原文链接：http://tecdat.cn/?p=23891

能够应用环状图形展现基因数据比拟。能够增加多种图展信息，如热图、散点图等。

本文指标:

• 可视化基因组数据

制作环形热图

环形热图很漂亮。能够通过 R 来实现环形热图。

首先，让咱们生成一个随机矩阵，并将其随机分成五组。

mat1 = rbind(cbind(matrix(rnorm(50*5, mean = 1), nr = 50), 
                   matrix(rnorm(50*5, mean = -1), nr = 50)),
             cbind(matrix(rnorm(50*5, mean = -1), nr = 50), 
                   matrix(rnorm(50*5, mean = 1), nr = 50))
            )

上面的图是热图的失常布局。
 

Heatmap(mat1, row_split = split)

在接下来的章节中，我将演示如何将其可视化。

输出数据

heatmap()的输出应该是一个矩阵（或者一个将被转换为单列矩阵的向量）。如果矩阵被宰割成组，必须用 split 参数指定一个分类变量。留神 spilt 的值应该是一个字符向量或一个因子。如果它是一个数字向量，它将被转换为字符。

色彩是矩阵中数值的重要美学映射。用户必须用用户定义的色彩模式指定 col 参数。如果矩阵是间断数字，如果矩阵是字符，col 的值应该是一个命名的色彩向量。

上面的图是之前热图的圆形版本。请留神，矩阵的行沿圆形方向散布，矩阵的列沿径向方向散布。在上面的图中，圆形被分成五个局部，每个局部对应一个行组。

heatmap(mat1col_fun1)

有一件事十分重要，那就是在创立圆形热图之后，你必须齐全删除布局。

如果没有指定 split，就只有一个大的扇区蕴含残缺的热图。

环形布局

与生成的其余圆形图相似，环形布局能够在制作图之前由 par()管制。

热图轨道的参数能够在 circos()函数中管制，如 track.height（轨道的高度）和 bg.border（轨道的边界）。

在上面的例子中，通过设置 show.sector.labels 参数，减少了扇区的标签。扇区的程序是 c(“a”, “b”, “c”, “d”, “e”)，按时钟方向排列。你能够在上面的图中看到，a 扇区从 \(\theta = 90^{\circ}\)开始。

heatmap(bg.border)

如果 split 参数的值是一个因子，那么因子程度的顺序控制热图的程序。如果 split 是一个简略的向量，热图的程序是 unique(split)。

# 留神，因为在前一个图中调用了 circos.clear()。# 当初布局从 theta = 0 开始（第一个扇区是 'e'）。heatmap(levels = c("e", "d", "c", "b", "a))

树状图和行名

默认状况下，数字矩阵是按行聚类的，因而，有聚类产生的树状图。side 参数管制树状图绝对于热图轨道的地位。留神，树枝图是在一个拆散的轨道上。

heatmap(dend.side = "inside")

树状图的高度是由 dend.track.height 参数管制的。

矩阵的行名能够通过设置 rownames.side 参数来绘制。行名也会被绘制在一个拆散的轨道中。

heatmap(rownames.side = "inside")

矩阵的行名和树状图能够同时绘制。当然，它们不能在热图轨道的同一侧。

dend.side = "inside", 
    rownames.side = "outside"

行名的图形参数能够设置为标量或向量，长度与矩阵中的行数雷同。

heatmap(col = col_fun1, rownames.side = "outside")

树状图的图形参数能够通过回调函数间接渲染树状图来设置，这一点将在前面演示。

聚类

默认状况下，数字矩阵是按行聚类的。cluster 参数能够设置为 FALSE 来敞开聚类。

当然，当 cluster 被设置为 FALSE 时，即便 dend.side 被设置，也不会绘制树状图。

聚类办法和间隔办法由 clustering.method 和 distance.method 参数管制。

请留神 heatmap()不间接反对对矩阵列的聚类。你应该在应用 heatmap()之前利用列的从新排序，例如。

hclust(dist(t(mat1)))$order

对树状图的回调

聚类产生树状图。回调函数能够在每个树状图生成后利用于相应的类。回调函数能够编辑树状图，例如：1. 重新排列树状图，或者 2. 给树状图着色。

在 circos.heatmap()中，一个用户定义的函数应该被设置为 callback 参数。该用户定义的函数应该有三个参数。

• dend: 以后扇区的树状图。
• m: 与以后扇区绝对应的子矩阵。
• si: 以后扇区的扇区索引（或扇区名称）。

默认的回调函数定义如下，它通过对矩阵行均值加权来重新排列树状图。

reorder(dend, rowMeans(m))

