complexheatmap学习—单个热图绘制

作者: drlee_fc74 | 来源:发表于2019-05-10 17:07 被阅读18次

学习指南只要是对于作者提供的学习指南。另外学习的包一定要是github上的。如果是bioconductor上的则会有些参数不支持。

总体设计

绘制热图的包有很多。其实比较好用是的包有pheatmap包。一般的热图绘制只能只能绘制热图本身。并不能在热图旁边绘制别的图。为了能够添加其他的图，因此开发了complexheatmap包。
complexheatmap包主要是可以通过不同的对于热图各个部分(上下左右)的注释来扩展热图的功能。
image.png
该包主要可以使用到函数包括

Heatmap: 绘制单个的热图。这个图本身就包括所有的组成
HeatmapList:绘制一系列的热图和注释
HeatmapAnnotation:对热图进行注释，可以和热图一起时候，也可以单独的使用

单个热图

通过Heatmap我们就可以形成单个热图。

产生随机数据

library(ComplexHeatmap)

## Loading required package: grid

## ========================================
## ComplexHeatmap version 2.1.0
## Bioconductor page: http://bioconductor.org/packages/ComplexHeatmap/
## Github page: https://github.com/jokergoo/ComplexHeatmap
## Documentation: http://jokergoo.github.io/ComplexHeatmap-reference
## 
## If you use it in published research, please cite:
## Gu, Z. Complex heatmaps reveal patterns and correlations in multidimensional 
##   genomic data. Bioinformatics 2016.
## ========================================

set.seed(123)
nr1 = 4; nr2 = 8; nr3 = 6; nr = nr1 + nr2 + nr3
nc1 = 6; nc2 = 8; nc3 = 10; nc = nc1 + nc2 + nc3
mat = cbind(rbind(matrix(rnorm(nr1*nc1, mean = 1,   sd = 0.5), nr = nr1),
          matrix(rnorm(nr2*nc1, mean = 0,   sd = 0.5), nr = nr2),
          matrix(rnorm(nr3*nc1, mean = 0,   sd = 0.5), nr = nr3)),
    rbind(matrix(rnorm(nr1*nc2, mean = 0,   sd = 0.5), nr = nr1),
          matrix(rnorm(nr2*nc2, mean = 1,   sd = 0.5), nr = nr2),
          matrix(rnorm(nr3*nc2, mean = 0,   sd = 0.5), nr = nr3)),
    rbind(matrix(rnorm(nr1*nc3, mean = 0.5, sd = 0.5), nr = nr1),
          matrix(rnorm(nr2*nc3, mean = 0.5, sd = 0.5), nr = nr2),
          matrix(rnorm(nr3*nc3, mean = 1,   sd = 0.5), nr = nr3))
   )
mat = mat[sample(nr, nr), sample(nc, nc)] # random shuffle rows and columns
rownames(mat) = paste0("row", seq_len(nr))
colnames(mat) = paste0("column", seq_len(nc))
mat[1:5,1:5]

##        column1     column2     column3    column4    column5
## row1 0.8517620  0.75823530 -0.32552445  0.4490584  2.6205200
## row2 1.1183375  0.38998256  0.90882972  0.1391978  1.2814948
## row3 0.5235772  0.72207943  1.08419194  0.9248215 -0.4248522
## row4 0.2550648  1.05534136  0.58403269 -0.1976372 -0.3203530
## row5 0.8783874 -0.01427338  0.02729558 -0.5261114  0.8127096

最基本的显示

通过Heatmap函数我们可以对矩阵进行可视化。最基本的热图和其他热图绘制工具绘制出来的是一样的。 PS：如果我们把绘图结果放到了一个变量里面，我们可以通过draw函数来把结果绘制出来

ht <- Heatmap(mat)
draw(ht)

image.png

颜色的改变

连续性变量的颜色注释

在热图当中如果需要改变颜色的话，一定要使用circlize::colorRamp2()来对颜色进行赋值。这个函数接受两个参数:颜色分割的位置以及相应分割点上的颜色。最后我们的Heatmap当中通过col来制定颜色

PS：colorRamp2默认的使用的配色方案是LAB的。如果想使用RGB的则可以通过其中的space参数进行修改。

library(circlize)

