多种方法在火山图上标记感兴趣基因（差异基因，或者通路）

terminator_523 2019-08-12

展开全文

健明

要玩图，离不开哈德雷大神的ggplot2，《R数据科学》第1章和21章是专门讲图的，我写过对应的笔记：

关于火山图加标签的需求，这里有几种方法来实现。

示例数据

方法一的示例数据是data.Rdata，方法二三的示例数据是test.Rdata。我将数据打包放在了“生信技能树”公众号后台，回复“火山图”即可获得。你解压后双击文件夹里的volcano.Rproj，复制粘贴运行本文代码即可。

方法一：利用空字符串“”

原理：空字符串“”=nothing

关于空字符串，我曾写过一篇文章来讲他：R数据框里的空格子不是NA是什么

这种方法的参照是帮助文档里的一段代码：
(先准备好包)

if(!require(ggplot2)) install.packages('ggplot2')
if(!require(ggrepel)) install.packages('ggrepel')
if(!require(dplyr))install.packages('dplyr')
library(ggplot2)
library(ggrepel)
library(dplyr)

代码来源

下面代码来源于geom_text_repel的帮助文档

p <- ggplot(mtcars,
            aes(wt, mpg, label = rownames(mtcars), colour = factor(cyl))) +
  geom_point()
# Hide some of the labels, but repel from all data points
mtcars$label <- rownames(mtcars)
mtcars$label[1:15] <- ''
p + geom_text_repel(data = mtcars, aes(wt, mpg, label = label))

做出的图是这样：

可以看到，一部分点有标签，一部分没有，思路就是把不要标签的部分变成空字符串“”。

学以致用

火山图的本质就是点图，那么在火山图上标记部分基因，就是在点图上标记部分点。

参考这个思路为火山图加标签：

（美图预警）

step1:先把图画出来

load('data.Rdata')
head(data)
#       symbol     p.value        FC change 
#1            PCMTD2 1.53544e-11 1.3548360 Stable      
#2                KIAA0087 6.71382e-13 0.7314603 Stable      
#3                 AFAP1L1 4.24611e-12 0.6284560 Stable      
#4                  CHMP1A 3.76821e-09 1.6035994 Stable      
#5                  TRERF1 1.80652e-08 0.6875469 Stable      
#6                     C8B 7.88047e-04 1.2374303 Stable      
data$change = ifelse(data$p.value < 0.000001 & abs(log2(data$FC)) >= 1, 
                        ifelse(log2(data$FC)> 1 ,'Up','Down'),
                        'Stable')

p <- ggplot(data = data, 
         aes(x = log2(data$FC), 
             y = -log10(data$p.value), 
             colour=change,
             label = data$symbol)) +
  geom_point(alpha=0.4, size=3.5) +
  scale_color_manual(values=c('blue', 'grey','red'))+
  xlim(c(-4.5, 4.5)) +
  geom_vline(xintercept=c(-1,1),lty=4,col='black',lwd=0.8) +
  geom_hline(yintercept = -log10(0.000001),lty=4,col='black',lwd=0.8) +
  labs(x='log2(fold change)',
       y='-log10 (p-value)',
       title='Differential metabolites')  +
  theme_bw()+
  theme(plot.title = element_text(hjust = 0.5), 
        legend.position='right', 
        legend.title = element_blank())
p

step2:筛选部分基因，用于显示在图上

想在图上做修改，一半是调参数，一半是调数据。我们现在要做的就是调数据：要标记的，label=基因，无需标记的，label=“”。

⭐重点就在这里：

data$label=ifelse(data$p.value < 0.000001 & abs(log2(data$FC)) >= 1,data$symbol,'')

step3：将文字图层叠加上去

p+geom_text_repel(data = data, aes(x = log2(data$FC), 
                                   y = -log10(data$p.value), 
                                   label = label),
                      size = 3,box.padding = unit(0.5, 'lines'),
                      point.padding = unit(0.8, 'lines'), 
                      segment.color = 'black', 
                      show.legend = FALSE)

