[R语言] Heatmap绘图经验总结

Posted 2023-04-26

参考技术A 这里随机生成了25个0,1之间的均匀分布的随机数，其中，行是样本，列是特征，如图：

第一种方案绘制的Heatmap需要借助于Corrplot包，我们求出dat特征的相关系数矩阵，进一步利用corrplot函数来画图，在该包的官方文档中，对于corrplot函数的参数描述可以说是非常多，这里我给出几种常用的参数：

method 表示热力图中每一块所展示的形状，可选值有： "circle", "square", "ellipse", "number", "shade", "color", "pie"；

type 表示相关系数矩阵展示的方式，比如只展示上三角或下三角或者全部展示，可选值有：“full”，“upper"，"lower”；

tl.pos 指定文本标签(变量名称)的位置，当type=full时，默认标签位置在左边和顶部(lt)，当type=lower时，默认标签在左边和对角线(ld)，当type=upper时，默认标签在顶部和对角线，d表示对角线，n表示不添加文本标签；

diag 表示对角线上取值，默认为FALSE;

cl.pos 表示图例位置，当type=upper或full时，图例在右方，当type=lower时，图例在底部，不需要图例时，需指定该参数为n；

...
下面给出方法运用：

当然，利用corrplot函数画图可以实现图层的叠加，上面这张图就是分上下两部分完成的，其中默认的颜色样式个人觉得还是可以的，只不过对于相关系数值会根据高低颜色深浅会发生变化，对于一些相关性低的值颜色会非常浅，所以看得不是很明显。
关于这个包具体的的使用方法可以参考这位博主写的文章：

这里我们还是用方案一随机生成的矩阵，介绍用pheatmap包来绘制热力图。pheatmap包里关于绘制热力图的参数相对来说比较少，可以帮助我们快速的绘图，这里给出一些常用参数：

color 设置渐变的颜色，通常借助于colorRampPalette函数，比如说设置红黄蓝渐变，并在这之间分成50个等级，我们可以设置color=colorRampPalette(c("red","yellow","blue"))(50);

cluster_cols & cluster_rows 表示是否按行或列聚类，默认值为FALSE;

clustering_method 表示聚类方法，默认是complete,此外还"ward.D",“single”,“average”,等；

display_numbers 表示是否在heatmap里面显示数值，默认是FALSE；

show_rownames & show_colnames 表示是否显示行名或列名；

file 设置图片保存位置
...

下面给出方法运用

去掉边框线可能会好看一点：

由于是随机生成的数据，就不显示聚类的效果（只需要把cluster_row和cluster_col删掉即可），总体来说用pheatmap绘制热图会相对简单一点，但是毫不逊色于其他包绘制的热图。此外，如果想对于行或列来显示一些注释信息（annotation），比如将特征分成2类，每一类是不同的颜色，这里就可以先生成一个行名是特征，列名是分类结果的数据框，然后利用annotation_row(或col)参数，将生成的数据框赋给它即可，具体可以参考这位博主的文章：

接下来介绍的ComplexHeatmap包就比较全面了，他可以兼容pheatmap函数的所有功能，可以说是pheatmap包的加强版，能够创建更加复杂的热力图，如果你会pheatmap包的应用，那么在ComplexHeatmap包里面，你只需要指明是该包下的pheatmap函数即可使用（ComplexHeatmap::pheatmap()）。接下来列举出一些常用参数：

name 、column_title、row_title设置图例、列标题与行标题的名字；

column_title_side & row_title_side 设置列标题与行标题的位置，之注意：列标题只能跟"top"或"buttom"参数，行标题只能跟"left"或"right"参数；

column_names_side & row_names_side 设置行名与列名的位置，后面跟的是位置参数，如"left"、"top"等；

column_names_rot & row_names_rot 设置行名与列名的倾斜角度，后面跟的是角度，如0、30、90等；

column_names_gp & row_names_gp 设置行名与列名的颜色，比如 column_names_gp =gpar(col=rep("red",5));

column_title_gp & row_title_gp 设置列与行标题的颜色，注意：这个需要和聚类分割的数量来决定，要指定row_split & column_split，颜色的设置才能生效；

col 设置渐变的颜色向量参数，这里推荐用RColorBrewer包中的颜色，比如 col = rev(brewer.pal(n = 7, name ="RdYlBu"));

cluster_rows & cluster_columns 表示是否对行列进行聚类，默认是TRUE;

cluster_rows & cluster_columns 表示是否对行列进行聚类，默认是TRUE，如果是特定值，则表示对聚类树进行处理；

row_dend_reorder & column_dend_reorder 表示将行或列进行排序，默认是TRUE，所以我们在利用这个包绘制相关系数热力图时，会看到对角线不是1，那么我们就需要检查是否设置了这个参数；

show_column_dend & show_row_dend 表示是否展示行与列的聚类树；

...