## ========================================
## circlize version 0.4.6
## CRAN page: https://cran.r-project.org/package=circlize
## Github page: https://github.com/jokergoo/circlize
## Documentation: http://jokergoo.github.io/circlize_book/book/
## 
## If you use it in published research, please cite:
## Gu, Z. circlize implements and enhances circular visualization 
##   in R. Bioinformatics 2014.
## ========================================

col_fun <- colorRamp2(c(-2, 0, 2), c("navy", "white", "firebrick3"))
Heatmap(mat, col = col_fun)

image.png

这样设定的好处在于：

即使出现了异常值，在制定的颜色当中，异常值也只是显示最大值而不是说是把整体的颜色分布给破坏了。我们可以比较一下pheatmap和Heatmap的结果

mat2 = mat
mat2[1, 1] = 100000
Heatmap(mat2, name = "mat", col = col_fun)

image.png

pheatmap::pheatmap(mat2)

image.png

另外一个好处是，如果我们要比较不同组数据的热图,这样设置后，他们的数值对应的颜色不会因为整体分布的原因发生改变

p1 <- Heatmap(mat, name = "mat", col = col_fun, column_title = "mat")
p2 <- Heatmap(mat/4, name = "mat", col = col_fun, column_title = "mat/4")
p3 <- Heatmap(abs(mat), name = "mat", col = col_fun, column_title = "abs(mat)")
p1 + p2 + p3

## Warning: Heatmap/annotation names are duplicated: mat

## Warning: Heatmap/annotation names are duplicated: mat, mat

image.png

分类变量的颜色注释

如果要绘制分类变量的热图的话，则需要把每个分类的数字进行一定的赋值。

discrete_mat = matrix(sample(1:4, 100, replace = TRUE), 10, 10)
col1 = structure(1:4, names = c("1", "2", "3", "4")) # black, red, green, blue
mycol <- colorRamp2(breaks = col1, colors = c("red", "blue", "green", "black"))
h1 <- Heatmap(discrete_mat, col = col1)
h2 <- Heatmap(discrete_mat, name = "mat", col = mycol)
h1 + h2

image.png

缺失值的可视化

如果数据当中含有缺失值，如果我们不想去掉想要可视化的话，可以通过na_col来指定颜色

mat_with_na = mat
na_index = sample(c(TRUE, FALSE), nrow(mat)*ncol(mat), replace = TRUE, prob = c(1, 9))
mat_with_na[na_index] = NA
Heatmap(mat_with_na, name = "mat", na_col = "black")

image.png

边框的可视化

通过border，来对整个热图添加边框。这个参数可以接受逻辑值或者具体的颜色
每个格子的边框的变化，我们可以通过rect_gp来进行设置。这个参数可以通过gpar来设置其颜色以及线条宽度的变化。

h1 <- Heatmap(mat, border = T)
h2 <- Heatmap(mat, border = "red")
h3 <- Heatmap(mat, rect_gp = gpar(col = "white", lwd = 2))
h1 + h2 + h3

image.png

标题

通过上图，我们可以使用对热图的四周都可以进行标题注释。

通过column_title以及row_title来设置标题
通过column_title_side以及row_title_side来设置标题位置
通过column_title_gp以及row_title_gp设置标题的格式。通过gpar函数来进行设置。
通过row_title_rot以及column_title_rot设置标题的旋转角度

Heatmap(mat, column_title = "column title", column_title_side = "bottom", column_title_gp = gpar(fontsize = 20, fontface = "bold"), row_title_rot = 0, row_title = "row title", row_title_gp = gpar(col = "red"))

image.png

聚类

基本设置

无监督的聚类属于热图的可视化的一个重要组成部分。

cluster_rows/columns来设置是否进行聚类
show_column/row_dend设置是否显示聚类树(会发生聚类)
column/row_dend_side设置聚类图绘制的位置
column/row_dend_height设置聚类树的高度

Heatmap(mat, cluster_rows = F, show_column_dend = T,
        column_dend_side = "bottom",  column_dend_height = unit(2, "cm"))

image.png

聚类的方法选择

分类聚类只要包括两步：计算距离矩阵以及应用聚类。一般来说计算距离的方式包括pearson, spearman以及kendall。这个计算方式是通过1 - - cor(x, y, method)来实现的。在函数当中则是通过clustering_distance_rows/columns来进行实现的。

Heatmap(mat, name = "mat", clustering_distance_rows = "pearson",
    column_title = "pre-defined distance method (1 - pearson)")

image.png

聚类树的自定义

我们可以对聚类树进行自定义，主要是可以

column/row_dend_gp设置聚类图的自定义
cluster_rows 分开设置不同的颜色

library(dendextend)

