热图
热图概念：热图是一个以颜色变化来显示数据的矩阵，可以简单地聚合大量数据，并使用一种渐进的色带直观地展现空间数据的相对大小。
热图在生物学中的应用：生物学中热图经常用于展示多个基因在不同样本中的表达水平。然后可以通过聚类等方式查看不同组（如疾病组和对照组）特有的形式。热图还可以用于展示其他物质的丰度比如微生物的相对丰度、代谢组不同物质的含量等等。当然，另一个热图的重要用处就是展现不同指标、不同样本等之间的相关性。
数据准备
- 多个样本genes/transcripts read counts 文件
-
多个样本genes/transcripts FPKM/TPM 文件
如果得到单个样本all genes read counts, 需要先合并：
数据格式如下：
image.png
##相关性热图，使用数据gene_fpkm.csv
setwd("C:/Users/Desktop/Transcriptome/data/GSE101668_RAW")
fpkm<-read.csv("GSE101668_fpkm.csv",head=T,row.names=1)
head(fpkm)[,1:6]
# GSM2711785 GSM2711786 GSM2711787 GSM2711788 GSM2711789 GSM2711790
#A1BG 0.09811600 0.05790660 0.05222180 0.0637481 0.04535840 0.0950140
#A1BG-AS1 0.27003800 0.23612600 0.31530100 0.2080520 0.24668500 0.2326070
#A1CF 0.02785390 0.02190900 0.00000000 0.0180425 0.04533540 0.0280336
#A2M 0.00438851 0.00000000 0.00000000 0.0000000 0.00000000 0.0000000
#A2M-AS1 0.07776420 0.10491300 0.12424300 0.1718890 0.07193070 0.1381680
#A2ML1 0.00000000 0.00366506 0.00463368 0.0000000 0.00670476 0.0000000
##求相关性
sample_cor<-cor(fpkm)
head(sample_cor)
# GSM2711785 GSM2711786 GSM2711787 GSM2711788 GSM2711789 GSM2711790
#GSM2711785 1.0000000 0.9981079 0.9856211 0.9964200 0.9539448 0.9555485
#GSM2711786 0.9981079 1.0000000 0.9855960 0.9965623 0.9541515 0.9556389
#GSM2711787 0.9856211 0.9855960 1.0000000 0.9886970 0.9414432 0.9429842
#GSM2711788 0.9964200 0.9965623 0.9886970 1.0000000 0.9520301 0.9537503
#GSM2711789 0.9539448 0.9541515 0.9414432 0.9520301 1.0000000 0.9992366
#GSM2711790 0.9555485 0.9556389 0.9429842 0.9537503 0.9992366 1.0000000
cor.fpkm1.png
pheatmap画图
#调整参数，换颜色
library(pheatmap)
library(ggplot2)
p1<-pheatmap(sample_cor,cluster_rows = F,
scale="none",
cluster_cols = F,
fontsize_row = 10,
fontsize_col = 10,
color = colorRampPalette(c("navy", "white", "firebrick3"))(100),
#color = colorRampPalette(c("green3", "white", "blue4"))(100),#换颜色
angle_col = 45, #修改横轴坐标名倾斜度
filename = 'cor.fpkm2.png',
)
cor.fpkm2.png
基因fpkm表达量热图
- 基因fpkm表达量准备
#过滤标准:保留基因在大于floor(ncol(exprSet)/10)个样本中表达量大于1
fpkm_filter=fpkm[apply(fpkm,1,function(x) sum(x>1) > floor(ncol(fpkm)/10)),]
dim(fpkm)
dim(fpkm_filter)
> dim(fpkm)
[1] 26228 12
> dim(fpkm_filter)
[1] 11670 12
#用log2(fpkm_filter+1)标准化
data=log2(fpkm_filter+1)
#选取每个基因表达量的变异系数最大的1000个
genes=names(head(sort(apply(data,1,function(x) 100*sd(x)/mean(x)),decreasing=T),1000))#apply按行（'1'是按行取，'2'是按列取）取每一行的方差，从小到大排序，取最大的1000个
dat=t(scale(t(data[genes,]))) # 'scale'可以对log(fpkm+1)数值进行归一化
#处理数据
dat[dat>2]=2
dat[dat<-2]= -2
- 样本分组信息准备
df_info=data.frame(read.table("samplename.txt"),stringsAsFactors = F)
head(df_info)
# CellType GroupList
#GSM2711785 WT WT
#GSM2711786 WT WT
#GSM2711787 PRDM1-KO2 KO
#GSM2711788 PRDM1-KO2 KO
#GSM2711789 PRDM1-KO5 KO
#GSM2711790 PRDM1-KO5 KO
df1 = df_info[,-1,drop=FALSE]
head(df1)
# GroupList
#GSM2711785 WT
#GSM2711786 WT
#GSM2711787 KO
#GSM2711788 KO
#GSM2711789 KO
#GSM2711790 KO
情况1：一类分组：KO,OE,WT
#####分组KO,OE,WT
p2<-pheatmap(
mat=dat,
cluster_rows = T,
cluster_columns = F,
border_color = NA,
show_colnames = FALSE,
show_rownames = FALSE,
fontsize = 14,
annotation_col = df1,
drop_levels = TRUE,
main = "Default Heatmap1",
filename = 'heatmap_top1000_1.png'
)
heatmap_top1000_1.png
#如果要调色
library(RColorBrewer)
library(viridis)
mat_colors <- list(GroupList = brewer.pal(3, "Set1"))
names(mat_colors$GroupList) <- unique(df1[,1])
p3<-pheatmap(
mat=dat,
cluster_rows = T,
cluster_columns = F,
border_color = NA,
show_colnames = FALSE,
show_rownames = FALSE,
fontsize = 14,
annotation_col = df1,
annotation_colors = mat_colors,
drop_levels = TRUE,
main = "Default Heatmap2",
color = colorRampPalette(c("navy", "white", "firebrick3"))(100),
#filename = 'heatmap_top1000_2.png'
)
情况2：两类分组
#两类分组1.Celltype；2. GroupList
p4<-pheatmap(
mat=dat,
cluster_rows = T,
cluster_columns = F,
border_color = NA,
show_colnames = FALSE,
show_rownames = FALSE,
fontsize = 14,
annotation_col = df_info,
drop_levels = TRUE,
main = "Default Heatmap",
filename = 'heatmap_top1000_rtg.png'
)
两类分组自定义颜色
#两组分类CellType/GroupList，自己设定颜色
mat_colors <- list(CellType = brewer.pal(6, "Set1"),GroupList = brewer.pal(3, "Set1"))
names(mat_colors$CellType) <- unique(df_info[,1])
names(mat_colors$GroupList) <- unique(df_info[,2])
p5<-pheatmap(
mat=dat,
cluster_rows = T,
cluster_columns = F,
border_color = NA,
show_colnames = FALSE,
show_rownames = FALSE,
fontsize = 14,
annotation_col = df_info,
annotation_colors = mat_colors,
drop_levels = TRUE,
main = "Default Heatmap",
color = colorRampPalette(c("navy", "white", "firebrick3"))(100), ##调颜色
#color = inferno(10),
#color = rainbow(10),
filename = "heatmap_top1000_tg.png"
)
heatmap_top1000_tg.png
鲜艳的热图就这样完成啦！
如果您需要组学服务，请联系我们！
