数据聚类然后展示聚类热图是生物信息中组学数据分析的常用方法，在R语言中有很多函数可以实现，譬如heatmap,kmeans等，除此外还有一个用得比较多的就是heatmap.2。最近在网上看到一个笔记文章关于《一步一步学heatmap.2函数》，在此与大家分享。由于原作者不详，暂未标记来源，请原作者前来认领哦，O(∩_∩)O哈哈~

数据如下：

 

library(gplots)
data(mtcars)
x <- as.matrix(mtcars)
rc <- rainbow(nrow(x), start=0, end=.3)
cc <- rainbow(ncol(x), start=0, end=.3)

 

X就是一个矩阵，里面是我们需要画热图的数据。

Rc是一个调色板，有32个颜色，渐进的

Cc也是一个调色板，有11个颜色，也是渐进的

首先画一个默认的图：

 

 

 

  1. heatmap.2(x)

 

然后可以把聚类数可以去掉：就是控制这个dendrogram参数

 

heatmap.2(x, dendrogram=“none”)

 

然后我们控制一下聚类树

 

 

heatmap.2(x, dendrogram=“row”) # 只显示行向量的聚类情况
heatmap.2(x, dendrogram=“col”) #只显示列向量的聚类情况

下面还是在调控聚类树，但是我没看懂跟上面的参数有啥子区别！

 

heatmap.2(x, keysize=2) ## default - dendrogram plotted and reordering done.
heatmap.2(x, Rowv=FALSE, dendrogram=“both”) ## generate warning!
heatmap.2(x, Rowv=NULL, dendrogram=“both”) ## generate warning!
heatmap.2(x, Colv=FALSE, dendrogram=“both”) ## generate warning!

 

接下来我们可以调控行列向量的label的字体大小方向

首先我们调控列向量，也就是x轴的label

 

heatmap.2(x, srtCol=NULL)
heatmap.2(x, srtCol=0, adjCol = c(0.5,1) )
heatmap.2(x, srtCol=45, adjCol = c(1,1) )
heatmap.2(x, srtCol=135, adjCol = c(1,0) )
heatmap.2(x, srtCol=180, adjCol = c(0.5,0) )
heatmap.2(x, srtCol=225, adjCol = c(0,0) ) ## not very useful
heatmap.2(x, srtCol=270, adjCol = c(0,0.5) )
heatmap.2(x, srtCol=315, adjCol = c(0,1) )
heatmap.2(x, srtCol=360, adjCol = c(0.5,1) )

 

然后我们调控一下行向量，也就是y轴的label

 

 

heatmap.2(x, srtRow=45, adjRow=c(0, 1) )
heatmap.2(x, srtRow=45, adjRow=c(0, 1), srtCol=45, adjCol=c(1,1) )
heatmap.2(x, srtRow=45, adjRow=c(0, 1), srtCol=270, adjCol=c(0,0.5) )

 

设置 offsetRow/offsetCol 可以把label跟热图隔开！

 

 

 

## Show effect of offsetRow/offsetCol (only works when srtRow/srtCol is 
## not also present) heatmap.2(x, offsetRow=0, offsetCol=0)
heatmap.2(x, offsetRow=1, offsetCol=1) 
heatmap.2(x, offsetRow=2, offsetCol=2) 
heatmap.2(x, offsetRow=-1, offsetCol=-1) 
heatmap.2(x, srtRow=0, srtCol=90, offsetRow=0, offsetCol=0)
heatmap.2(x, srtRow=0, srtCol=90, offsetRow=1, offsetCol=1)
heatmap.2(x, srtRow=0, srtCol=90, offsetRow=2, offsetCol=2)
heatmap.2(x, srtRow=0, srtCol=90, offsetRow=-1, offsetCol=-1)

 

1. ## Show effect of z-score scaling within columns, blue-red color scale 
2. hv <- heatmap.2(x, col=bluered, scale=“column”, tracecol=“#303030”)

 

hv是一个热图对象！！！

 

> names(hv) # 可以看到hv对象里面有很多子对象
> “rowInd” “colInd” “call” “colMeans” “colSDs” “carpet” “rowDendrogram” “colDendrogram” “breaks” “col” “vline” “colorTable” ## Show the mapping of z-score values to color bins hvKaTeX parse error: Expected 'EOF', got '#' at position 638: …an >#̲# Extract the r…colorTable[hvKaTeX parse error: Expected 'EOF', got '#' at position 124: …n >"#̲FFFFFF"</span><…colorTable[hvKaTeX parse error: Expected 'EOF', got '#' at position 124: …n >"#̲FFFFFF"</span><…colSDs +colSDs +KaTeX parse error: Expected 'EOF', got '#' at position 1148: …n >"#̲303030"</span><…Type)], xlab=‘CellLines’,
 ylab=‘Probes’,
 main=Cluster_Method[i],
 col=greenred(64))
 dev.off()
}

 

这样就可以一下子把七种cluster的方法依次用到heatmap上面来。而且通过对cluster树的比较，我们可以从中挑选出最好、最稳定到cluster方法，为后续分析打好基础！

对下面这个数据聚类：

 

require(graphics)
hc <- hclust(dist(USArrests), “ave”)
plot(hc)

 

首先对一个数据框用dist函数处理得到一个dist对象！

Dist对象比较特殊，专门为hclust函数来画聚类树的！