## 
## ---------------------
## Welcome to dendextend version 1.10.0
## Type citation('dendextend') for how to cite the package.
## 
## Type browseVignettes(package = 'dendextend') for the package vignette.
## The github page is: https://github.com/talgalili/dendextend/
## 
## Suggestions and bug-reports can be submitted at: https://github.com/talgalili/dendextend/issues
## Or contact: <tal.galili@gmail.com>
## 
##  To suppress this message use:  suppressPackageStartupMessages(library(dendextend))
## ---------------------

## 
## Attaching package: 'dendextend'

## The following object is masked from 'package:stats':
## 
##     cutree

row_dend = as.dendrogram(hclust(dist(mat)))
row_dend = color_branches(row_dend, k = 2) # `color_branches()` returns a dendrogram object
Heatmap(mat, name = "mat", cluster_rows = row_dend)

image.png

Heatmap(mat, name = "mat", cluster_rows = row_dend, row_dend_gp = gpar(col = "red"))

image.png

基于聚类结果进行排序

我们可以通过column/row_dend_reorder来对聚类的结果进行重新排序

m2 = matrix(1:100, nr = 10, byrow = TRUE)
h1 <- Heatmap(m2, name = "mat", row_dend_reorder = FALSE, column_title = "no reordering")
h2 <- Heatmap(m2, name = "mat", row_dend_reorder = TRUE, column_title = "apply reordering")
h1 + h2

## Warning: Heatmap/annotation names are duplicated: mat

image.png

设置热图的观测值的顺序

一般情况下，热图当中各个观测值的顺序是基于聚类的分组来进行排列的。有时候我们想要自己排序顺序。这个时候就可以自定义去顺序。通过row_order/column_order可以来定义其排序。 PS：当我们自定义顺序之后，聚类的顺序就随之关闭了。

Heatmap(mat, name = "mat", row_order = sort(rownames(mat)), 
    column_order = sort(colnames(mat)))

image.png

观测值的自定义

默认情况下对于列名和行名都是显示的。我们可以对其进行自定义

show_row/colums_names设置是否显示列名和行名
column/row_names_side设置列名和行名的位置
column/row_names_gp设置列名和行名的自定义
column/row_names_centered设置名称是否中心化
column/row_names_rot设置名称的角度
column/row_labels设置重新定义名称
column_names_max_height和row_names_max_width设置列名和行名的最大空间。默认的都是6cm。如果名称太长可以通过这个来设置。

row_labels = structure(paste0(letters[1:24], 1:24), names = paste0("row", 1:24))
Heatmap(mat, show_row_names = T, column_names_side = "top",
        row_names_gp = gpar(fontsize = 20, col = c(rep("red", 10), rep("blue", 8))), column_names_centered = TRUE, column_names_rot = 45, row_labels = row_labels[rownames(mat)])

image.png

热图的分割

热图的分割主要包括多种方式

按照k-means方法来分割。可以通过column/row_km参数进行实现。
按照固定的分类来进行分割，可以通过row/column_split参数来实现另外可以通过row_gap来设置分割的距离。

###k-means方式
Heatmap(mat, name = "mat", row_km = 2, column_km = 3)

image.png

### 特定的分组
Heatmap(mat, name = "mat", row_split = data.frame(rep(c("A", "B"), 9), rep(c("C", "D"), each = 9)), column_split = factor(rep(c("C", "D"), 12)))

image.png

Heatmap(mat, name = "mat", row_km = 3, row_gap = unit(5, "mm"))

image.png

网友评论

本文标题：complexheatmap学习—单个热图绘制

本文链接：https://www.haomeiwen.com/subject/mlzaoqtx.html

延伸阅读

深度阅读

您也可以注册成为美文阅读网的作者，发表您的原创作品、分享您的心情！

complexheatmap学习—单个热图绘制

总体设计

单个热图

产生随机数据

最基本的显示

颜色的改变

连续性变量的颜色注释

分类变量的颜色注释

缺失值的可视化

边框的可视化

标题

聚类

基本设置

聚类的方法选择

聚类树的自定义

基于聚类结果进行排序

设置热图的观测值的顺序

观测值的自定义

热图的分割

相关文章

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读

R语言做生信

基因组数据绘图

科研信息学

R