你想找辆共享单车，发现满街都是别家车，没有一辆你能骑。
你想学点生信，搜了“初学者教程”，满眼尽是高大上，没有一句能看懂。
终于你跨越茫茫宇宙，来到生信星球，发现了初学者的新大陆！
今晚听了Y叔之前的学术分享视频R与ggtree，想和你分享
进化领域中树这个文件结构是比较复杂的，构建树的过程就是把数据关联到文件格式中便于可视化的过程，这种关联格式主要有：
标准格式之一 newick
标准格式之二 nexus：软件间兼容性不好
其他一些不兼容格式
如果只是想推断一棵树，大多数只用mega。但是现在的研究会获得大量的数据(phenotypic data/ experimental data/ clinical data/ analysis data)，而且是异质性的，比如采样时间、地点，表型的观察值，实验测量数据等都是可以拿来分析有没有进化上的一些关系，mega远远不够用！但是上面的数据关联格式又不友好～
树的注释：
Figtree，TreeDyn, iTOL etc 这些软件之间也是需要互相写脚本转换格式
restricted to pre-defined annotating utilities
focus on specific analyses and data types
non-overlapping features and hard to customise
ggtree优势：
他的设计就是针对不同来源的数据，拿来可以直接注释
支持高水平图形语法进行树的注释：比如有一个分类数据，要根据这个对进化树上色，并且不同节点以不同形状变现出来。指定一个变量，ggtree就会做完所有的事情
支持多个图层组合，可以画出很复杂的图
可以提供用户的私人订制
作为R包，能够保证可重复性，自动化，利于同行的交流
为什么要写代码作图，而不是简单的点点鼠标？
同样的数据，代码会赋予它更深的内涵
鼠标操作的都是套路化的东西，你会别人也会，就像公司做的图都很sexy，但是他们并不关系你的数据体现了什么价值。只有在自己通过不断完善代码的过程中，才会对自己的数据有更深的理解，才有可能挖掘更多的信息。
现在有许多一步出图，网站工具出图，很低的学习成本，做的图数量可能也不少，但是很多时候，自己都不知道这些图是怎么出来的，另外低学习成本的工具是不提供太多的拓展空间的。不知道你有没有这样的体会，在网站上做了一个图，很好看，基本符合预期，但是有一些线条形状/颜色或者图例位置需要改动，而网站上也没有这种设置，那么只好自己吭哧吭哧用PS、AI去编辑。心想：头脑中的图片很清楚，但为什么没有工具能帮我实现他的样子呢？于是，代码的价值就在这里
代码会带给自己一种能力，去探索自己的数据，就像在玩魔方，不同角度的观察就有不同的解答
可视化对于我们的作用：
有了结果，需要展示给其他人
还没有结果，甚至不知道从何下手，他可以帮你找到一些潜在的研究方向
为什么做生信分析必备R？
开源免费
很庞大的社区
【Bionconductor 基本你能想到的组学上的东西，别人都能提供帮助】
强大可视化功能
R的图形语法目前有两大类：
base：就像纸笔模型【不带橡皮擦】，直接出图做了不能撤销
【打开R就加载】
grid 【包括 lattice + ggplot2】
降低入门门槛；
不直接出图，导出的是一个图形对象，可以继续编辑【相当于带了橡皮擦】
画图是画在当前活动窗口
lattice：【安装R时装好，但需要自己加载】
处理多维数据；
使用grid修改细节，比ggplot2简单
ggplot2: 【需要自己安装并加载】
使用图形语法，不用纠结太细枝末节的东西（比如那条线用什么颜色，它会帮你上色）；
作图更美观
【图形都是点--线--面组合起来的】
ggplot2最基本的元素：
数据data + 几何对象geom（用于映射数据）+ 坐标（一般都是笛卡尔）
geom又包括了：
美学aesthetics：描述了可视化的特征（比如数据中对应点的位置、大小、颜色、形状）
标尺scales：可视化的东西如何转为可以显示的值（比如取色范围、点映射范围），比如画气泡图就是把点的映射范围放大
ggplot2作图模版：
ggplot()+
geom_... ([data=data frame]
[aes(variable mappings)--关于映射设定]
[non-variable adjustments]--全局设定)
下面就是数据和图片的对应关系：
散点图关于Length和Width的，根据Species上色
复杂的图片就对应许多的图层layer，就像PS一样：
【这张图看明白，就掌握了ggplot2的精髓，同时对以后使用ggtree也大有帮助】
归根结底：时刻记着做图的目的，是要呈现数据，而不是把图搞得多么漂亮。数据可视化的精髓在于探索数据～推荐学习ggplot2和grid
联系客服
