如何使用pheatmap製作高質量熱圖

熱圖是一種常用的數據可視化方法，它可以清晰地展示數據在不同條件下的變化情況。而pheatmap是一個R語言中用於繪製熱圖的包，它可以繪製美觀、清晰的熱圖，是數據科學家和圖形分析師的常用工具之一。本文將從以下幾個方面詳細介紹如何使用pheatmap製作高質量熱圖。

一、pheatmap的基本用法

pheatmap最基本的函數是pheatmap()，常用的參數有以下幾個：

1. data：需要製作熱圖的數據，必填參數。
2. scale：是否對數據進行標準化處理，可以是行、列或整張圖片。如果設為「row」，表示按行標準化；同理，設為「column」表示按列標準化。如果想將整張圖片標準化，則設為「none」。默認為「row」，即對每一行進行標準化處理。
3. colorRampPalette：用於指定顏色條中使用的顏色序列。例如，colorRampPalette(c(“white”,”blue”))可以生成一個從白色到藍色的漸變色條。
4. cluster_rows/cluster_cols： 是否需要進行層次聚類，可以設為「TRUE」或「FALSE」。如果設為「TRUE」，則對行/列進行層次聚類；反之則不進行層次聚類。
5. fontsize_row / fontsize_col：行/列標籤的字體大小，默認為12。

下面是一個pheatmap的最基本示例：

library(pheatmap)
data(mtcars)  # pheatmap自帶的一份數據集
pheatmap(mtcars)

運行以上代碼，可以得到一張基本的熱圖，如下圖所示：

二、自定義熱圖外觀

1、修改顏色條

顏色條是熱圖中的重要組成部分，可以用來展示不同數值的取值範圍。pheatmap包中可以通過colorRampPalette()函數自定義顏色條的顏色序列。例如，在默認的漸變色條中間添加白色，可以使用以下代碼：

data(mtcars)
pheatmap(mtcars, 
         colorRampPalette = c(colorRampPalette(c("navy","white")),
                              colorRampPalette(c("white","firebrick"))))

運行以上代碼，可以得到如下的熱圖：

2、修改行列標籤

通過fontsize_row和fontsize_col參數，可以控制行列標籤的字體大小。實例如下：

data(mtcars)
pheatmap(mtcars,fontsize_row = 10,fontsize_col = 8)

運行以上代碼，可以得到如下的熱圖：

可以看到，行列標籤的字體大小分別為10和8。

3、修改圖像尺寸

使用cellwidth和cellheight參數可以修改熱圖中單元格的大小，從而改變整張熱圖的大小。例如，使用以下代碼可以將熱圖的寬度和高度均設為500px:

data(mtcars)
pheatmap(mtcars, cellwidth = 20, cellheight = 20)

運行以上代碼，可以得到如下的熱圖：

三、進階用法

1、使用pheatmap函數內部的數據轉換函數

使用pheatmap函數內部的數據轉換函數，可以將數據處理成適合繪製熱圖的形式。常用的數據轉換函數有：

1. center_scale：標準化處理。對數據進行中心化和縮放，使每個特徵的均值為0，方差為1。
2. log2：對數據進行取對數操作，通常用於RNA-seq等高量表達數據的處理。
3. discretize：將數據離散化。例如，可以將連續的百分比數據分為0-25%、25%-50%等多個離散化的區間。
4. convert_to_binary：將數據轉化為二元值。例如，可以將表達量高於某個閾值的基因標記為1，其他標記為0。

下面是一個用center_scale函數對mtcars數據進行標準化的示例：

data(mtcars)
pheatmap(center_scale(mtcars))

運行以上代碼，可以得到如下的熱圖：

2、使用自定義的聚類演算法

在pheatmap中，可以使用row_cluster和col_cluster參數來控制是否進行行/列聚類，但是默認的聚類方法是基於歐幾里得距離的層次聚類。如果希望使用自定義的聚類演算法，可以使用pheatmap函數的breaks參數。

下面是一個使用kmeans排序法進行聚類的例子：

library(NbClust)  # 載入用於聚類的NbClust 包
data(mtcars)
dist_mat <- dist(mtcars)  # 生成距離矩陣
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)

運行以上代碼，可以得到如下的熱圖：

3、使用ggplot2中的ggplot函數進一步美化熱圖

pheatmap函數繪製的熱圖已經非常美觀，但有時根據自己的需求，需要進行更多的細節控制。幸運的是，pheatmap包是基於ggplot2的，使用ggplot2的函數可以進一步美化pheatmap繪製出來的熱圖。

例如，可以使用ggplot2中的scale_fill_gradient()函數控制顏色條中使用的顏色序列：

library(ggplot2)
data(mtcars)
mat <- center_scale(mtcars)  # 數據標準化處理
df = as.data.frame(mat)  # 將數據轉換為數據框形式，方便使用ggplot2函數
ggplot(df,aes(x = Col,y = Row,fill = Value)) + 
  geom_tile() + 
  scale_fill_gradient(low = "white", high = "steelblue")

運行以上代碼，可以得到如下的熱圖：

結語

pheatmap是一款功能強大、易於使用的熱圖製作工具，它可以繪製出美觀、清晰的熱圖。通過本文所述的基本用法、自定義熱圖外觀的方法以及進階用法，相信大家已經了解了pheatmap的基本操作，可以根據自己的需求進行深入的研究和使用。