跟着Cell学作图|10.复杂热图

最新推荐文章于 2024-08-12 11:14:20 发布

木舟笔记

最新推荐文章于 2024-08-12 11:14:20 发布

阅读量975

点赞数 1

文章标签： css 数据可视化 csv html less

本文链接：https://blog.csdn.net/weixin_45822007/article/details/116574567

版权

10.复杂热图

“实践是检验真理的唯一标准。”

“复现是学习R语言的最好办法。”

DOI: 10.1016/j.cell.2020.05.032

这篇2020年发表在cell上关于新冠的组学文章里面有大量的生信内容。今天带大家复现其中的一个Figure：热图。

本文示例数据领取：后台回复“20210509”

文件格式

表达矩阵文件

分组信息文件

绘制

#------
title: "heatmap"
author: "MZBJ"
date: "2020/5/8"
#-----
rm(list = ls())
setwd("F:/HJH/mzbj/cell/20210508")
library(readr)
library(plyr)
library(readxl)
library(RColorBrewer)
library(pheatmap)
matrix<-read.table("proteomic_matrix.txt",header = T,sep = "\t",row.names = 1) 
matrix[is.na(matrix)] <- 0 #给空值赋0

info<-read_excel("sampleinfo.xlsx") #导入分组信息

annotation_col<- data.frame(type = info$Type,  # 构建行注释信息
                            sex=info$Sex,
                            age=info$Age,
                            row.names = info$TMT)

type_color <- c("#85B22E","#5F80B4","#E29827","#922927") 
names(type_color) <- c("jkdz","jbdz","PT","ZX") #类型颜色

sex_color <- c("red","#016D06")
names(sex_color) <- c("F","M") #性别颜色

ann_colors <- list(type=type_color,sex=sex_color) #颜色设置

matrix_2<-data.frame(scale(matrix,center = T)) #中心化
#绘制热图
pheatmap(matrix_2,
         scale="row",#对行进行归一化
         color = colorRampPalette(c("blue", "white","red" ))(1000), # color参数自定义颜色
         annotation_col = annotation_col,
         annotation_colors = ann_colors, 
         fontsize_col = 10, 
         cluster_rows = T,# cluster_row = FALSE参数设定对行进行聚类 
         cluster_cols = F,
         show_rownames =T, # show_rownames和show_colnames参数设定是否显示行名和列名
         show_colnames = F,
         fontsize = 10,
         cellwidth=10,
         cellheight=10, # cellwidth和cellheight参数设定每个热图格子的宽度和高度
         main = "Heatmap") # main参数添加主标题

出图：

几个不足之处

未标注富集分析通路对应蛋白（目前只能手动标注）。
由于数据的原因，热图里的正负表达没有明显的区分。

写在后面：

本系列重在复现，所以有些细节可能讲的不是很详细。大家有问题可以后台私信，或者在我的B站：木舟笔记进行互动！制作不易，希望大家多多支持！

往期内容：

跟着CELL学作图|1.火山图

跟着Cell学作图 | 2.柱状图+误差棒+散点+差异显著性检验

跟着 Cell 学作图 | 3.箱线图+散点+差异显著性检验

跟着 Cell 学作图 | 4.小提琴图

跟着Cell学作图 | 5.UMAP降维分析

跟着Cell学作图 | 6.时间序列分析(Mfuzz包)

跟着Cell学作图|7.富集分析(Metascape数据库)

跟着Cell学作图|8.富集分析网络图(Cytoscape/ClueGO)

跟着Cell学作图|9.PPI分析(GeNets数据库)