前言
NGS系列文章包括NGS基础、转录组分析 (Nature重磅综述|关于RNA-seq你想知道的全在这)、ChIP-seq分析 (ChIP-seq基本分析流程)、单细胞测序分析 (重磅综述:三万字长文读懂单细胞RNA测序分析的最佳实践教程 (原理、代码和评述))、DNA甲基化分析、重测序分析、GEO数据挖掘(典型医学设计实验GEO数据分析 (step-by-step) - Limma差异分析、火山图、功能富集)等内容。
pheatmap
是简单常用的热图绘制包,可以快速、简单、可定制的绘制漂亮热图。具体见R语言学习-热图简化和免费高颜值可定制在线绘图工具 ImageGP。
现在要解决的一个问题是图出来了,想看下转换后用于绘图的表格,也就是获取聚类后的矩阵和聚类标准化后的矩阵。
生成测试数据
mat <- matrix(rnorm(30), nrow=5)
colnames(mat) <- paste('sample', 1:6, sep='_')
rownames(mat) <- paste('gene', 1:5, sep='_')
mat
结果如下
## sample_1 sample_2 sample_3 sample_4 sample_5 sample_6
## gene_1 -0.3286368 0.3153119 -0.7730821 -0.85242874 -0.5303812 0.5088226
## gene_2 -1.3153020 0.3193550 0.4496518 -1.08782734 1.7620763 -0.9312810
## gene_3 0.6545161 -0.8220414 -1.1916559 0.04775437 0.2814619 1.8720241
## gene_4 1.0810986 0.2298092 -0.3615045 0.70162614 1.8572989 0.7250737
## gene_5 -1.8931573 2.7013864 0.5049798 -0.13541785 -1.7796036 -0.3185864
绘图
library(pheatmap)
# 绘图同时存储绘图结果
(a <- pheatmap(mat, cluster_rows = T, cluster_cols = T))
# 查看绘图数据的结构
# 直接查看会很大,这里只展示其前2层
# str: structure
str(a, max.level = 2)
# Rstudio中
# View(a)
结果如下
## List of 4
## $ tree_row:List of 7
## ..$ merge : int [1:4, 1:2] -1 -4 -2 -5 -3 1 2 3
## ..$ height : num [1:4] 2.4 3.21 4.38 5.56
## ..$ order : int [1:5] 5 2 4 1 3
## ..$ labels : chr [1:5] 'gene_1' 'gene_2' 'gene_3' 'gene_4' ...
## ..$ method : chr 'complete'
## ..$ call : language hclust(d = d, method = method)
## ..$ dist.method: chr 'euclidean'
## ..- attr(*, 'class')= chr 'hclust'
## $ tree_col:List of 7
## ..$ merge : int [1:5, 1:2] -1 -6 -2 -5 3 -4 1 -3 2 4
## ..$ height : num [1:5] 1.98 2.29 2.55 3.78 5.21
## ..$ order : int [1:6] 2 3 5 6 1 4
## ..$ labels : chr [1:6] 'sample_1' 'sample_2' 'sample_3' 'sample_4' ...
## ..$ method : chr 'complete'
## ..$ call : language hclust(d = d, method = method)
## ..$ dist.method: chr 'euclidean'
## ..- attr(*, 'class')= chr 'hclust'
## $ kmeans : logi NA
## $ gtable :List of 6
## ..$ grobs :List of 6
## ..$ layout :'data.frame': 6 obs. of 7 variables:
## ..$ widths :List of 6
## .. ..- attr(*, 'class')= chr [1:2] 'unit.list' 'unit'
## ..$ heights :List of 5
## .. ..- attr(*, 'class')= chr [1:2] 'unit.list' 'unit'
## ..$ respect : logi FALSE
## ..$ rownames : NULL
## ..- attr(*, 'class')= chr [1:4] 'gtable' 'gTree' 'grob' 'gDesc'
## - attr(*, 'class')= chr 'pheatmap'
重新排列行和列
mat_cluster <- mat[a$tree_row$order, a$tree_col$order]
mat_cluster
完成提取
## sample_2 sample_3 sample_5 sample_6 sample_1 sample_4
## gene_5 2.7013864 0.5049798 -1.7796036 -0.3185864 -1.8931573 -0.13541785
## gene_2 0.3193550 0.4496518 1.7620763 -0.9312810 -1.3153020 -1.08782734
## gene_4 0.2298092 -0.3615045 1.8572989 0.7250737 1.0810986 0.70162614
## gene_1 0.3153119 -0.7730821 -0.5303812 0.5088226 -0.3286368 -0.85242874
## gene_3 -0.8220414 -1.1916559 0.2814619 1.8720241 0.6545161 0.04775437
(a <- pheatmap(mat, scale='row', display_numbers = T))
直接提取不太方便。这可以自己先对数据scale
标准化处理,再排序。
mat_scale <- round(t(apply(mat, 1, scale)),2)
colnames(mat_scale) <- colnames(mat)
mat_scale
最终结果
mat_cluster <- mat_scale[a$tree_row$order, a$tree_col$order]
mat_cluster
## sample_2 sample_3 sample_5 sample_6 sample_1 sample_4
## gene_3 -0.88 -1.22 0.13 1.58 0.47 -0.08
## gene_4 -0.63 -1.42 1.53 0.03 0.50 -0.01
## gene_2 0.38 0.49 1.59 -0.67 -0.99 -0.80
## gene_1 1.04 -0.87 -0.45 1.38 -0.09 -1.01
## gene_5 1.69 0.39 -0.96 -0.10 -1.03 0.01
其他的图也都类似了,主要是获取变量的结构信息。
联系客服