箱線圖
箱線圖是能同時反映數據統計量和整體分布，又很漂亮的展示圖。在2014年的Nature Method上有2篇Correspondence論述了使用箱線圖的好處和一個在線繪制箱線圖的工具。就這樣都可以發兩篇Nature method，沒天理，但也說明了箱線圖的重要意義。
下面這張圖展示了Bar plot、Box plot、Volin plot和Bean plot對數據分布的反應。從Bar plot上只能看到數據標准差或標准誤不同；Box plot可以看到數據分布的集中性不同；Violin plot和Bean plot展示的是數據真正的分布，尤其是對Biomodal數據的展示。
Box plot從下到上展示的是最小值，第一四分位數 (箱子的下邊線)、中位數 (箱子中間的線)、第三四分位數 (箱子上邊線)、最大值，具體解讀看這里
擴增子圖表解讀1箱線圖：Alpha多樣性。
一步步解析箱線圖繪制
假設有這么一個基因表達矩陣，第一列為基因名字，后面幾列為樣品名字，想繪制下樣品中基因表達的整體分布。
profile="Name;2cell_1;2cell_2;2cell_3;4cell_1;4cell_2;4cell_3;zygote_1;zygote_2;zygote_3 A;4;6;7;3.2;5.2;5.6;2;4;3 B;6;8;9;5.2;7.2;7.6;4;6;5 C;8;10;11;7.2;9.2;9.6;6;8;7 D;10;12;13;9.2;11.2;11.6;8;10;9 E;12;14;15;11.2;13.2;13.6;10;12;11 F;14;16;17;13.2;15.2;15.6;12;14;13 G;15;17;18;14.2;16.2;16.6;13;15;14 H;16;18;19;15.2;17.2;17.6;14;16;15 I;17;19;20;16.2;18.2;18.6;15;17;16 J;18;20;21;17.2;19.2;19.6;16;18;17 L;19;21;22;18.2;20.2;20.6;17;19;18 M;20;22;23;19.2;21.2;21.6;18;20;19 N;21;23;24;20.2;22.2;22.6;19;21;20 O;22;24;25;21.2;23.2;23.6;20;22;21"
讀入數據並轉換為ggplot2需要的長數據表格式
profile_text <- read.table(text=profile, header=T, row.names=1, quote="",sep=";", check.names=F) # 在melt時保留位置信息 # melt格式是ggplot2畫圖最喜歡的格式 # 好好體會下這個格式，雖然多占用了不少空間，但是確實很方便 library(ggplot2) library(reshape2) data_m <- melt(profile_text) head(data_m) variable value 1 2cell_1 4 2 2cell_1 6 3 2cell_1 8 4 2cell_1 10 5 2cell_1 12 6 2cell_1 14
像往常一樣，就可以直接畫圖了。
# variable和value為矩陣melt后的兩列的名字，內部變量, variable代表了點線的屬性，value代表對應的值。 p <- ggplot(data_m, aes(x=variable, y=value),color=variable) + geom_boxplot() + theme(axis.text.x=element_text(angle=50,hjust=0.5, vjust=0.5)) + theme(legend.position="none") p # 圖會存儲在當前目錄的Rplots.pdf文件中，如果用Rstudio，可以不運行dev.off() dev.off()
箱線圖出來了，看上去還可以，再加點色彩
# variable和value為矩陣melt后的兩列的名字，內部變量, variable代表了點線的屬性，value代表對應的值。 p <- ggplot(data_m, aes(x=variable, y=value),color=variable) + geom_boxplot(aes(fill=factor(variable))) + theme(axis.text.x=element_text(angle=50,hjust=0.5, vjust=0.5)) + theme(legend.position="none") p # 圖會存儲在當前目錄的Rplots.pdf文件中，如果用Rstudio，可以不運行dev.off() dev.off()
再看看Violin plot
# variable和value為矩陣melt后的兩列的名字，內部變量, variable代表了點線的屬性，value代表對應的值。 p <- ggplot(data_m, aes(x=variable, y=value),color=variable) + geom_violin(aes(fill=factor(variable))) + theme(axis.text.x=element_text(angle=50,hjust=0.5, vjust=0.5)) + theme(legend.position="none") p # 圖會存儲在當前目錄的Rplots.pdf文件中，如果用Rstudio，可以不運行dev.off() dev.off()
還有Jitter plot (這里使用的是ggbeeswarm包)
library(ggbeeswarm)
# 為了更好的效果，只保留其中一個樣品的數據
# grepl類似於Linux的grep命令，獲取特定模式的字符串
data_m2 <- data_m[grepl("_3", data_m$variable),]
# variable和value為矩陣melt后的兩列的名字，內部變量, variable代表了點線的屬性，value代表對應的值。
p <- ggplot(data_m2, aes(x=variable, y=value),color=variable) +