上面的例子通过 dendsort()对每个扇区的树状图从新排序。

heatmap( col = col_fun1, dend.side = "inside",
        dendsort(dend)
    }

咱们能够应用 color()来渲染树状图的边缘。例如，为五个区的树枝图调配不同的色彩。这里，树枝图轨道的高度由 height 参数减少。

    den = function(dend, m, si) {
        # 当 k = 1 时，它为整个树状图渲染一种雷同的色彩
        color\_branches(dend, k = 1, col = dend\_col\[si\])

或者如果矩阵没有被宰割，咱们能够给子树状图调配不同的色彩。

        color_branches(dend, k = 4, col = 2:5)

多个热图轨迹

如果你制作的环状图只蕴含一个热图轨迹，应用 heatmap()是非常简单的。如果你制作一个蕴含多个轨道的更简单的环状图，你应该理解对于 heatmap()的更多细节。

heatmap()的第一次调用实际上是初始化布局，即利用聚类和拆分矩阵。树状图和宰割变量是外部存储的。这就是为什么你应该明确地调用 clear()来删除所有的外部变量，这样能够确保当你制作一个新的圆形热图时，heatmap()的第一次调用是在一个新的环境中。

heatmap()的第一次调用决定了所有轨道的行程序（循环方向的程序），因而，接下来的轨道中的矩阵共享与第一个轨道中雷同的行程序。另外，前面轨道中的矩阵也会依据第一个 heatmap 轨道中的宰割状况进行宰割。

如果在第一个热图轨道中没有利用聚类，则应用行的天然排序（即 c（1，2，…，n））。

mat1\[sample(100, 100), \] # 按行随机排列 mat1
heatmap(mat1,  split, col_fun1, dend.side = "outside")

如果我切换两个轨道，你能够看到当初的聚类是由第一个热图轨道控制的，也就是蓝 - 红热图轨道。

heatmap(mat1, col = col_fun2)

你可能想问，如果我不心愿聚类是由第一个轨道决定的，而第二个或第三个轨道呢？解决办法很简略。实际上，初始化能够通过明确调用 initialize()函数来手动实现。

在 initialize()中，你指定你想利用聚类的任何矩阵以及宰割变量，而后，上面的 heatmap()调用都共享这个布局。

在上面的例子中，全局布局是由 mat1 决定的，它在第二个轨道中被可视化。我在第一个轨道中设置了 side = “outside”，实际上你能够发现树状图实际上是依据第二个轨道中的矩阵生成的。

circos.heatmap.initialize(mat1, split = split)

在下一个例子中，热图布局是由 mat1 生成的，而两个热图轨道别离只蕴含五列。

initialize(mat1, split = split)

与其余轨道 整合

其余非热图轨道整合。在环形布局中，x 轴和 y 轴上的值只是数字索引。假如在一个扇形区域内有 nr 行和 nc 列的热图，热图行的绘制距离为（0，1），c（1，2），...，c（nr-1，nr），热图列也相似。同时，原始矩阵也被从新排序。如果减少更多的轨道，须要思考所有这些影响，以确保与热图轨道有正确的对应关系。

热图布局实现后，轨道 / 扇区 / 单元的额定信息能够通过非凡变量 CELL_META 来检索。单元 / 扇区的附加元数据列举如下，它们对于正确对应热图轨道十分重要。

• CELL_META$row_dend 或简称 CELL_META$dend：以后扇区的树状图。如果没有进行聚类，则该值为 NULL。
• CELL_META$row_order 或简称 CELL_META$order：聚类后以后扇区中子矩阵的行排序。如果没有进行聚类，其值为 c(1, 2, ...,)。
• CELL_META$subset。原始残缺矩阵中指数的子集。这些值的排序是递增的。

