以才会出现这个问题，可以自行调整注释的数目，或者不采用注释等。一个函数不可能完成所有的事情，但是我们提供了框架和思路，可自行修改拓展。觉得分享有用的点个赞，分享一下再走呗！