但是我发现，这个只是适用于数据量比较小的时候，这个例子只有170个点，而一般来说火山图数以万计的行，用这个方法容易失败。下午尝试了几次大的数据，结果Rstudio无一例外的嘎嘣了。

方法二：看R数据科学

代码来源

以下代码出自R数据科学笔记第21章，原书第312页：

best_in_class <- mpg %>%
  group_by(class) %>%
  filter(row_number(desc(hwy)) == 1)

ggplot(mpg, aes(displ, hwy)) +
  geom_point(aes(color = class)) +
  geom_point(size = 3, shape = 1, data = best_in_class) +
  ggrepel::geom_label_repel(
    aes(label = model),
    data = best_in_class
  )

这个方法适用于较大的数据。

端详代码找思路

1.从原来数据中挑选了一部分，生成新数据
2.用新数据作图，向原数据做的点图上叠加两个图层，一个空心点图，一个geom_label_repel。

step1：先把火山图画出

load('test.Rdata')
p <- ggplot(data = test, 
            aes(x = logFC, 
                y = `-log10(P.value)`)) +
  geom_point(alpha=0.4, size=3.5, 
             aes(color=change)) +
  scale_color_manual(values=c('blue', 'grey','red'))+
  geom_vline(xintercept=c(-1,1),lty=4,col='black',lwd=0.8) +
  geom_hline(yintercept = -log10(0.01),lty=4,col='black',lwd=0.8) +
  theme_bw()
p

step2：生成用于添加图层的新数据

⭐重点在这里

新数据框的内容是你想要标记的基因，这里根据logFC和Pvalue的大小来筛选，可以自定义阈值来调整要显示的基因的数量：

for_label <- test %>% 
  filter(abs(logFC) >4& `-log10(P.value)`> -log10(0.000001))

step3:新图层叠加到原图上去

p +
  geom_point(size = 3, shape = 1, data = for_label) +
  ggrepel::geom_label_repel(
    aes(label = symbol),
    data = for_label,
    color='black'
  )

加号连接两句代码就实现了图层的叠加，如果对ggplot2不了解，请看R数据科学第1章和第21章。但21章是整本书的错误重灾区，请看我的笔记有改正后的代码。

方法三：ggpubr的函数有现成的参数

这个函数叫ggscatter，还是用刚才的test数据来做。

代码来源

当然是群主在GitHub的的800M的GEO数据挖掘代码啦，还有配套视频：

由于ggpubr写纵坐标时直接写-log10（P.value）不识别，可采取迂回策略，改列名，完事再在图上改纵轴标签。

load('test.Rdata')
if(!require(ggpubr))install.packages('ggplubr')
library(ggpubr)
colnames(test)[4] <- 'v'
ggscatter(test, 
          x = 'logFC', 
          y ='v',
          ylab='-log10(P.value)',
          size=0.5,
          color = 'change',
          palette = c('#00AFBB', '#999999', '#FC4E07') 
          )

然后加标签，是现成的参数“label.select”。接受的参数数据结构应该是向量。

可以手动选一二三四个感兴趣的基因

ggscatter(test, 
          x = 'logFC', 
          y = 'v', 
          ylab='-log10(P.value)',
          color = 'change',
          size = 0.5,
          label = 'symbol', 
          repel = T,
          palette = c('#00AFBB', '#999999', '#FC4E07') ,
          #label.select = dat$symbol[1:30] ,
          label.select = c('CD36', 'DUSP6', 'DCT', 'SPRY2', 'MOXD1', 'ETV4' )
          )

也可以用向量取子集的方法来选很多个

比如差异基因前30个

ggscatter(test, 
          x = 'logFC', 
          y = 'v', 
          ylab='-log10(P.value)',
          color = 'change',
          size = 0.5,
          label = 'symbol', 
          repel = T,
          palette = c('#00AFBB', '#999999', '#FC4E07') ,
          label.select = test$symbol[1:30]
          )