0. 准备
setwd("D:/R/CHOL") rm(list = ls()) load(file = "step1output.Rdata") load(file = "step2output.Rdata")
1. 主成分分析图(Principal Component Analysis,PCA)
输入数据:exp(表达矩阵)和group_list(分组信息)
dat=as.data.frame(t(exp)) library(FactoMineR) library(factoextra) dat.pca <- PCA(dat, graph = FALSE) pca_plot <- fviz_pca_ind(dat.pca, geom.ind = "point", col.ind = group_list, #palette = c("#00AFBB", "#E7B800"), addEllipses = TRUE, legend.title = "Groups" ) pca_plot ggsave(plot = pca_plot,filename = paste0(gse,"PCA.png")) save(pca_plot,file = "pca_plot.Rdata")
2. 画主成分分析图需要加载这两个包。
3. 画主成分分析图需要加载这两个包。
6. 仅显示点(但不是“文本”)(show points only (nbut not "text"))。
7. 按分组信息赋予颜色(color by groups)。
8. 如需设置非默认颜色,将此行代码的“#”去掉并修改颜色(HEX,十六进制颜色),颜色个数需与分组个数相同。
9. 浓度椭圆(Concentration ellipses)。
10. 注释标题。
13. 保存PCA图(.png格式)。
14. 保存PCA对象 。
2. 热图
选取热图数据
cg=names(tail(sort(apply(exp,1,sd)),1000)) n=exp[cg,]
1. 取表达矩阵exp中标准差最大的1000个探针的名字。
2. 取表达矩阵exp中标准差最大的1000个探针。
绘制热图
annotation_col=data.frame(group=group_list) rownames(annotation_col)=colnames(n) library(pheatmap) pheatmap(n, show_colnames =F, show_rownames = F, annotation_col = annotation_col, scale = "row")
1. 生成含有一列值的数据框,列名为“group”,值为分组信息(group_list)。
2. 该数据框的行名为表达矩阵exp中标准差最大的1000个探针的名字。
5. 不显示列名。
6. 不显示行名。
7. 按分组进行列注释。
8. 按行标度。
相关性热图
co = cor(exp) pheatmap(co) co = cor(n) pheatmap(co)
1. 选择表达矩阵exp中所有探针
2. 所有探针的相关性热图3. 选择表达矩阵exp中标准差最大的1000个探针
4. 表达矩阵exp中标准差最大的1000个探针的相关性热图
关闭画板
dev.off()
若运行代码后不出图也不报错,可能是画板被占用,运行此行代码即可。