![C语言中cube[0][2]|=Z,是什么意思？](/aiimages/C%E8%AF%AD%E8%A8%80%E4%B8%ADcube%5B0%5D%5B2%5D%7C%3DZ%2C%E6%98%AF%E4%BB%80%E4%B9%88%E6%84%8F%E6%80%9D%EF%BC%9F.png)
实验设计：对照组，TNF处理组，TGF处理组，IL4处理组，每组3个生物学重复
实验分组：TNF组 vs 对照组；TGF组 vs 对照组；IL4组 vs 对照组
最终需求：直观展示三组差异结果的共同基因及特有基因
以上这类设计和需求是高通量数据后期展示时常见的需求，通常通过绘制韦恩图（Venn图）就可以满足!
如下图左侧，就是典型的韦恩图展示形式，不同的颜色代表不同的来源，它们之间的共有基因或是特有基因数量一目了然，可直观展示出不同来源数据之间的在成分上的异同点。
近几年针对这类需求，又出现了一种更棒的可视化形式，如下图，直观展示7组数据之间的关系，一目了然。
今天呢，来简单演示下火山图的绘制方法，有数据的小伙伴可以试试！数据就以TNF组 vs 对照组；TGF组 vs 对照组；IL4组 vs 对照组三组差异基因来做案例。
首先清除环境，安装并加载所需要的R包
读入数据并对数据做简单处理
读入IL4组差异数据
将3组数据构建成list
用venn包绘图
首先清除环境，安装并加载所需要的R包
读入数据并对数据做简单处理
首先清除环境，安装并加载所需要的R包
读入数据并对数据做简单处理
更多内容可关注公共号“YJY技能修炼”~~~
往期回顾
R绘图|ggplot2火山图的绘制
R绘图|ggplot2散点图的绘制
R绘图|pheatmap热图绘制——基础篇
R绘图|pheatmap热图绘制——中阶篇
R绘图|pheatmap热图绘制——高阶篇
差异表达基因分析是根据表型协变量（分类变量）鉴定组间差异表达，它属于监督性分类的一种。在鉴定差异表达基因以前，一般需要对表达值实施非特异性过滤（在机器学习框架下属于非监督性分类），因为适当的非特异性过滤可以提高差异表达基因的检出率、甚至是功效。R分析差异表达基因的library有很多，但目前运用最广泛的Bioconductor包是limma。鉴定差异表达基因是表达谱芯片分析pipeline中必须的分析步骤。差异表达基因分析是根据表型协变量（分类变量）鉴定组间差异表达，它属于监督性分类的一种。在鉴定差异表达基因以前，一般需要对表达值实施非特异性过滤（在机器学习框架下属于非监督性分类），因为适当的非特异性过滤可以提高差异表达基因的检出率、甚至是功效。R分析差异表达基因的library有很多，但目前运用最广泛的Bioconductor包是limma。
本专题示例依然来自GEO数据库中检索号为GSE11787 的Affymetrix芯片的数据，数据介绍参阅专题一。
>library(limma)
>design <- model.matrix(~ -1+factor(c(1,1,1, 2,2,2)))
这个是根据芯片试验设计，对表型协变量的水平进行design，比如本例中共有6张芯片，前3张为control对照组，后3张芯片为实验处理组，用1表示对照组，用2表示处理组。其他试验设计同理，比如2*2的因子设计试验，如果每个水平技术重复3次，那么可以表示为：design <- model.matrix(~ -1+factor(c(1,1,1, 2,2,2, 3,3,3, 4,4,4)))。接上面的程序语句继续：
>colnames(design) <- c("control", "LPS")
>fit <- lmFit(eset2, design)
>contrast.matrix <- makeContrasts(control-LPS, levels=design)
>fit <- eBayes(fit)
>fit2 <- contrasts.fit(fit, contrast.matrix)
>fit2 <- eBayes(fit2)
>results<-decideTests(fit2, method="global", adjust.method="BH", p.value=0.01, lfc=1.5)
>summary(results)
>vennCounts(results)
>vennDiagram(results)
比较遗憾的是，目前limma自带的venn作图函数不能做超过3维的高维venn图，只能画出3个圆圈的venn图，即只能同时对三个coef进行venn作图。上面的venn图只有一个coef，太简单了。下面是一个由本实验室芯片数据得出的三个coef的venn图例：
>heatDiagram(results,fit2$coef)
红色为control中（与LPS相比）的高表达基因，绿色为control中（与LPS相比）的低表达基因，x轴的数字表示差异表达基因在eset2中所处的位置。
>x<-topTable(fit2, coef=1, number=10000, adjust.method="BH", sort.by="B", resort.by="M")
>write.table(x, file="limma.xls", row.names=F, sep="\t")
将结果写入limma.xls文件中，内容包括AveExpr值（比较组间绝对值的平均差异值）、logFC值（差异倍数）、t值、P值、q值（即adj.P.Val值）和B值。一般logFC值、P值、q值和AveExpr值用来作为差异表达的判断标准，比如差异倍数在2倍以上、绝对差异表达在10以上、P值小于0.01等。在Excel文件中，根据各项判断标准排序，可以很容易地得到差异表达基因列表，这个列表可以用来进行后续的分析，如GO注释、基因网络绘制等。
专题一中提到实际研究中，一般只用差异表达基因进行聚类分析，在R中，根据差异表达结果过滤表达值很简单（具体的值可以依据芯片数据的实际情况设定，比如P值可以设宽松点0.05、logFC的绝对值也可设为1或2、绝对表达差异也可设低一点，如6或8这样的值）：
韦恩（Venn）图是常见统计图之一，用于展示各样本（或分组）之间共有（或特有）元素的数量（或比例）。
例如做RNA-seq的最直接目的，大多是鉴定差异表达的基因。当试验涉及到多分组情况时，常需要展示多组间共享的差异基因数量，这个时候就要使用到韦恩Venn图。例如以下示例，植物组织中响应7天氮缺乏（-N_7d）、7天磷酸盐缺乏（-Pi_7d）和盐胁迫（d）、冷胁迫（e）或干旱胁迫（f）的差异表达lncRNA的Venn图。
文献中通常提到，这些Venn图一般通过一些R包（如VennDiagram）来做。
本篇教程，就让我带您学习如何使用R包VennDiagram绘制Venn图，以及如何统计各组元素的交集。
首先准备输入数据。既然期望比较各组共有/特有元素，那么就可以将各组中所包含的元素提取出来，粘贴到一个新的列表中。
如下图示例，一共包含4个分组，group1-4，下方是各组中所包含的元素名称。各列不等长没关系，某一列内有重复的值也没关系，后续读到R中后能够自动识别并去除空值或重复值。
接下来，将该文件读到R中，绘制Venn图。
VennDiagram包中的函数venn.diagram()，可以直接基于原始数据自动统计并绘制Venn图。
工作路径下输出一张图片“venn2.png”，打开就是绘制的Venn图。
这是展示的两组的，再展示一个四组比较的。
同样地，工作路径下输出一张图片“venn4.png”，打开就是绘制的Venn图。
以上自动读取原始数据，并统计各组之间的交集状态，获取共有元素的数量信息后，绘制Venn图，整个过程一气呵成。
但是，如果期望获得各组之间的交集元素具体包含哪些，并将这些交集元素的名称输出出来，应该怎样做呢？
VennDiagram包中的函数get.venn.partitions()可以实现这个功能，参考以下示例。
工作路径下输出文件“venn4_inter.txt”，可以用Excel打开。
group1-4中，TRUE代表该组中出现的元素，FALSE则代表未出现的元素。
count为交集元素数量，values为交集元素名称。