以下是 CELL\_META$row\_dend、CELL\_META$row\_order 和 CELL_META$subset 在循环热图例子中的第一个扇区的输入。

row_order

subset

在上面的例子中，我增加了一个轨迹，它将 mat1 中前五列的行平均值可视化。我增加了 cell.padding = c(0.02, 0, 0.02, 0)，这样最大和最小的点就不会与单元格的高低边界重叠了。

track(ylim = range(row_mean{lines(CELL_META$cell.xlim, c(0, 0),
   points(seq_along(y) - 0.5, y, )

同样地，如果把点数轨道作为第一条轨道，则应当时对布局进行初始化。

initialize(mat1, split = split)
# 这与后面的例子雷同
track(ylim = range(row_mean), panel.fun = function(x, y) {circose(y > 0, "red", "blue"))
}, cell.padding = c(0.02, 0, 0.02, 0))
 # 不须要在这里指定 "宰割"。

Boxplots 被用来对应矩阵的行。

circos.heatmap(mat1, split = split, col = col_fun1)
circos.track(ylim = range(mat1), panel.fun = function(x, y) {m = mat1\[CELL_META$subset, 1:5, drop = FALSE\]
    m = m\[CELL\_META$row\_order, , drop = FALSE\]
    n = nrow(m)
    # circos.boxplot is applied on matrix columns, so here we transpose it.
    circos.boxplot(t(m), pos = 1:n - 0.5, pch = 16, cex = 0.3)
    circos.lines(CELL_META$cell.xlim, c(0, 0), lty = 2, col = "grey")
}, cell.padding = c(0.02, 0, 0.02, 0))

增加正文

能够通过设置 abels = TRUE 来增加区块的标签，然而，这并不提供对标签的任何定制。用户能够通过定义 fun 函数来定制本人的标签，演示如下。

heatmap(col = col_fun1)
circos.track
        adj = c(0.5, 0), niceFacing = TRUE)

heatmap()不间接反对矩阵的列名，但也能够通过自行定义 fun 函数轻松增加。在上面的例子中，我通过 par()中的 after 参数在最初一个扇区（第五扇区）后设置了较大的空间（10 度，用户通常须要尝试几个值来获得最佳空间），之后我在 fun 中绘制了最初一个扇区中的列名。

par(gap.after = c(2, 2, 2, 2, 10))
heatmap(mat1, split , col = col_fun1)
track(track.index = 1}, bg.border = NA)

下一个例子增加了矩形和标签来显示矩阵中的两组列。fun 外面的代码很简略。convert_x()将 x 方向上的单位转换为环形坐标系中测量的适当数值。

par(gap.after = c(2, 2, 2, 2, 10))
heatmap(mat1, split , col = col_fun1)
track(track.index = 1
        circos.text(cell.xlim\[2\] + convert_x(3, "mm"), 7.5,
}, bg.border = NA)

circlize 不生成图例，然而图例能够由 Legend()函数手动生成并增加到圆形图中。上面是一个增加图例的简略例子。在下一节中，你能够找到一个增加许多图例的更简单的例子。

heatmap(mat1, split = split)
clear()
grid.draw(lgd)

一个简单的圆形热图的例子

在本节中，我将演示如何制作简单的圆形热图。下图是失常布局的热图，当初我将用圆形布局扭转它们。

热图直观地显示了 DNA 甲基化、基因表白和其余基因组程度信息之间的相关性。

原始热图是用随机数据集生成的。

与原始热图相似，通过对甲基化矩阵（mat_meth）的行进行 k -means 聚类，将所有热图的行分成 5 组。

km = kmeans(mat_meth, centers = 5)$cluster

当初有以下矩阵 / 向量须要被可视化为热图。

• mat：一个矩阵，其中各行对应不同的甲基化区域（DMRs）。矩阵中的值是每个样本中 DMR 的均匀甲基化程度。
• expr：一个矩阵，其中的行对应于与 DMR 相干的基因（即与 DMR 最近的基因）。矩阵中的值是每个样本中每个基因的表白程度。每个基因在不同样本中的表白量是有比例的。
• direction：甲基化变动的方向（hyper 示意肿瘤样本中甲基化程度较高，hypo 示意肿瘤样本中甲基化水平较低）。
• pvalue：甲基化和相干基因表白之间的相干测试的 P 值。数值是 -log10 转换的。
• type：基因的类型（如蛋白质编码基因或林肯 RNAs）。
• gene：对基因模型的正文（即基因间、基因内或转录起始地位（TSS））。
• dist：从 DMRs 到被鉴定基因的 TSS 的间隔。
• enhancer：每个 DMR 中与增强器重叠的局部。

