x,y 用于横纵坐标作图的数据对象。
type 图类型（线条和点类型），使用格式type=" "。
type="p"显示为空心点。plot
type="l"显示为线条。line
type="b"显示为空心点和线条。both
type="c"显示为无点和线条。
type="o"显示为空心点和线条，线穿过空心点。
type="s"/"S"显示为阶梯线。
type="h"显示为直方图样的垂直线。
type="n"显示为无点和无线条。
xlim/ylim 用于指定图的x轴和y轴的范围，使用格式：xlim=c(x1,x2), ylim=c(y1,y2)。
xlab/ylab 用于给图的x轴和y轴添加标签，使用格式：xlab="xlab"，ylab="ylab"。
main 用于对plot添加主标题， main=" "。
sub 用于对plot添加副标题， sub=" "。
log 用于对x或者y值取log。log="x"/"y"/"xy"。
ann 使用T/F对plot中的标题，x轴标签，y轴标签是否显示进行定义。
axes 使用T/F对坐标轴是否显示进行定义。
frame.plot 使用T/F对画图外框是否显示进行定义。
panel.first 参数还没弄懂，panel.first="grid(8,8)"对背景线进行定义。
asp 表示y/x的纵横比。
lty 用于线条类型的定义，指定值为整数，lty="1"。
lty="0"显示为空白，即无线条。
lty="1"显示为实线线条。
lty="2"显示为虚线线条。
lty="3"显示为点状线条。
lty="4"显示为点虚线线条，点和虚线线条间隔。
lty="5"显示为长虚线。
lty="1"显示为双破折号线条。
热图是科研论文中一种常见的可视化手段，而在转录组研究领域，我们常常需要分析一些基因与基因之间的相关性，来判断生物样本中是否存在共表达情况，以及共表达基因模块。除了基因集之间，其他方向，比如免疫细胞群体之间相关性，样本的相关性，也常常用相关性热图的形式进行展示。总而言之，往大了说，任何表征相关性的数值都可以用相关性热图来进行绘制。
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。
转录组分析中，计算了两组间差异表达的基因后，通常怎样表示？您可能第一时间想到可以使用火山图。的确，火山图是使用频率最多的，在火山图中可以很轻松地根据基因在两组间的Fold Change值以及显著性p值，识别和判断差异表达基因概况。火山图实质上就是一种散点图，通常横纵坐标分别代表了log2转化后的Fold Change以及-log10转化后的p值或p调整值信息（下图左）。提到散点图，常见的还有另一种展示差异表达基因的样式：横纵坐标轴可分别代表两组基因表达均值，这种风格可以更方便直观对比基因在两组中的差异状态。
本篇教程就让我们来学习如何绘制右图这种“对称散点图”，展示组间差异基因表达格局。
示例文件“gene_diff.txt”是一组基因差异表达分析结果，记录了处理组（treat）和对照组（control）间表达显著不一致的基因，鉴定标准为p<0.01以及|log2 Fold Change|≥1。
其中，gene_id为基因名称；control和treat代表了两组中基因的平均表达值；log2FoldChange即log2转化后的基因表达差异倍数；pvalue是差异基因显著性p值；diff为根据p<0.01以及|log2 Fold Change|≥1筛选的差异基因，该列中“up”为上调，“down”为下调，“none”为非差异基因。
接下来通过该示例文件，展示使用R语言绘制差异基因表达“对称散点图”过程。
首先对数据做一些预处理。
例如，基因表达值数量级相差过大，取个对数转换；基因名称按是否为差异基因作个排序，避免后续作图时被不显著的基因点遮盖，即排序的目的是让这些显著基因的点都位于图的上方。
下来就可以使用预处理后的数据作图了。
第一种类型是将基因按上调、下调或不显著类型着色，便于从图中辨认差异基因。我们使用ggplot2的方法绘制差异基因散点图。
两个坐标轴分别代表了处理组（treat）和对照组（control），图中的点代表各基因在两组中的平均表达值（已经作了log转换）。treat组和control组相比，上调基因以红色表示，下调基因以绿色表示。图中的虚线代表了|log2FC|=1时的阈值线。
在该图中，我们可以很轻松地观察差异基因整体分布状态和数量比较的信息。
上图中没有将p值信息展示出。因此另一种思路是，颜色代表p值，这样就可以在图中获得一个渐变梯度。同样使用ggplot2的方法绘制，和上述过程相比仅在颜色指定上存在区别。
类似上图，两个坐标轴分别代表了处理组（treat）和对照组（control），图中的点代表各基因在两组中的平均表达值（已经作了log转换），图中的虚线代表了|log2FC|=1时的阈值线。
和上图不同点在于，此时基因按显著性p值着色，从不显著>显著展示以蓝色>红色渐变，就获得了一种梯度信息。这样可以很方便地看出，在两组中的表达值差异越大的基因，p值越小，二者趋势是一致的，重在描述了差异倍数和p值的关系。