下面利用上述随机生成的数据来绘制heatmap：

最值得一提的是，cluster_rows参数，可以结合hlust函数来使用，并通过color_branches函数来为不同类别设置颜色，使得整个heatmap看起来更加美观。如果我们要显示聚类后的数据分割并命名，我们可以这样：

如若想得到更加详细的说明，可以看ComplexHeatmap包的官方文档，或者参见这位博主的文章：

当然，画heatmap怎么能少的了ggplot2呢，我们在利用ggplot画图时，只需要设置scale_fill_gradient即可，例如：scale_fill_gradient(low = "yellow", high = "red") 表示颜色从黄色到红色渐变。注意要把数据处理成ggplot所需要的样式！下面来绘制heatmap:

如果要实现聚类树在heatmap上，我们需要利用ggtree函数，分别绘制聚类树与热力图，最后用aplot包进行拼接即可。

由于ComplexHeatmap包绘制的热力图是一个Heatmap对象，故他与其他图形不同，自身可以与其他Heatmap对象结合，我们只需要利用"+"号或者"%v%"连接符对多个Heatmap对象进行水平或垂直连接就可以了。

当我们需要将pheatmap包绘制的热力图与ggplot画的其他图贴在一起时，我们可以利用ggplotify包来实现，具体操作流程为：

我们用上回利用iris数据集画组合小提琴图的例子，进一步组合heatmap：

当然ggplot也可以画heatmap，这里不再阐述，对于上面几种绘图方案，我们只需选取一种最美观，最有效的方式来画heatmap即可。

R语言热力图综合教程-heatmapd3heatmap和ComplexHeatmap

用于绘制交互式和静态热图的R包和功能很多，包括：

• heatmap（）[R基本函数，统计数据包]：绘制一个简单的热图

• heatmap.2（）[ gplots R包]：与R base函数相比，绘制了增强的热图。

• pheatmap（）[ pheatmap R包]：绘制漂亮的热图，并提供更多控件来更改热图的外观。

• d3heatmap（）[ d3heatmap R包]：绘制交互式/可单击的热图

• ComplexHeatmap R / Bioconductor的包]：绘制，注释和排列复杂热图（用于基因组数据分析是非常有用的）

在这里，我们从描述绘制热图的5 R函数开始。接下来，我们将重点介绍ComplexHeatmap程序包，该程序包提供了一种灵活的解决方案来安排和注释多个热图。它也可以可视化来自不同来源的不同数据之间的关联

我们使用mtcars数据作为演示数据集。我们首先将数据标准化以使变量具有可比性：

df <- scale(mtcars)

# Default plot
heatmap(df, scale = "none")

如何指定调色板

col<- colorRampPalette(c("red", "white", "blue"))(256)

heatmap(df, scale = "none", col = col)

library("RColorBrewer")
col <- colorRampPalette(brewer.pal(10, "RdYlBu"))(256)

heatmap(df, scale = "none", col = col)

此外，可以使用参数RowSideColors和ColSideColors分别注释行和列。

例如，在下面的R代码中，将自定义热图，如下所示：

• RColorBrewer调色板名称用于更改外观

• 参数RowSideColors和ColSideColors分别用于注释行和列。按照行列顺序指指定颜色

heatmap是按照聚类来重排行列的，会打乱颜色。

# Use RColorBrewer color palette names
library("RColorBrewer")
col <- colorRampPalette(brewer.pal(10, "RdYlBu"))(256)
heatmap(df, scale = "none", col = col,
 RowSideColors = rep(c("blue", "pink"), each = 16),
 ColSideColors = c(rep("purple", 5), rep("orange", 6)))

# install.packages("gplots")
library("gplots")
heatmap.2(df, scale = "none", col = bluered(100),
 trace = "none", density.info = "none")

pheatmap

这个功能十分强大，出图我们也经常选用，cutree_rows参数用于按照聚类结果进行切割。

library("pheatmap")
pheatmap(df, cutree_rows = 4)

