干货|高逼格的sci图片手把手教学

这两周在几个生信交流群里都看到了有人在问上面这张图的做法，刚好就写了一下作为推送。没有问出处是哪篇文献，所以以下用来分析的数据就是我自己胡编的喽。

首先分析一下图，不是很清楚，大家将就看一下吧。A就是一个散点图，根据Risk Score进行了sort，用基础的plot或者ggplot就能画一个一毛一样的。B也是一个散点图，我习惯用ggplot，只需要把生存状态映射给颜色就可以了。C是一个没有聚类的热图，用pheatmap就可以做出来了。

实在不想去TCGA下载数据整理再来做推送了，机（lan）智（duo）的我直接在R包ggplot2里面找了一组数据，然后把行名给改了，处理了一下，和代码一起放在网盘里，不嫌弃的话可以直接去下载用来练习。

A 散点图

用ggplot2做的图，先做一个散点图，然后去掉x轴标签，再删除x轴刻度。点的形状、大小那些细节大家可以自己把握。文献图中的竖线调用geom_vline()，设置一下显示部位就可以了。刻度大小调用

Scatter Plots

install.packages("ggplot2")

library(ggplot2)

mydata <- read.table("witty.txt",sep = "\t",header=T,stringsAsFactors = F,na.strings = "")

p = ggplot(mydata,aes(x=seq,y=risk))+

geom_point(shape=21,color="black",fill="white",sort(aes(mydata$seq)))+

labs(x="",y="Risk Score") #设置坐标轴标签，也可以用axis.title.x = element_blank()处理x轴标签

p + ylim(0,6)+

theme_bw()+

theme(axis.line = element_line(color="black"), #设置坐标轴线

axis.text.x = element_blank(), #删除x轴刻度

axis.text.y = element_text(size = 10))

B 生存情况

这个表示生存情况的图和我们平时看到的K-M曲线不太一样，但是这个图也是很好画的，同样用ggplot2就可以了。和上面的那个散点图差不多，只是这里多了一个把生存状态映射给颜色的步骤。在geom_point里面调用color就OK了。另外，我们平常看到的图都是绿色表示Live，红色表示Dead，所以最后又调用了scale_color_manual()对颜色进行了设置。

Survival Graph

library(ggplot2)

survdata <- read.table("witty.txt",sep = "\t",header=T,stringsAsFactors = F,na.strings = "")

survdata$state <- factor(survdata$state)

sg <- ggplot(survdata,aes(x=seq,y=OS,color=state))+

geom_point(shape=21,sort(aes(survdata$seq)))+

ylab("Survival time in years")

final <- sg + theme_bw()+

theme(axis.line = element_line(color = "black"),

axis.text.x = element_blank(),

axis.title.x = element_blank(),

axis.text.y = element_text(size = 10))

final + labs(color="state")+

scale_color_manual(values = c("red","green"))

C 热图

忘记RNA-Seq的那篇推送有没有说热图的绘制了。绘制热图的R包有很多，比较习惯用pheatmap，做的图比较漂亮，也很方便，甚至只要把表达数据导入RStudio，然后直接调用pheatmap就能做出聚类图了，具体的用法大家可以去下载说明书研究一下。

pheatmap的缺点可能就是横坐标只能垂直显示吧。最后，导出文件时最好是在pheatmap()中调用filename="xx.pdf"，别问我怎么知道的，某次用pdf()作图打开输出文件PDF时是空白的，最后发现竟然有两页，图在第2页。

heapmap

install.packages("pheatmap")

library(pheatmap)

mydata <- read.table("miExpr.txt",sep = "\t",header=T,row.names = 1,stringsAsFactors = F,na.strings = "")

pheatmap(mydata,cluster_rows = F,cluster_cols = F,show_rownames = T,show_colnames = T)

col_anno <- data.frame(SampleType=rep(c("Normal","Cancer"),c(16,16)),row.names= colnames(mydata)) #样本分组信息

anno_color <- list(SampleType = c(Normal="green",Cancer="red")) #设置样本颜色

pheatmap::pheatmap(mydata,scale = "column",show_colnames = F,

cluster_rows = F,cluster_cols = F,

annotation_col = col_anno,annotation_colors = anno_color)

这周就这么多咯，主要分析了文献里面的一个实例。代码和数据可以在网盘中下载，ggplot2的说明书也放在里面了，链接：https://pan.baidu.com/s/1WFYQdwWIqczJ1wZnP_cXeA 密码：1cvs。

这次没有碎碎念，同样欢迎大家投稿和交流，有趣的案例或者是有什么问题都可以，或者只是交换一下学习资料或者分享学习资料也是OK的。

不会搞科研的医生不是好厨子，欢迎大家来厨房找我玩，虽然你们肯定找不到我hahahahaha~~~~~~

PS：大家要是觉得这个公众号还OK的话可以推荐给同学或者同事啊，比无数个心心

欢迎关注生信人

一个物种一个家

1对1 VIP培训服务

TCGA | 小工具 | 数据库 |组装| 注释 | 基因家族 | Pvalue

基因预测 |bestorf | sci | NAR | 在线工具 | 生存分析 | 热图

舞台|基因组 | 黄金测序 | 套路 | 杂谈组装 | 进化 | 测序简史

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。