将群体的遗传图谱构建完成之后，我们得到的是一个excel文件，一堆数据，那么在做工作汇报或者发表文章的时候，我们必须要将数据进行可视化，最传统的方法当然是使用mapchart，我一直也是使用mapchart，其将遗传图谱可视化的效果图如下：
作为一个极度老牌的可视化软件，mapchart的弊端现在已经很明显了。在十几年前，一个群体的分子标记还很少，往往很普遍的情况是只有几百个SSR标记，而现在，随着测序行业的发展，随着SNP标记的普及，分子标记也越来越多，当分子标记多起来之后，mapchart的可视化结果就会很难看，很拥挤，很密集，甚至我用自己的2378个标记可视化时，出现了页面篇幅容纳不下这么多标记的情况，在无法使用mapchart可视化遗传图谱的情况下，我寻找到了另一种可视化遗传图谱的方法，它既能展示出每个标记在遗传图谱上的位置，同时还能用热图的形式展示出标记在遗传图谱上的密度。
我使用的是一个叫“LinkageMapView”的R包，此包既能在windows下使用，也同时支持linux和Mac。需要的输入文件格式如下：
文件分三列，第一行是header，三列分别为Group、Position、Locus。group代表的是遗传图谱上的连锁群，position指的是遗传图谱上每个标记的遗传距离，locus指的是标记的名字。
以我的数据为例，我的输入数据是玉米的遗传图谱，共有10个连锁群，代码如下：
library(LinkageMapView)
a <- read.csv("C:\\Users\\Shenshen Wu\\Desktop\\linkage.csv")
maxpos <- floor(max(a$Position[a$Group == "LG01" | a$Group ==
"LG02" | a$Group == "LG03" | a$Group == "LG04" | a$Group == "LG05" |
a$Group == "LG06" | a$Group == "LG07" | a$Group == "LG08" | a$Group ==
"LG09" | a$Group == "LG10"]))
at.axis <- seq(0, maxpos)
axlab <- vector()
for (lab in 0:maxpos) {
if (!lab %% 10) {
axlab <- c(axlab, lab)
}
else {
axlab <- c(axlab, NA)
}
}
outfile = file.path("C:\\Users\\Shenshen Wu\\Desktop", "LinkageMap.pdf")
lmv.linkage.plot(a,outfile,mapthese=c("LG01","LG02","LG03","LG04","LG05","LG06","LG07","LG08","LG09","LG10"),denmap=TRUE,
cex.axis = 1, at.axis = at.axis, labels.axis = axlab)
最后的可视化结果如下：
转载链接：https://blog.csdn.net/shenshenwu666/article/details/82956515?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.add_param_isCf&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.add_param_isCf
网友评论