在这些变量中，mat\_meth、mat\_expr、cor\_pvalue、dist 和 anno\_enhancer 是数字变量，我为它们设置了色彩映射函数。对于其余变量，我设置了命名的色彩向量。

在上面的代码中，我在 heatmap()的第一次调用中指定了决裂，这是甲基化热图。轨道的高度是手动调整的。

col_meth = colorRamp2(c(0, 0.5, 1), c("blue", "white", "red"))
heatmap(mat, split col_meth, track.height = 0.12)

循环热图看起来很美! 因为矩阵中的行是基因组区域（差别甲基化区域），如果咱们能在一些区域之间建立联系，例如三维染色体构造中的物理相互作用，那么这个图就会更丑陋、更有用。

在上面的代码中，我在 DMRs 之间生成一些随机的相互作用。df_link 中的每一行意味着有一个从第 i 个 DMR 到第 j 个 DMR 的互动。

 data.frame(
    from_index 
    to_index

在圆形热图上找到这些 DMR 的地位是很辣手的。请看上面代码中的正文。留神这里的子集和行序元数据是通过 get.data()函数明确指定扇形索引来检索的。

for(i in seq_len(nrow)) {# 让咱们把索引为 df\_link$from\_index\[i\]的 DMR 称为 DMR1。# 另一个索引为 df\_link$to\_index\[i\]的为 DMR2。# DMR1 所在的扇区。group1 = km\[from_index\[i\] \]。# DMR2 所在的扇区。group2 = km\[to_index\[i\] \]。# 区块 \`group1\` 中的 DMRs 子集（来自 mat_meth 的行指数）。data("subset", sector.index = group1)
    # 扇区 \`group1\` 中的行排序。data("row_order", sector.index = group1)
    # 这是 DMR1 在 \`group1\` 热图中的地位。which(subset1\[row\_order1\] == from\_index\[i\])

    # 区块 \`group2\` 中的 DMRs 子集（来自 mat_meth 的行指数）。data("subset", sector.index = group2)
    # 扇区 \`group2\` 中的行排序。ret.data("r sector.indexoup2)
    # 这是 DMR2 在 \`group2\` 热图中的地位。index\[i\])

    # 咱们取两头的点，在 D 和 DMR2 之间画一个链接
   link(group1, x1 - 0.5, grup2,col = rcoor(1))

我实现了一个函数。当初绘制矩阵行之间的链接更简略。

for(i in seq\_len(nrow(df\_link))) {heatmap.link(from\[i\],
                        to_index\[i\],
                       color(1))
}

增加链接后，绘图看起来更丑陋了!

图例对于了解热图十分重要。

绘制圆形图的函数只是后面代码的一个封装，没有任何批改。

图例对于了解热图十分重要。依照该链接的阐明，咱们须要一个绘制圆形图的函数和一个 Legends 对象。

当初咱们应用 gridBase 来联合根底图形和网格图形。

h = dev.size()\[2\]

draw(lgd_list, x = circle, just = "left")

最受欢迎的见解

1.R 语言动态图可视化：如何、创立具备精美动画的图

2.R 语言生存剖析可视化剖析

3.Python 数据可视化 -seaborn Iris 鸢尾花数据

4.r 语言对布丰投针（蒲丰投针）试验进行模仿和动静

5.R 语言生存剖析数据分析可视化案例

6.r 语言数据可视化剖析案例：摸索 brfss 数据数据分析

7.R 语言动静可视化：制作历史寰球平均温度的累积动静折线图动画 gif 视频图

8.R 语言高维数据的主成分 pca、t-SNE 算法降维与可视化剖析案例报告

9.python 主题 LDA 建模和 t -SNE 可视化