使用R中的ggplot2进行微阵列可视化（红绿热图）
- 1、常用的方法：biclust包
- - 1.1 biclust包的安装
  - 1.2 导入biclust包
  - 1.3 生成一些测试数据
  - 1.4 调用drawHeatmap()函数绘制热图
- 2、ggplot2绘制红绿热图
- - 2.1 ggplot2、reshape2包的安装
  - 1.2 导入ggplot2、reshape2包
  - 1.3 生成要绘制微阵列的模拟数据
  - 1.3 对数据进行相应的变形处理
  - 1.4 为ggplot2绘图设置颜色（红绿色设置！）
  - 1.5 绘制微阵列（红绿热图）

使用R中的ggplot2进行微阵列可视化（红绿热图）

前段时间做RNA甲基化水平的分析，查了很多绘制热图的资料，发现基本都是绘制普通的热图，生信这一块微阵列可视化的代码几乎找不到，尤其是调成红绿色系的热图的就更少了，然后自己总结了一下，希望能帮大家少走一些弯路。

1、常用的方法：biclust包

常用的方法基本都是在RStudio里面导入biclust包，然后调用drawHeatmap()函数进行热图绘制，但是绘制出的热图是固定形式的，后续要加图例或者标题特别麻烦，不像ggplot2画图那样方便，下面给出drawHeatmap()的使用说明。

1.1 biclust包的安装

install.packages("biclust")

这里因为我已经安装了，就不提供截图了，自己用上面的代码装包就好。

1.2 导入biclust包

library(biclust)

1.3 生成一些测试数据

data <- rbeta(15000, 2.4, 2)
data <- matrix(data, nrow = 1000, ncol = 15)
data[112:279,3:5] = rbeta(504, 12, 4)
data[429:592,5:7] = rbeta(492, 11, 5)
data[429:592,8:9] = rbeta(328, 9, 4)
data[676:832,8:13] = rbeta(942, 15, 6)

1.4 调用drawHeatmap()函数绘制热图

drawHeatmap(data)

这就出现了之前说的问题，没法直接通过代码加标签、标题或者图例之类的信息，因此自己用ggplot2写了下面的热图可视化程序。

2、ggplot2绘制红绿热图

2.1 ggplot2、reshape2包的安装

install.packages("ggplot2")
install.packages("reshape2")

1.2 导入ggplot2、reshape2包

`library(ggplot2)
`library(reshape2)

1.3 生成要绘制微阵列的模拟数据

# 生成符合beta分布，大小为1000*15的模拟数据
#如果要绘制其他数据的，把这一部分的数据换了就可以
data <- rbeta(15000, 2.4, 2)
data <- matrix(data, nrow = 1000, ncol = 15)
data[112:279,3:5] = rbeta(504, 12, 4)
data[429:592,5:7] = rbeta(492, 11, 5)
data[429:592,8:9] = rbeta(328, 9, 4)
data[676:832,8:13] = rbeta(942, 15, 6)

1.3 对数据进行相应的变形处理

#把自己的数据读进data后，往后的操作可以直接拿来用
data <- as.data.frame(data)
colnames(data) <- seq(1, ncol(data), 1)
data$ID <- rownames(data)
data_melt <- melt(data, id.vars=c("ID"))
data_melt[, 2] <- as.numeric(as.character(data_melt[, 2]))
data_melt[, 1] <- as.numeric(data_melt[, 1])

1.4 为ggplot2绘图设置颜色（红绿色设置！）

numColores = 255 * 2
gvect = c(array(255:0), array(0, dim = 255))
rvect = c(array(0, dim = 255), array(0:255))
bvect = array(0, dim = numColores)
paleta = rgb(rvect, gvect, bvect, 255, maxColorValue = 255)

1.5 绘制微阵列（红绿热图）

draw <- ggplot(data_melt, aes(x = variable, y = ID)) + geom_tile(aes(fill = value)) +xlab("conditions") + ylab("sites") +scale_fill_gradientn(colours = paleta)

通过上述方法获得的热图可以自己进一步进行美化，灵活度比drawHeatmap()函数要高许多！

下面是生成的其他数据的微阵列红绿热图：

生信小白，如果大家有什么问题，欢迎随时交流~

使用R进行微阵列可视化（红绿热图）相关推荐

如何在R语言中建立六边形矩阵热图heatmap可视化
原文链接:http://tecdat.cn/?p=18879 这是一个六边形热图可视化程序,主要用到的知识RColorBrewer,fields,也就是R中的可视化绘图库(点击文末"阅读原文 ...
R语言ggplot2可视化分组的重叠图实战：grouped overlay plot
R语言ggplot2可视化分组的重叠图实战:grouped overlay plot 目录 R语言ggplot2可视化分组的重叠图实战:grouped overlay plot #仿真数据
R语言ggplot2可视化：为箱图的均值进行连线、将多个分组的均值连接起来Joining means on a boxplot with a line
R语言ggplot2可视化:为箱图的均值进行连线.将多个分组的均值连接起来Joining means on a boxplot with a line 目录
R语言ggplot2可视化：组合箱图（boxplot）和直方图(histogram)输出组合可视化结果
R语言ggplot2可视化:组合箱图(boxplot)和直方图(histogram)输出组合可视化结果目录
R语言ggplot2可视化绘制累积计数图（累加图，cumulative counts）
R语言ggplot2可视化绘制累积计数图(累加图,cumulative counts) 目录 R语言ggplot2可视化绘制累积计数图(累加图,cumulative counts)
R语言ggplot2可视化在分面图（facet_grid）的条形图上添加计数(count)或者百分比（percent）标签实战
R语言ggplot2可视化在分面图(facet_grid)的条形图上添加计数(count)或者百分比(percent)标签实战目录
R语言ggplot2可视化绘制Marimekko/Mosaic图实战：自定义函数绘制Marimekko/Mosaic图（添加数值、标题、色彩配置）、ggmosaic包绘制Marimekko图
R语言ggplot2可视化绘制Marimekko/Mosaic图实战:自定义函数绘制Marimekko/Mosaic图(添加数值.标题.色彩配置).ggmosaic包绘制Marimekko图目录
R语言ggplot2可视化在lines线图的尾端添加线图标签、并且去除图例实战
R语言ggplot2可视化在lines线图的尾端添加线图标签实战目录 R语言ggplot2可视化在lines线图的尾端添加线图标签实战 #仿真数据
ML之MIC：利用某数据集计算机最大信息系数MIC并可视化MIC矩阵热图及其代码实现
ML之MIC:利用某数据集计算机最大信息系数MIC并可视化MIC矩阵热图及其代码实现目录利用某数据集计算机最大信息系数MIC并可视化MIC矩阵热图及其代码实现实现结果实现代码利用某数据集计算 ...

使用R进行微阵列可视化（红绿热图）

目录