最近年中总结，我们学习一些基础知识，还有几天总结就结束了，期待FFPE做空间转录组大放异彩

安装及加载ggpubr包

安装方式有两种：

• 直接从CRAN安装：

install.packages("ggpubr")

• 从GitHub上安装最新版本：

if(!require(devtools)) install.packages("devtools")
 devtools::install_github("kassambara/ggpubr")

安装完之后直接加载就行：

library(ggpubr)

ggpubr可绘制图形：

ggpubr可绘制大部分我们常用的图形，下面一一介绍。

分布图(Distribution)

#构建数据集
set.seed(1234)
df <- data.frame( sex=factor(rep(c("f", "M"), each=200)), 
weight=c(rnorm(200, 55), rnorm(200, 58)))
head(df)

##   sex   weight
## 1  f   53.79293
## 2  f   55.27743
## 3  f   56.08444
## 4  f   52.65430
## 5  f   55.42912
## 6  f   55.50606

密度分布图以及边际地毯线并添加平均值线

ggdensity(df, x="weight", add = "mean", rug = TRUE, color = "sex", fill = "sex",
palette = c("#00AFBB", "#E7B800"))

image

带有均值线和边际地毯线的直方图

gghistogram(df, x="weight", add = "mean", rug = TRUE, color = "sex", fill = "sex",
palette = c("#00AFBB", "#E7B800"))

image

箱线图与小提琴图

#加载数据集ToothGrowth
data("ToothGrowth")
df1 <- ToothGrowth
head(df1)

##    len  supp  dose
## 1  4.2   VC    0.5
## 2  11.5  VC    0.5
## 3  7.3   VC    0.5
## 4  5.8   VC    0.5
## 5  6.4   VC    0.5
## 6  10.0  VC    0.5

p <- ggboxplot(df1, x="dose", y="len", color = "dose", 
palette = c("#00AFBB", "#E7B800", "#FC4E07"), 
add = "jitter", shape="dose")#增加了jitter点，点shape由dose映射p

image

增加不同组间的p-value值，可以自定义需要标注的组间比较

my_comparisons <- list(c("0.5", "1"), c("1", "2"), c("0.5", "2"))
p+stat_compare_means(comparisons = my_comparisons)+#不同组间的比较
stat_compare_means(label.y = 50)

image

内有箱线图的小提琴图

ggviolin(df1, x="dose", y="len", fill = "dose", 
palette = c("#00AFBB", "#E7B800", "#FC4E07"), 
add = "boxplot", add.params = list(fill="white"))+ 
stat_compare_means(comparisons = my_comparisons, label = "p.signif")+#label这里表示选择显著性标记（星号） 
stat_compare_means(label.y = 50)

image

条形图

data("mtcars")
df2 <- mtcars
df2$cyl <- factor(df2$cyl)
df2$name <- rownames(df2)#添加一行name
head(df2[, c("name", "wt", "mpg", "cyl")])

image

按从小到大顺序绘制条形图（不分组排序）

ggbarplot(df2, x="name", y="mpg", fill = "cyl", color = "white", 
palette = "jco",#杂志jco的配色 
sort.val = "desc",#下降排序 
sort.by.groups=FALSE,#不按组排序 
x.text.angle=60)

image

按组进行排序

ggbarplot(df2, x="name", y="mpg", fill = "cyl", color = "white", 
palette = "jco",#杂志jco的配色 
sort.val = "asc",#上升排序,区别于desc，具体看图演示 
sort.by.groups=TRUE,#按组排序 
x.text.angle=90)

image

偏差图

偏差图展示了与参考值之间的偏差

df2$mpg_z <- (df2$mpg-mean(df2$mpg))/sd(df2$mpg)
df2$mpg_grp <- factor(ifelse(df2$mpg_z<0, "low", "high"), levels = c("low", "high"))
head(df2[, c("name", "wt", "mpg", "mpg_grp", "cyl")])

