“对称散点图”的绘制（R语言）

Python013

“对称散点图”的绘制（R语言）,第1张

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。

[1]Anders S, Huber W. Differential expression analysis for sequence count data.  Genome Biol . 201011(10):R106. doi:10.1186/gb-2010-11-10-r106

#b站视频——R语言入门与数据分析

#内置数据集

#固定格式的数据（矩阵、数据框或一个时间序列等）

#统计建模、回归分析等试验需要找合适的数据集

#R内置数据集，存储在，通过

help(package="datasets")

#通过data函数访问这些数据集

data()

#得到新窗口  前面：数据集名字  后面：内容

#包含R所有用到的数据类型，包括：向量、矩阵、列表、因子、数据框以及时间序列等

#直接输入数据集的名字就可以直接使用这些数据集

#输出一个向量

rivers

#是北美141条河流长度

#这些数据集的名字都是内置的，一般我们在给变量命名时最好不要重复

#否则数据集在当前对话中会被置换掉

#例如

rivers<-c(1,2,3)

rivers

#不过影响不大

#再使用data函数重新加载这个数据集就可以了

data("rivers")

rivers

#一些常用内置数据集

#默认介绍页面只有名字和介绍，并没有给出数据分类

#哪些是向量、矩阵、数据框等？

#查看数据集除了直接敲数据集名字显示数据之外

#还可以使用help函数查看每个数据集具体的内容

help("mtcars")

euro

#欧元汇率，长度为11，每个元素都有命名

#输出向量的属性信息

names(euro)

#将5个数据构成一个数据框

向量

state.abb #美国50个州的双字母缩写

state.area #美国50个州的面积

state.name #美国50个州的全称

因子

state.division #美国50个州的分类，9个类别

state.region #美国50个州的地理分类

#

state<-data.frame(state.name,state.abb,state.area,state.division,state.region)

state

state.x77 #美国50个州的八个指标

state.x77

VADeaths #1940年弗吉尼亚州死亡率（每千人）

volcano #某火山区的地理信息（10米×10米的网格）

WorldPhones #8个区域在7个年份的电话总数

iris3 #3种鸢尾花形态数据

#以上矩阵→适合画热图

heatmap(volcano)

#这里只是作为一个演示，还需要对这个图进行一些调整

#更复杂的数据结构

Titanic #泰坦尼克乘员统计，是一个数组

UCBAdmissions #伯克利分校1973年院系、录取和性别的频数

crimtab #3000个男性罪犯左手中指长度和身高关系

HairEyeColor #592人头发颜色、眼睛颜色和性别的频数

occupationalStatus #英国男性父子职业联系

#类矩阵

eurodist #欧洲12个城市的距离矩阵，只有下三角部分

Harman23.cor #305个女孩八个形态指标的相关系数矩阵

Harman74.cor #145个儿童24个心理指标的相关系数矩阵

#R中内置最多的数据集——数据框

cars #1920年代汽车速度对刹车距离的影响

iris #3种鸢尾花形态数据

mtcars #32辆汽车在11个指标上的数据

rock #48块石头的形态数据

sleep #两药物的催眠效果

swiss #瑞士生育率和社会经济指标

trees #树木形态指标

USArrests #美国50个州的四个犯罪率指标

women #15名女性的身高和体重

#列表

state.center #美国50个州中心的经度和纬度

#类数据框

Orange #桔子树生长数据

#时间序列数据，和数据框类似，不同的是具有时间序列的顺序，是数据分析中非常常见的格式

#能反映出变化情况以及变化的趋势等

#因此有很多专门的方法用于时间序列的数据分析

co2 #1959-1997年每月大气co2浓度（ppm）

presidents #1945-1974年每季度美国总统支持率

uspop #1790–1970美国每十年一次的人口总数（百万为单位）

#除了内置数据集之外，许多R扩展包中也内置了很多数据集

#这些数据集作为扩展包的函数使用的案例

#加载R包之后这些数据集也同样被加载进来

#例如MASS包中的Cars93数据

#包含了27个变量，是1993年93辆汽车的型号指标

install.packages("MASS")

library("MASS")

help("Cars93")

#使用data函数在参数package中等于对应R包的名字，即可列出每个R包中包含的数据集

#ex

data(package="MASS")

#显示R中所有可用的数据集

data(package=.packages(all.available = TRUE))

#不加载R包使用其中的数据集

data(Chile,package="car")

Chile

#>data(Chile,package="car")

#Warning message:

#  In data(Chile, package = "car") : data set ‘Chile’ not found

#>Chile

#Error: object 'Chile' not found

install.packages("car")

library("car")

help("Chile")