RNA-seq視覺化[2]——如何讓你的熱圖“熱”起來
背景
熱圖（heatmap）
在RNA-seq資料中表示不同組織/細胞等樣本或重複之間不同基因或重複序列等的表達水平
差異
。同時也可以透過
聚類
的方式呈現不同樣本中不同基因的表達變化，從而呈現差異結果。而這種差異可以透過熱圖更好的可視化出來。
資料準備
在我們繪製熱圖之前，首先需要我們已經
標準化
後的RNA-seq
相對定量
結果。我們對於
標準化
存在不同的計算方式，目前主要的就是以下幾種：
1）
RPM(CPM)
=Total
exon reads
/ Mapped reads（Millions）；
2）
RPKM
=Total exon reads/［Mapped reads（Millions）*Exon length（Kb）］；
3）
RPKM
=Reads Per Kilobase Million； FPKM=Fragments（2×Reads） per Kilobase Million （RPKM is for single-end RNA-seq， FPKM is for paired-end RNA-seq）；
Gene/Repeat name
sample1/2/3/。。。
A， B， C， 。。。
RPM（CPM）/RPKM/FPKM
繪製熱圖
一般的表達
矩陣
類似於下圖所示，我們可以將其儲存為。csv格式，便於R讀取（當然，也可以是。xlsx或者。txt格式）。最左側表示gene名稱，每一列代表一個樣本，而數字代表的就是表達量。我們就可以透過表達量來繪製我們需要的熱圖。
![RNA-seq視覺化[2]——如何讓你的熱圖“熱”起來](https://img.beesask.com/upload/website_attach/Obi8eHrnMHW-OVm2WfJkOWd+oGHIOg8GX3MGGGrgO0AzNMO5NPw6XT25D-ScWPxMX0=CGjeRZeQtNELuWpJANwn4O.jpeg)
forheatmap <- read。csv（file = ‘for_heatmap。csv’，header = T）
rownames（forheatmap） <- forheatmap［，1］
forheatmap <- forheatmap［，-1］
pheatmap：：pheatmap（forheatmap，scale = ‘row’，cluster_col = F，show_rownames=T，angle_col = 0）
將我們的表達矩陣儲存在Rproject的資料夾中，再執行以上的R scripts，我們就可以得到我們的熱圖了！（是不是很簡單~）
![RNA-seq視覺化[2]——如何讓你的熱圖“熱”起來](https://img.beesask.com/upload/website_attach/+KxKR5+rc4fUaa2QmZ98eZ4o332rIR952lup3sOv1KhgZaXtbJn10AyijNCOhlYVenepiQT31FA3NZ0-mJ9WdVEli.jpeg)
如果想要改變
熱圖
的顏色，顯示行名/列名，又或者想要變換其他的引數，可以在Console框中輸入
？pheatmap
來檢視pheatmap的所有引數，同時，也會有示例指令碼，可以嘗試練習以下。
Example
# Create test matrix
test = matrix（rnorm（200）， 20， 10）
test［1：10， seq（1， 10， 2）］ = test［1：10， seq（1， 10， 2）］ + 3
test［11：20， seq（2， 10， 2）］ = test［11：20， seq（2， 10， 2）］ + 2
test［15：20， seq（2， 10， 2）］ = test［15：20， seq（2， 10， 2）］ + 4
colnames（test） = paste（“Test”， 1：10， sep = “”）
rownames（test） = paste（“Gene”， 1：20， sep = “”）
# Draw heatmaps
pheatmap（test）
pheatmap（test， kmeans_k = 2）
pheatmap（test， scale = “row”， clustering_distance_rows = “correlation”）
pheatmap（test， color = colorRampPalette（c（“navy”， “white”， “firebrick3”））（50））
pheatmap（test， cluster_row = FALSE）
pheatmap（test， legend = FALSE）
# Show text within cells
pheatmap（test， display_numbers = TRUE）
pheatmap（test， display_numbers = TRUE， number_format = “\%。1e”）
pheatmap（test， display_numbers = matrix（ifelse（test > 5， “*”， “”）， nrow（test）））
pheatmap（test， cluster_row = FALSE， legend_breaks = -1：4， legend_labels = c（“0”，
“1e-4”， “1e-3”， “1e-2”， “1e-1”， “1”））
# Fix cell sizes and save to file with correct size
pheatmap（test， cellwidth = 15， cellheight = 12， main = “Example heatmap”）
pheatmap（test， cellwidth = 15， cellheight = 12， fontsize = 8， filename = “test。pdf”）
# Generate annotations for rows and columns
annotation_col
= data。frame（
CellType = factor（rep（c（“CT1”， “CT2”）， 5）），
Time = 1：5
）
rownames（annotation_col） = paste（“Test”， 1：10， sep = “”）
annotation_row = data。frame（
GeneClass = factor（rep（c（“Path1”， “Path2”， “Path3”）， c（10， 4， 6）））
）
rownames（annotation_row） = paste（“Gene”， 1：20， sep = “”）
# Display row and color annotations
pheatmap（test， annotation_col = annotation_col）
pheatmap（test， annotation_col = annotation_col， annotation_legend = FALSE）
pheatmap（test， annotation_col = annotation_col， annotation_row = annotation_row）
# Change angle of text in the columns
pheatmap（test， annotation_col = annotation_col，
annotation_row
= annotation_row， angle_col = “45”）
pheatmap（test， annotation_col = annotation_col， angle_col = “0”）
# Specify colors
ann_colors = list（
Time = c（“white”， “firebrick”），
CellType = c（CT1 = “#1B9E77”， CT2 = “#D95F02”），
GeneClass = c（Path1 = “#7570B3”， Path2 = “#E7298A”， Path3 = “#66A61E”）
）
pheatmap（test， annotation_col = annotation_col，
annotation_colors
= ann_colors， main = “Title”）
pheatmap（test， annotation_col = annotation_col， annotation_row = annotation_row，
annotation_colors = ann_colors）
pheatmap（test， annotation_col = annotation_col， annotation_colors = ann_colors［2］）
# Gaps in heatmaps
pheatmap（test， annotation_col = annotation_col， cluster_rows = FALSE， gaps_row = c（10， 14））
pheatmap（test， annotation_col = annotation_col， cluster_rows = FALSE， gaps_row = c（10， 14），
cutree_col = 2）
# Show custom strings as row/col names
labels_row = c（“”， “”， “”， “”， “”， “”， “”， “”， “”， “”， “”， “”， “”， “”， “”，
“”， “”， “Il10”， “Il15”， “Il1b”）
pheatmap（test， annotation_col = annotation_col， labels_row = labels_row）
# Specifying clustering from distance matrix
drows = dist（test， method = “minkowski”）
dcols = dist（t（test）， method = “minkowski”）
pheatmap（test， clustering_distance_rows = drows， clustering_distance_cols = dcols）
# Modify ordering of the clusters using clustering callback option
callback = function（hc， mat）{
sv = svd（t（mat））$v［，1］
dend = reorder（as。dendrogram（hc）， wts = sv）
as。hclust（dend）
}
pheatmap（test， clustering_callback = callback）
## Not run：
# Same using dendsort package
library（dendsort）
callback = function（hc， 。。。）{dendsort（hc）}
pheatmap（test， clustering_callback = callback）
## End（Not run）
想要了解更多scripts，可以在我的GitHub主頁檢視：