能画的图：
先决条件：差异分析
热图
序列分析图 sequence logo
使用ggseqlogo可视化motif - 云+社区 - 腾讯云 (tencent.com)
1
重点：输入文件格式
热图：
步骤，库，输入文件。
步骤：读取文件为数据->重整为ggplot2识别的数据
库：ggplot2
总结：其实就是需要Name value rescale写成列的形式，就是把矩阵变成三列，知道输入的形式，就用R重组下数据。
用R读取文件：
其实就是先找到name，把他转为列，再把set转为列，再把value转成列，转成三列就行。
转为三列，主要依赖melt
热图完整版：
文件：关键点在不能数字：数字或者数字/数字，需要小数。
1
代码：关键点在row.name=1,不把第一列当作列名
1
由此：合并的格式要改
火山图和差异分析：
先要得到：转录组定量-featureCounts
采用的是alignment-based转录组定量策略
经典流程是：
1、从获取原始数据，中间经历过滤、比对，到featureCounts统计基因上的reads数，
2、从reads数统计的结果，经过表达矩阵构建、基因ID转换、去冗余ID、表达量单位转换，最终拿到可靠的表达矩阵，从表达矩阵开始，然后走差异分析、富集分析等等。
现在已经有编辑水平的结果了，问题是在每个样本中编辑水平都不同，
标准化参考：https://mp.weixin.qq.com/s?__biz=MzAxMDkxODM1Ng==&mid=2247490699&idx=2&sn=6d7e0d96779d4885f3c36089cdd31516&scene=21#wechat_redirect
对给定的基因组参考区域，计算比对上的read数，又称为raw count（RC）。合并之前的单个跑出的肯定都只能是rc，因此需要标准化，
raw count作为原始的read计数矩阵是一个绝对值，而绝对值的特点是规模不同（基因长度、测序深度），不可以比较。进行这些基因标准化方法的目的是将count矩阵转变为相对值，去除技术偏差的影响，使后续的差异分析具有统计学的意义。
RPKM与FPKM的区别：RPKM值适用于单末端RNA-seq实验数据，FPKM适用于双末端RNA-seq测序数据。
因此用FPKM进行标准化是第一步。
流程计划为：
标准化（FPKM）->构建表达矩阵->差异分析
饼图：
1
1
再加个百分比和按从小到大
从小到大需要：让数据框的数据按 num从大到小排序
百分比可以在R中计算，但是没加上。
1
真实数据测试：
1
1
根据文章的思路去研究：
参考文献为：
1.全景研究
1.1堆叠柱状图，画每个位点的editing count/total reads of this locus 但是数据太大，恐怕画不出，或者画两条折线的折线图。又因为是要通过全景去筛选，而对row count的筛选条件应该是同时考虑 editing count total reads of this locus 和 editing count/total reads of this locus，首先应筛去比值小的，其次再在比值大的中筛去total reads of this locus小的。由此能画出筛选前后的图
1.2
网友评论