|
本系列推送旨在带领生信零基础的科研人一起掌握Bulk RNA-seq数据分析，同时为其他Bulk组学和单细胞（核）转录组测序的数据分析奠定基础。 往期回顾： 第3期. 基因ID转换，一键搞定 第4期. 差异分析三巨头，该了解一下了 今天我们来学习Bulk RNA-seq数据常用的一种数据可视化形式：热图Heatmap！主要分享以下3个方面： 一、热图的常见呈现形式？ 虽然“热图”只有两个字，但是基于Bulk RNA-seq的热图的具体呈现形式是五花八门的，具体由哪些形式呢？为了回答这个问题，我在心血管领域顶级期刊Circulation上进行了检索： 
然后手动参看上述199篇文章的内容，然后，汇总出下面一张图： 
二、使用热图的常见目的？ 有了上述的一张图，那其实就可以推测出热图常见的几个目的了： 1. 呈现组间差异基因的数量（上调和下调） 2. 呈现组间具体的差异基因 3. 呈现组间具体的差异基因，并同时呈现这些基因对应的fold change和adjusted p value 4. 呈现组间具体的差异基因，并同时呈现这些差异基因富集的通路 5. 呈现一个具体通路中的基因在组间各个样本的表达情况 6. 呈现样本间的相关性 三、如何基于R生成热图？ 下面将以“呈现组间具体的差异基因”为目的，展示基于R的实战过程。（想获得练习数据，可在公众号输入：Bulk RNA-seq练习数据3） 
1. 安装并加载R包(如果没有安装过相关R包，需要先安装，再加载) library(tidyverse)
library(pheatmap)
library(RColorBrewer)
2. 加载数据（2个数据，分别是样本-基因矩阵数据、差异分析结果） ##2.1 样本-基因矩阵
data <- read.csv("./1.数据/Bulk RNA-seq练习数据3_data_with_gene_symbol.csv",row.names = 1)
data（样本-基因矩阵） ##2.2 差异分析结果（我们上次的分享内容里有计算过程）
DEGs <- read.csv("./1.数据/Bulk RNA-seq练习数据4_DEGs_with_DESeq2.csv")
DEGs（差异分析结果 [我们上次的分享内容里有计算过程]） 3. 明确data和meta ##3.1 data (在原来的 样本-基因矩阵的基础上，先进行log，再筛选出样本-差异基因矩阵)
data_log <- log(data+1)
DEGs_selected <- DEGs %>%
filter(padj < 0.05,
log2FoldChange>log2(3) | log2FoldChange<log2(1/3)) #可以人为设置阈值
data_log_selected <- data_log[DEGs_selected$gene,]
##3.2 meta（为后续可视化的图注为准备）
meta <- data.frame(sample = colnames(data),
group = sapply(str_split(colnames(data), "_"), function(x) x[1]))
meta_select_gene <- meta %>%
tibble::remove_rownames() %>%
column_to_rownames(., var = 'sample') %>%
dplyr::mutate(group = fct_relevel(group, c('NF','ICM'))) %>%
dplyr::arrange(group)
meta_select_gene anno_color <- list(group = c('NF' = '#66c2a5',
'ICM' = '#fc8d62'))
plot <- pheatmap(data_log_selected, cluster_cols = F, cluster_rows = T,
show_colnames = T, show_rownames = T, scale = 'row',
annotation_col = meta_select_gene,
annotation_colors = anno_color,
color = rev(colorRampPalette(brewer.pal(11,'RdBu'))(1000)),
fontsize_row = 5)
想跟更多的生信人一起交流，请进入下方“R语言与组学交流群”。 期待已久～｜医学基础科研互助交流群来啦！ （欢迎大家入群交流～
|