# install.packages("d3heatmap")
library("d3heatmap")
d3heatmap(scale(mtcars), colors = "RdYlBu",
 k_row = 4, # Number of groups in rows
 k_col = 2 # Number of groups in columns
 )

pheatmap不能使用。

ComplexHeatmap 功能十分强大

• row_names_gp：设置标签自字体大小

• olumn_title：设置行，列名称标签。

library(ComplexHeatmap)
Heatmap(df,
 name = "mtcars", #title of legend
 column_title = "Variables", row_title = "Samples",
 row_names_gp = gpar(fontsize = 7) # Text size for row names
 )

要指定自定义颜色，必须使用colorRamp2（）函数[ circlize package]，如下所示：

library(circlize)
mycols <- colorRamp2(breaks = c(-2, 0, 2),
 colors = c("green", "white", "red"))
Heatmap(df, name = "mtcars", col = mycols)

更换调色板，使用RColorBrewer 中的颜色。

library("circlize")
library("RColorBrewer")
Heatmap(df, name = "mtcars",
 col = colorRamp2(c(-2, 0, 2), brewer.pal(n=3, name="RdBu")))

dendextend 同样给复杂热图聚类上色。

library(dendextend)
row_dend = hclust(dist(df)) # row clustering
col_dend = hclust(dist(t(df))) # column clustering
Heatmap(df, name = "mtcars",
 row_names_gp = gpar(fontsize = 6.5),
 cluster_rows = color_branches(row_dend, k = 4),
 cluster_columns = color_branches(col_dend, k = 2))

复杂热图按照聚类切割分块

km/row_km:对列进行聚类拆分

# Divide into 2 groups
set.seed(2)
Heatmap(df, name = "mtcars", km = 4)

按照行进行分割聚类：column_km

# Divide into 2 groups
set.seed(2)
Heatmap(df, name = "mtcars", column_km = 4)

指定行列分隔

split :参数用于指定行的分组，用于分割热图。row_split一样

如果要对行进行聚类，使用column_split，用法一样。

# Split
# data.frame(cyl = rep(1:4,dim(mtcars)[2]))
Heatmap(df, name ="mtcars",
 split = data.frame(cyl = mtcars$cyl),
 column_split = data.frame(cyl = rep(1:2,dim(mtcars)[2])[1:11]),
 row_names_gp = gpar(fontsize = 7))

多重分隔

Heatmap(df, name ="mtcars", col = col,
 km = 4, split = mtcars$cyl)

library("cluster")
set.seed(2)
pa = pam(df, k = 3)
Heatmap(df, name = "mtcars", col = col,
 split = paste0("pam", pa$clustering))

复杂热图为什么复杂

复杂热图最强大的莫过于对于热图的注释

df <- t(df)

# Define some graphics to display the distribution of columns
.hist = anno_histogram(df, gp = gpar(fill = "lightblue"))
.density = anno_density(df, type = "line", gp = gpar(col = "blue"))
ha_mix_top = HeatmapAnnotation(hist = .hist, density = .density)
# Define some graphics to display the distribution of rows
.violin = anno_density(df, type = "violin",
 gp = gpar(fill = "lightblue"), which = "row")
.boxplot = anno_boxplot(df, which = "row")
ha_mix_right = HeatmapAnnotation(violin = .violin, bxplt = .boxplot,
 which = "row", width = unit(4, "cm"))
# Combine annotation with heatmap
Heatmap(df, name = "mtcars",
 column_names_gp = gpar(fontsize = 8),
 top_annotation = ha_mix_top) + ha_mix_right

复杂热图的组合

# Heatmap 1
ht1 = Heatmap(df, name = "ht1", km = 2,
 column_names_gp = gpar(fontsize = 9))
# Heatmap 2
ht2 = Heatmap(df, name = "ht2",
 col = circlize::colorRamp2(c(-2, 0, 2), c("green", "white", "red")),
 column_names_gp = gpar(fontsize = 9))
# Combine the two heatmaps
ht1 + ht2

