常规热图示例
我们先来看看下面这张图，这是一篇发表在 PLoS Medicine (IF = 11.048) 上的文章图，来看 22 种免疫细胞群体之间的相关性，其中红色的颜色代表正相关，蓝色代表负相关。每一格的数字代表相关系数。这是一种经常会用到的图形，不同于常规热图。常规热图中的每行代表一个观察值，每列代表一个样本，而我们在本次教程中，将为大家带来更高级，也更美观的相关性热图。
相关性热图
Step 1： R 包安装和数据输入
首先是安装必须 R 包，在这里我们需要用到 ggcorplot 和 ggthemes 这两个R包。
然后我们读入R表达谱数据。
数据一共有 10 个样本和 20 个基因，每一行为一个基因，每一列为一个样本，我们需要看这 20 个基因在这 10 个样本中的共表达情况，也就是基因和基因之间的相关性。
Step 2： 相关性计算
为了表示基因与基因相关性，我们除了要计算它们的相关性系数，还需要计算体现其显著性的 P 值。
计算相关性系数并显示前 6 个基因之间的相关性。相关性系数大于 0 为正相关，小于 0 为负相关。
计算基因与基因之间的相关性 P 值，其中 P 小于 0.05 认为这两个基因之间相关性是显著的。
Step 3： 相关性热图绘制
使用 ggcorplot 绘制基因与基因之间相关性热图。
Step 4： 初级美化 Circle
美化第一步，我们将矩形热图改成圆形
是不是大家瞬间觉得眼前一亮？
Step 5： 中级美化 Clustering
虽然有所美观，但是，这样上面一张相关性热图还是存在问题的，大家是否发现热图中的点非常乱，让人没办法捕捉到其中的规律，不容易让人一眼抓住重点。所以，我们要对基因进行聚类。
这张热图，已经是非常漂亮了，放在文章中绝对让人眼睛一亮，正相关负相关基因清清楚楚。
Step 6： 高级美化 Triangle
当然，我们还可以进一步改善。因为相关性之间其实是有对称在的，左上角和右下角的图其实是一样的，这样绘制比较占版面。只绘制左上角的热图，可以让我们的图看起来没有那么臃肿。
Step 7： 终级美化 Label
那么如何显示相关性强弱呢，虽然颜色和点的大小可以看出来，但是毕竟没有那么直观。所以我们将相关性系数加上，并更改热图颜色。
这样基因相关性热图就相当完美了，可以直接放在文章图中，而且比 PLoS Medicine 那篇文章看起来更漂亮呢。
Step 8： 究级美化 Omit
不过，如果我们想知道哪些基因显著性是小于 0.05 的呢，虽然颜色和点的大小以及相关性系数可以看出来，但是如果被老板们问起，模棱两可的回答，可是相当危险的哦。所以，我们把显著性p值加上，并且直接隐藏 P 小于 0.05 的基因。
1. R语言自带函数cor(data, method=" ")可以快速计算出相关系数 ，数据类型：data.frame
如data.frame为：zz, 绘图如下：
a. single protein：线性回归画法
1. ggplot(zz,aes(x=a, y=HDL))+
geom_point(alpha=1,colour="#FFA54F")+
geom_smooth(method = lm,colour="#8B658B")+
#scale_color_brewer(palette = "Set1")+
theme_bw()+
labs(x="Ferritin",y="HDL.C",title="Pearson’s correlation test of ferritin and HDL.C")+
annotate("text", x = 1000, y = 2.5, label = "r = -0.51",colour="black",size=4)
2. library(ggstatsplot)
ggscatterstats(data = alldata,
y = TRANSFUSION.UNIT,
x = NPTXR,
centrality.para = "mean", #"mean" or "median"
margins = "both",
xfill = "#D8BFD8",
yfill = "#EEDD82",
#line.size= ,
line.color="#8B6969",
point.color="#2F4F4F",
marginal.size=4,
marginal.type = "density", # "histogram", "boxplot", "density", "violin", "densigram")
title = "Relationship between TRANSFUSION.UNIT and NPTXR")
b. ggcorrplot, 全部蛋白 global correlation map 画法
ggcorrplot(cor(alldata))
2. summary(lm(y~x),method=" ") %>%.[["coefficients"]] 正规线性回归
(其实就是：a<-lm(y~x1+x2+...,data)
plot(summary(lm(y~x),method=" ")) #绘图
3. ggcor部分数据绘图: 数据类型为data.frame，纵坐标为各指标or各蛋白，行为观测值。
data <- fortify_cor(alldata[,10:11],alldata,cluster.type = "col")
ggcor<-ggcor(data,label_size=0.5) +
geom_colour()+
theme(axis.text.x = element_text(colour = "black",size = 4.7),
axis.text.y=element_text(size=5.5),
axis.ticks=element_blank())+
geom_num(aes(num=r),colour="black",size=1.5)
4. corrr包画法
datasets::mtcars %>%
correlate() %>%
focus(-cyl, -vs, mirror = TRUE) %>%
rearrange() %>%
network_plot(min_cor = .2)
