编者按

热图：通过热图可以简单地聚合大量数据，并使用一种渐进的色带来优雅地表现，最终效果一般优于离散点的直接显示，可以很直观地展现空间数据的疏密程度或频率高低。

你还不会画热图吗？

不管您是做蛋白组学、代谢组学或者多层组学研究。热图是文章里常见的图，色彩变化丰富的热图为文章亮色不少。热图可以说是生信中最为常见的图形可视化方式，用以展现表达分布模式。

热图可以用于解决组学研究的什么问题？

根据在蛋白组学、代谢组学、多层组学中多年的研究经验总结。热图一般有两大用途：数据质量控制和展示研究对象的差异变化情况。通过热图，我们能很直观的看到不同分组之间的整体表达模式，因此可以迅速的判断同组之间、各样本间的重复性如何？从而判断实验处理是否正确；数据是否可信可靠符合逻辑。

热图是怎么绘制的呢？

简单的来说，您只要把表达量和组别的数据做成表格，然后调用R语言包就可以绘制热图。这个实际操作起来非常简单快捷易懂。下面跟着小编一起学习一下吧~~

首先安装及加载pheatmap包

#安装包

install.packages("pheatmap")

#加载包

library("pheatmap")

pheatmap包中有很多参数，用于满足我们对热图的调整。虽然有很多参数，通过help(pheatmap)，可以查看所有参数的功能。下面给大家讲解一下pheatmap部分参数的实用。

# 数据创建

test = matrix(rnorm(200), 20, 10)

test[1:10, seq(1, 10, 2)] = test[1:10, seq(1, 10, 2)] + 1

test[11:20, seq(2, 10, 2)] = test[11:20, seq(2, 10, 2)] + 2

test[15:20, seq(2, 10, 2)] = test[15:20, seq(2, 10, 2)] + 10

colnames(test) = paste("Test", 1:10, sep = "")

rownames(test) = paste("Gene", 1:20, sep = "")

# 画热图

pheatmap(test,”1.pdf”)

上面的热图很明显不是我们想要的，所以要做一些调整，数据的每一行是基因对应的一个指标，所以对每一行进行数值的中心化和标准化。

pheatmap(test,filename="2.pdf",scale="row")

那又该怎么修改颜色呢？下面就给大家展示。

pheatmap(test,filename="3.pdf",scale="row",colour=colorRampPalette(c("blue","white","red"))(100))

接下来可以对图形进行调整，是否聚类（cluster_rows和cluster_cols）；热图单元格大小（cellwidth）和高（cellheight）；行聚类树高度（treeheight_row，列聚类是treeheight_col），默认是50。

有感兴趣的小伙伴可以自己尝试一下...

布置作业：

有兴趣的老师可以尝试用上面的语言进行绘制热图哦~~想画更炫热图的老师，可以使用circlize包画一个弯曲的热图。

做蛋白组学、代谢组学、多层组学研究机构，本期针对组学研究做的部分生信分析作图技巧

转自：鹿明生物