RNA_seq 热图绘制

若已经拿到表达矩阵exprSet

若差异较大，进行log缩小不同样本的差距

1、热图全体

 1 ##加载包
 2 library(pheatmap)
 3
 4 ##缩小表达量差距
 5 exprSet <- log2(exprSet+1)
 6
 7 ##取最大标准差前1000个基因名字
 8 cg <-names(tail(sort(apply(exprSet,1,sd)),1000))
 9
10 ##标准化，只关注样品间基因差异，不关注基因之间的，将离群点拉平
11 n <-t(scale(t(exprSet[cg,])))
12 n[n>2] <-2
13 n[n<-2] <-2
14
15 ##这是group_list
16 group_list <-c(rep("a",3),rep("b",3))
17 ac <- data.frame(sample=group_list)
18 rownames(ac) <- colnames(n)
19
20 ##draw pheatmap,其中annotation_col 可以增加sample组
21 pheatmap(n, show_rownames = F, show_colnames = F,
22          annotation_col = ac)
23
24 ##draw pheatmap add number
25 pheatmap(n, show_rownames = F, show_colnames = F,
26          annotation_col = ac, display_numbers = TRUE)

2、对差异基因进行绘制，步骤都类似，在进行绘制时，应对数据进行一定处理

 1 ##DEseq2 获得dds
 2 dds <- DESeq2(dds)
 3 res <- results(dds)
 4 res <- res[order(res$padj),]
 5 DEG <- as.data.frame(res)
 6
 7 ##去掉NA
 8 DEG <- na.omit(DEG)
 9
10 ##热图
11 library(pheatmap)
12 choose_gene <- head(rownames(DEG),100)  ##50 maybe better
13 choose_matrix <- exprSet[choose_gene,]
14 choose_matrix <- t(scale(t(choose_matrix)))
15 pheatmap(choose_matrix, show_rownames = F, show_colnames = F,
16          annotation_col = ac)

3、rlog 进行数据标准化

1 ##rlog 标准化
2 rld <- rlog(dds)
3 ##读取
4 exprMatrix_rlog <- assay(rld)
5 ##输出
6 write.csv(exprMatrix_rlog, 'exprMatrix.rlog.csv')

标准化和raw count 的比较

png("DEseq_RAWvsNORM.png",height = 800,width=800)
par(cex= 0.7)
n.samples <- ncol(exprSet)
if(n.samples>40) par(cex=0.5)
cols <- rainbow(n.samples*1.2)
par(mfrow =c(2,2))
boxplot(exprSet,col=cols, main="expression value",las=2)
boxplot(exprMatrix_rlog,col=cols, main="expression value",las=2)
hist(as.matrix(exprSet))
hist(exprMatrix_rlog)
dev.off()

可以看到rlog后，样本间可以进行很好观察

参考：生信技能树

------END------

关注下方公众号可获得更多精彩