geom_quasirandom(aes(colour=factor(variable))) +
theme_bw() + theme(panel.grid.major = element_blank(),
panel.grid.minor = element_blank(), legend.key=element_blank()) +
theme(legend.position="none")
# 也可以用geom_jitter(aes(colour=factor(variable)))代替geom_quasirandom(aes(colour=factor(variable)))
# 但個人認為geom_quasirandom給出的結果更有特色
ggsave(p, filename="jitterplot.pdf", width=14, height=8, units=c("cm"))
繪制單個基因 (A)的箱線圖
為了更好的展示效果，下面的矩陣增加了樣品數量和樣品的分組信息。
profile="Name;2cell_1;2cell_2;2cell_3;2cell_4;2cell_5;2cell_6;4cell_1;4cell_2;4cell_3;4cell_4;4cell_5;4cell_6;zygote_1;zygote_2;zygote_3;zygote_4;zygote_5;zygote_6
A;4;6;7;5;8;6;3.2;5.2;5.6;3.6;7.6;4.8;2;4;3;2;4;2.5
B;6;8;9;7;10;8;5.2;7.2;7.6;5.6;9.6;6.8;4;6;5;4;6;4.5"
profile_text <- read.table(text=profile, header=T, row.names=1, quote="",sep=";", check.names=F)
data_m = data.frame(t(profile_text['A',]))
data_m$sample = rownames(data_m)
# 只挑選顯示部分
# grepl前面已經講過用於匹配
data_m[grepl('_[123]', data_m$sample),]
獲得樣品分組信息 (這個例子比較特殊，樣品的分組信息就是樣品名字下划線前面的部分)
# 可以利用strsplit分割，取出其前面的字符串
# R中復雜的輸出結果多數以列表的形式體現，在之前的矩陣操作教程中
# 提到過用str函數來查看復雜結果的結構，並從中獲取信息
group = unlist(lapply(strsplit(data_m$sample,"_"), function(x) x[1]))
data_m$group = group
data_m[grepl('_[123]', data_m$sample),]
如果沒有這個規律，也可以提到類似於下面的文件，指定樣品所屬的組的信息。
sampleGroup_text="Sample;Group zygote_1;zygote zygote_2;zygote zygote_3;zygote zygote_4;zygote zygote_5;zygote zygote_6;zygote 2cell_1;2cell 2cell_2;2cell 2cell_3;2cell 2cell_4;2cell 2cell_5;2cell 2cell_6;2cell 4cell_1;4cell 4cell_2;4cell 4cell_3;4cell 4cell_4;4cell 4cell_5;4cell 4cell_6;4cell" #sampleGroup = read.table(text=sampleGroup_text,sep="\t",header=1,check.names=F,row.names=1) #data_m <- merge(data_m, sampleGroup, by="row.names") # 會獲得相同的結果，腳本注釋掉了以免重復執行引起問題
矩陣准備好了，開始畫圖了 (小提琴圖做例子，其它類似)
# 調整下樣品出現的順序
data_m$group <- factor(data_m$group, levels=c("zygote","2cell","4cell"))
# group和A為矩陣中兩列的名字，group代表了值的屬性，A代表基因A對應的表達值。
# 注意看修改了的地方
p <- ggplot(data_m, aes(x=group, y=A),color=group) +
geom_violin(aes(fill=factor(group))) +
theme(axis.text.x=element_text(angle=50,hjust=0.5, vjust=0.5)) +
theme(legend.position="none")
p
# 圖會存儲在當前目錄的Rplots.pdf文件中，如果用Rstudio，可以不運行dev.off()
長矩陣繪制箱線圖
常規矩陣繪制箱線圖要求必須是個方正的矩陣輸入，而有時想比較的幾個組里面檢測的值數目不同。比如有三個組，GrpA組檢測了6個病人，GrpB組檢測了10個病人，GrpC組是12個正常人的檢測數據。這時就很難形成一個行位檢測值，列為樣品的矩陣，長表格模式就適合與這種情況。
long_table <- "Grp;Value GrpA;10 GrpA;11 GrpA;12 GrpB;5 GrpB;4 GrpB;3 GrpB;2 GrpC;2 GrpC;3" long_table <- read.table(text=long_table,sep="\t",header=1,check.names=F) p <- ggplot(long_table, aes(x=Grp, y=Value),color=Grp) + geom_violin(aes(fill=factor(Grp))) + theme(axis.text.x=element_text(angle=50,hjust=0.5, vjust=0.5)) + theme(legend.position="none") p
長表格形式自身就是常規矩陣melt后的格式，這種用來繪制箱線圖就很簡單了，就不做解釋了。