热图是一种常用的数据可视化方法，它可以清晰地展示数据在不同条件下的变化情况。而pheatmap是一个R语言中用于绘制热图的包，它可以绘制美观、清晰的热图，是数据科学家和图形分析师的常用工具之一。本文将从以下几个方面详细介绍如何使用pheatmap制作高质量热图。
一、pheatmap的基本用法
pheatmap最基本的函数是pheatmap()，常用的参数有以下几个：
- data：需要制作热图的数据，必填参数。
- scale：是否对数据进行标准化处理，可以是行、列或整张图片。如果设为“row”，表示按行标准化；同理，设为“column”表示按列标准化。如果想将整张图片标准化，则设为“none”。默认为“row”，即对每一行进行标准化处理。
- colorRampPalette：用于指定颜色条中使用的颜色序列。例如，colorRampPalette(c(“white”,”blue”))可以生成一个从白色到蓝色的渐变色条。
- cluster_rows/cluster_cols： 是否需要进行层次聚类，可以设为“TRUE”或“FALSE”。如果设为“TRUE”，则对行/列进行层次聚类；反之则不进行层次聚类。
- fontsize_row / fontsize_col：行/列标签的字体大小，默认为12。
下面是一个pheatmap的最基本示例：
library(pheatmap) data(mtcars) # pheatmap自带的一份数据集 pheatmap(mtcars)
运行以上代码，可以得到一张基本的热图，如下图所示：
二、自定义热图外观
1、修改颜色条
颜色条是热图中的重要组成部分，可以用来展示不同数值的取值范围。pheatmap包中可以通过colorRampPalette()函数自定义颜色条的颜色序列。例如，在默认的渐变色条中间添加白色，可以使用以下代码：
data(mtcars)
pheatmap(mtcars,
colorRampPalette = c(colorRampPalette(c("navy","white")),
colorRampPalette(c("white","firebrick"))))
运行以上代码，可以得到如下的热图：
2、修改行列标签
通过fontsize_row和fontsize_col参数，可以控制行列标签的字体大小。实例如下：
data(mtcars) pheatmap(mtcars,fontsize_row = 10,fontsize_col = 8)
运行以上代码，可以得到如下的热图：
可以看到，行列标签的字体大小分别为10和8。
3、修改图像尺寸
使用cellwidth和cellheight参数可以修改热图中单元格的大小，从而改变整张热图的大小。例如，使用以下代码可以将热图的宽度和高度均设为500px:
data(mtcars) pheatmap(mtcars, cellwidth = 20, cellheight = 20)
运行以上代码，可以得到如下的热图：
三、进阶用法
1、使用pheatmap函数内部的数据转换函数
使用pheatmap函数内部的数据转换函数，可以将数据处理成适合绘制热图的形式。常用的数据转换函数有：
- center_scale：标准化处理。对数据进行中心化和缩放，使每个特征的均值为0，方差为1。
- log2：对数据进行取对数操作，通常用于RNA-seq等高量表达数据的处理。
- discretize：将数据离散化。例如，可以将连续的百分比数据分为0-25%、25%-50%等多个离散化的区间。
- convert_to_binary：将数据转化为二元值。例如，可以将表达量高于某个阈值的基因标记为1，其他标记为0。
下面是一个用center_scale函数对mtcars数据进行标准化的示例：
data(mtcars) pheatmap(center_scale(mtcars))
运行以上代码，可以得到如下的热图：
2、使用自定义的聚类算法
在pheatmap中，可以使用row_cluster和col_cluster参数来控制是否进行行/列聚类，但是默认的聚类方法是基于欧几里得距离的层次聚类。如果希望使用自定义的聚类算法，可以使用pheatmap函数的breaks参数。
下面是一个使用kmeans排序法进行聚类的例子：
library(NbClust) # 加载用于聚类的NbClust 包
data(mtcars)
dist_mat <- dist(mtcars) # 生成距离矩阵
km_clust <- NbClust(mtcars, distance = "euclidean",
min.nc=2, max.nc=10, method="kmeans")
clust_labels <- cbind(km_clust$Best.partition)
pheatmap(mtcars,breaks = c(0,sort(clust_labels[order(clust_labels)]),nrow(mtcars)),
cluster_rows = FALSE, cluster_cols = FALSE)
运行以上代码，可以得到如下的热图：
3、使用ggplot2中的ggplot函数进一步美化热图
pheatmap函数绘制的热图已经非常美观，但有时根据自己的需求，需要进行更多的细节控制。幸运的是，pheatmap包是基于ggplot2的，使用ggplot2的函数可以进一步美化pheatmap绘制出来的热图。
例如，可以使用ggplot2中的scale_fill_gradient()函数控制颜色条中使用的颜色序列：
library(ggplot2) data(mtcars) mat <- center_scale(mtcars) # 数据标准化处理 df = as.data.frame(mat) # 将数据转换为数据框形式，方便使用ggplot2函数 ggplot(df,aes(x = Col,y = Row,fill = Value)) + geom_tile() + scale_fill_gradient(low = "white", high = "steelblue")
运行以上代码，可以得到如下的热图：
结语
pheatmap是一款功能强大、易于使用的热图制作工具，它可以绘制出美观、清晰的热图。通过本文所述的基本用法、自定义热图外观的方法以及进阶用法，相信大家已经了解了pheatmap的基本操作，可以根据自己的需求进行深入的研究和使用。
原创文章，作者：小蓝，如若转载，请注明出处：https://www.506064.com/n/240188.html
微信扫一扫 
支付宝扫一扫 