细布控制组合

draw(ht1 + ht2,
 row_title = "Two heatmaps, row title",
 row_title_gp = gpar(col = "red"),
 column_title = "Two heatmaps, column title",
 column_title_side = "bottom",
 # Gap between heatmaps
 gap = unit(0.5, "cm"))

expr <- readRDS(paste0(system.file(package = "ComplexHeatmap"),
 "/extdata/gene_expression.rds"))
mat <- as.matrix(expr[, grep("cell", colnames(expr))])
type <- gsub("s\d+_", "", colnames(mat))
ha = HeatmapAnnotation(df = data.frame(type = type))

ha

## A HeatmapAnnotation object with 1 annotation
## name: heatmap_annotation_2
## position: column
## items: 24
## width: 1npc
## height: 5mm
## this object is subsetable
## 9.001mm extension on the right
##
## name annotation_type color_mapping height
## type discrete vector random 5mm

Heatmap(mat, name = "expression", km = 5, top_annotation = ha,
 # top_annotation_height = unit(4, "mm"),
 show_row_names = FALSE, show_column_names = FALSE) +
Heatmap(expr$length, name = "length", width = unit(5, "mm"),
 col = circlize::colorRamp2(c(0, 100000), c("white", "orange"))) +
Heatmap(expr$type, name = "type", width = unit(5, "mm")) +
Heatmap(expr$chr, name = "chr", width = unit(5, "mm"),
 col = circlize::rand_color(length(unique(expr$chr))))

ha = HeatmapAnnotation(df = data.frame(type = type))

ha

## A HeatmapAnnotation object with 1 annotation
## name: heatmap_annotation_3
## position: column
## items: 24
## width: 1npc
## height: 5mm
## this object is subsetable
## 9.001mm extension on the right
##
## name annotation_type color_mapping height
## type discrete vector random 5mm

Heatmap(mat, name = "expression", km = 5, top_annotation = ha,
 # top_annotation_height = unit(4, "mm"),
 show_row_names = FALSE, show_column_names = FALSE) +
 Heatmap(expr$type, name = "type", width = unit(5, "mm")) +
 Heatmap(expr$type, name = "type", width = unit(5, "mm"))

如何添加多个行，或者列

# Annotation data frame

annot_df <- data.frame(cyl = mtcars$cyl, am = mtcars$am,
 mpg = mtcars$mpg)
# row.names(annot_df) = row.names(mtcars)
# Define colors for each levels of qualitative variables
# Define gradient color for continuous variable (mpg)
col = list(cyl = c("4" = "green", "6" = "gray", "8" = "darkred"),
 am = c("0" = "yellow", "1" = "orange"),
 mpg = circlize::colorRamp2(c(17, 25),
 c("lightblue", "purple")) )
# Create the heatmap annotation
ha <- HeatmapAnnotation(df = data.frame(cyl = mtcars$cyl, am = mtcars$am,
 mpg = mtcars$mpg), col = col)

# Combine the heatmap and the annotation
# df = t(df)
Heatmap(df, name = "mtcars",
 top_annotation = ha)

# Annotation data frame

annot_df <- data.frame(cyl = mtcars$cyl, am = mtcars$am,
 mpg = mtcars$mpg)
# row.names(annot_df) = row.names(mtcars)
# Define colors for each levels of qualitative variables
# Define gradient color for continuous variable (mpg)
col = list(cyl = c("4" = "green", "6" = "gray", "8" = "darkred"),
 am = c("0" = "yellow", "1" = "orange"),
 mpg = circlize::colorRamp2(c(17, 25),
 c("lightblue", "purple")) )
# Create the heatmap annotation
ha <- HeatmapAnnotation(df = data.frame(cyl = mtcars$cyl, am = mtcars$am,
 mpg = mtcars$mpg), col = col)

# Combine the heatmap and the annotation
df = t(df)
Heatmap(df, name = "mtcars") +
 Heatmap(mtcars$mpg, name = "type", width = unit(5, "mm")) +
 Heatmap(mtcars$mpg, name = "type", width = unit(5, "mm"))

Heatmap(df, name = "mtcars") +
 Heatmap(annot_df , name = "type", width = unit(5, "mm"))

densityHeatmap(scale(mtcars))

reference

https://www.datanovia.com/en/lessons/heatmap-in-r-static-and-interactive-visualization/

如需联系EasyShu团队

https://github.com/Easy-Shu/EasyShu-WeChat

数据可视化之美系列书籍

Github

https://github.com/Easy-Shu/Beautiful-Visualization-with-python

Github

https://github.com/Easy-Shu/Beautiful-Visualization-with-R