image

绘制排序过的条形图

ggbarplot(df2, x="name", y="mpg_z", fill = "mpg_grp", color = "white", 
palette = "jco", sort.val = "asc", sort.by.groups = FALSE, x.text.angle=60, 
ylab = "MPG z-score", xlab = FALSE, legend.title="MPG Group")

image

坐标轴变换

ggbarplot(df2, x="name", y="mpg_z", fill = "mpg_grp", color = "white", 
palette = "jco", sort.val = "desc", sort.by.groups = FALSE, 
x.text.angle=90, ylab = "MPG z-score", xlab = FALSE, 
legend.title="MPG Group", rotate=TRUE, ggtheme = theme_minimal())

image

点图(Dot charts)

棒棒糖图(Lollipop chart)

棒棒图可以代替条形图展示数据

ggdotchart(df2, x="name", y="mpg", color = "cyl", 
palette = c("#00AFBB", "#E7B800", "#FC4E07"), sorting = "ascending", 
add = "segments", ggtheme = theme_pubr())

image

可以自设置各种参数

ggdotchart(df2, x="name", y="mpg", color = "cyl", 
palette = c("#00AFBB", "#E7B800", "#FC4E07"), sorting = "descending", 
add = "segments", rotate = TRUE, group = "cyl", dot.size = 6, 
label = round(df2$mpg), font.label = list(color="white", size=9, vjust=0.5), 
ggtheme = theme_pubr())

image

偏差图

ggdotchart(df2, x="name", y="mpg_z", color = "cyl", 
palette = c("#00AFBB", "#E7B800", "#FC4E07"), sorting = "descending", 
add = "segment", add.params = list(color="lightgray", size=2), 
group = "cyl", dot.size = 6, label = round(df2$mpg_z, 1), 
font.label = list(color="white", size=9, vjust=0.5), ggtheme = theme_pubr())+ 
geom_line(yintercept=0, linetype=2, color="lightgray")

image

Cleveland点图

ggdotchart(df2, x="name", y="mpg", color = "cyl", 
palette = c("#00AFBB", "#E7B800", "#FC4E07"), sorting = "descending", 
rotate = TRUE, dot.size = 2, y.text.col=TRUE, ggtheme = theme_pubr())+ 
theme_cleveland()

image

当然，还有很多其他的图表功能

3. 更多

• ggscatter() 散点图
• stat_cor() 将有P值的相关系数添加到散点图中
• stat_stars()) Add Stars to a Scatter Plot

image

image.png

• ggscatterhist() 绘制具有边际直方图的散点图

image

• ggpaired() Plot Paired Data
  

  image.png

• ggballoonplot()

image

• ggmaplot()

Make MA-plot which is a scatter plot of log2 fold changes (on the y-axis) versus the mean expression signal (on the x-axis).

image

MA plot充分展示了基因丰度和表达变化之间的关系。我们可以看到，越靠左下或者右上的点，就是丰度越高而且变化幅度越大的基因。当然了，MA plot就丢了FDR这类统计量。二维图嘛，死活两个参数，顶多用颜色做个假三维。
不过对于终端小白用户来说，如果在volcano plot和MA plot中发现了重叠的靶点（实际上会有不少重叠），那就愉快地拿去做实验吧。

• 基因丰度：基因组中某基因的拷贝数。
• 基因表达丰度：某基因转录的mRNA数量。可以用RT-qPCR来检测。
• 表达变化（fold change）：就是倍数变化，假设A基因表达值为1，B表达值为3，那么B的表达就是A的3倍。一般我们都用count、TPM或FPKM来衡量基因表达水平，所以基因表达值肯定是非负数，那么fold change的取值就是(0, +∞).
• 差异的显著性：P-value来衡量。假设检验首先必须要有假设，我们假设A和B的表达没有差异（H0，零假设），然后基于此假设，通过t test（以RT-PCR为例）算出我们观测到的A和B出现的概率，就得到了P-value，如果P-value<0.05，那么说明小概率事件出现了，我们应该拒绝零假设，即A和B的表达不一样，即有显著差异。

基础知识，多多学习