java fit 16s_16s分析之差异展示（热图）

前两天我向大家推了16s做差异分析的两个包(没有看的请点击下面链接)：

差异做出来了如何展示，也是一个值得思考的问题，所以今天我们就尝试一下热图，看看效果：

#首先安装这个包

#source("http://bioconductor.org/biocLite.R")

#biocLite("edgeR")

#install.packages("rlang")

#install.packages("vegan")

library("gplots")

library("RColorBrewer")

library(edgeR)

library("ggplot2")

library("vegan")

setwd("E:/Shared_Folder/HG_usearch_HG")

#读入mapping文件

design =read.table("map_lxdjhg.txt", header=T, row.names= 1,sep="\t")

#读取OTU表，这里我选择的是整个otu表格，但是一般没有必要全部做差异的啊，相对丰度高的做做就可以了

otu_table =read.delim("otu_table.txt", row.names= 1,sep="\t",header=T,check.names=F)

#本步骤采用otu。table基于抽平后的qiime文件，去掉第一行，和第二行首行的#符号，即可导入成功。

#过滤数据并排序

idx =rownames(design) %in% colnames(otu_table)

sub_design =design[idx,]

count =otu_table[, rownames(sub_design)]

#转换原始数据为百分比，

norm =t(t(count)/colSums(count,na=T)) * 100 # normalization to total 100

# create DGE list

d = DGEList(counts=count,group=sub_design$SampleType)#count是一个数据框，$samples是第二个数据框

d =calcNormFactors(d)

#生成实验设计矩阵

design.mat =model.matrix(~ 0 + d$samples$group)

colnames(design.mat)=levels(design$SampleType)

colnames(design.mat)

d2 =estimateGLMCommonDisp(d, design.mat)

d2 =estimateGLMTagwiseDisp(d2, design.ma