【原】为什么我代码里面选择top1000的sd基因绘制热图呢

健明 2021-07-14

展开全文

实际上写完了这个全网最好的差异分析代码：免费的数据分析付费的成品代码我就可以收工用来，但是永远不能低估粉丝的疑惑数量，任何一个细节都会被拿出来剖析。

比如代码里面我挑选了top1000的sd基因绘制热图，然后就可以分辨出来自己处理的数据集里面的样本分组是否合理啦。其实这个热图差不多等价于PCA分析的图，被我称为表达矩阵下游分析标准3图！详见：你确定你的差异基因找对了吗？，就是下面的3张图：

左边的热图，说明我们实验的两个分组，normal和npc的很多基因表达量是有明显差异的
中间的PCA图，说明我们的normal和npc两个分组非常明显的差异
右边的层次聚类也是如此，说明我们的normal和npc两个分组非常明显的差异

PS：如果你的转录组实验分析报告没有这三张图，就把我们生信技能树的这篇教程甩在他脸上，让他瞧瞧，学习下转录组数据分析。

为什么挑选top1000的sd基因绘制热图

我这个热图是为了说明本分组是否合理，就是看样本的距离，这个时候你如果需要理解距离，那么你需要学习非常多细节知识。不仅仅是一个函数那么简单：

r 语言中使用 dist ( x， method = “ euclidean ”， diag = FALSE， upper = FALSE， p = 2 ) 来计算距离。其中x是样本矩阵或者数据框。method 表示计算哪种距离。method 的取值有：

euclidean 欧几里德距离，就是平方再开方。
maximum 切比雪夫距离
manhattan 绝对值距离
canberra Lance 距离
minkowski 明科夫斯基距离，使用时要指定p值
binary 定性变量距离.

r 语言中使用 hclust (d， method = “complete”， members=NULL) 来进行层次聚类。其中 d 为距离矩阵。method 表示类的合并方法，有：

single 最短距离法
complete 最长距离法
median 中间距离法
mcquitty 相似法
average 类平均法
centroid 重心法
ward 离差平方和法

r 语言中主要使用 kmeans(x， centers， iter.max = 10， nstart = 1，algorithm =c(“Hartigan-Wong”， “Lloyd”，”Forgy”， “MacQueen”))来进行聚类。

centers 是初始类的个数或者初始类的中心
iter.max 是最大迭代次数
nstart 是当 centers 是数字的时候，随机集合的个数
algorithm 是算法，默认是第一个。

也就是说，看起来非常简单的3张图，背后是几十年的统计学知识的基础建设。

当然了，也不要气馁哦，反正你只需要会看图就好！再次强调：你确定你的差异基因找对了吗？里面的3张图：

左边的热图，说明我们实验的两个分组，normal和npc的很多基因表达量是有明显差异的
中间的PCA图，说明我们的normal和npc两个分组非常明显的差异
右边的层次聚类也是如此，说明我们的normal和npc两个分组非常明显的差异

为什么选择top1000的sd基因绘制热图其实就是个人爱好，你可以探索top500，1000，2000，5000是否有区别。

比较不同的top基因聚类的差异

同样的是一个表达矩阵和分组，如下：

> dat[1:4,1:4] 
       GSM312896 GSM312897 GSM312898 GSM312899
ZZZ3    8.286337  8.427789  9.315658  8.601464
ZZEF1   8.097163  8.419503  8.843223  8.963619
ZYX     8.187251  7.919804  8.082291  7.094361
ZYG11B  8.718149  8.195136  8.478548  9.054829
> dim(dat)
[1] 18938    41
> table(group_list)
group_list
normal    npc 
    10     31

然后检查不同top基因集的层次聚类情况

library(pheatmap)
cg=names(tail(sort(apply(dat,1,sd)),1000))
p1=pheatmap(dat[cg,])
cg=names(tail(sort(apply(dat,1,sd)),500))
p2=pheatmap(dat[cg,])
cg=names(tail(sort(apply(dat,1,sd)),2000))
p3=pheatmap(dat[cg,])
cg=names(tail(sort(apply(dat,1,sd)),5000))
p4=pheatmap(dat[cg,])
tmp=data.frame(top1000=cutree(p1$tree_col,2),
               top500=cutree(p2$tree_col,2),
               top2000=cutree(p3$tree_col,2),
               top5000= cutree(p4$tree_col,2),
               group_list=group_list)

这个时候，你会发现，好像不一样，我修改层次聚类的类别数量

tmp=data.frame(top1000=cutree(p1$tree_col,4),
               top500=cutree(p2$tree_col,4),
               top2000=cutree(p3$tree_col,4),
               top5000= cutree(p4$tree_col,4),
               group_list=group_list)

然后你会发现，不管是top多少个基因，如果分成4类，那么1，2类都是normal，3，4类都是NPC，所以效果都挺好的。