持續更新~
散點圖
條形圖
文氏圖
餅圖
盒型圖
頻率直方圖
熱圖
PCA圖
3D圖
火山圖
分面圖
分面制作小多組圖
地圖
練習數據：
year count china Ame jap '12 2.800000 1.500000 4.500000 2.500000 '13 2.941956 1.587559 5.342547 2.814862 '14 3.508838 1.648075 5.429438 2.701108 '15 4.011208 1.533966 5.419301 2.660671 '16 4.341734 1.634622 5.075504 2.925912
想研究某現象的分子機制，老板豪氣的來一句，先測個轉錄組吧，看下差異表達基因。
是否在心里竊喜，制個樣就完事了，太easy有木有。等大堆數據回來的時候，是不是傻眼了？
從何下手挑選差異表達基因呢？
今天就先來聊聊如何看差異表達基因數據，火山圖，聚類圖又怎么看。1差異基因篩選方法那差異基因是如何篩選出來的呢？差異基因的篩選方法有很多，包括倍數法、T檢驗、F檢驗及SAM等。
下面簡單介紹一下GCBI平台上用的倍數法和SAM法。
倍數法適用於沒有生物學重復的樣本，其計算基因在兩個條件下表達水平的比值，確定比值的閾值，將絕對值大於此閾值的基因判斷為差異基因。
SAM算法適用於有生物學重復的樣本，通過對分母增加一個常量 T 檢驗過程減小了假陽性發生的概率。文獻中報道，相較於其他算法，SAM算法更為穩定，篩選出的結果也更為准確。2差異基因數據解讀經過合適的差異基因方法篩選出的差異基因，結果一般分為兩部分，數據+圖形。
數據結果展示如下圖所示（兩分組）
眾多參數中，重點看三個。
p-value或q-value
沒有做生物學重復請跳過這一步。
p-value或q-value是統計學檢驗變量，代表差異顯著性，一般p-value或q-value小於0.05代表具有顯著性差異，但可根據具體情況適當調整。
因為p-value或q-value衡量地是某個基因假陽性的概率，如果p-value或q-value越低，那么挑選該基因出現假陽性的概率就越低，可驗證性就越高。
兩者具體的計算方法具體如下：那p-value、q-value同時存在時看哪個呢？
SAM法只有q-value。當兩者同時存在時，可根據具體情況具體分析。
差異篩選是一個典型的多重假設檢驗過程，對於多重假設檢驗，單次檢驗中差異顯著基因的假陽性率(p-value較小)可能會較大，而q-value和FDR值較常見的BH校正方法得到的FDR值而言，改進了其對假陽性估計的保守性。
即q-value相比於p-value更加嚴格，當差異基因結果較少時，可以退而求其次看p-value。Fold ChangeFold Change表示實驗組比上對照組的差異表達倍數，一般表達相差2倍以上是有意義的，放寬要求1.5倍或者1.2倍也可以接受。
看表達倍數的同時還需結合基因表達豐度，信號值太低的基因會在后續的驗證實驗中檢測不到。3差異基因圖表解讀在差異結果的圖形展示結果中，主要是火山圖和聚類圖。火山圖火山圖只針對兩分組且有生物學重復的情況。
如何看火山圖呢？
火山圖可反映總體基因的表達情況，橫坐標代表log2（Fold Change）,縱坐標表示-log10（P值），每個點代表一個基因，顏色用以區分基因是否差異表達，圖中橙色的點代表差異表達基因，藍色的點代表沒有差異表達的基因。聚類圖
聚類圖可以衡量樣本或基因之間表達的相似性。
如上圖所示的聚類圖中，橫坐標代表樣本聚類，一列代表一個樣本，聚類基於樣本間基因表達的相似性，樣本間基因表達越接近，靠的越近，以此類推。
縱坐標代表基因聚類，一行代表一個基因，聚類基於基因在樣本中表達的相似性，基因在樣本中表達越接近，靠的越近，以此類推。
色階代表基因表達豐度，越紅代表上調得越明顯，越綠代表下調得越明顯。
如何做聚類圖請戳往期推送
做個聚類圖只需1分鍾
差異基因有了，如何挑選潛在基因進行實驗驗證呢？
關鍵還在於感興趣點在哪了。粗略的看，可以先看KEGG或者GO功能分類，看差異基因具體富集在哪些通路或功能。
比如關注的是細胞內脂肪酸合成關鍵酶，可以重點看脂肪酸合成和碳流相關通路。具體如何看KEGG或者GO功能分類，請聽下回分解。
參考資料：微信搜ggplot會有很多案例
關於統計圖形的配色，看看這倆R包
R語言可視化——ggplot的theme訂制
R筆記6：ggplot繪制商務圖表--分面制作小多組圖
R筆記：ggplot繪制商務圖表--中國分省熱力地圖