RNA_seq 熱圖繪制

若已經拿到表達矩陣exprSet

若差異較大，進行log縮小不同樣本的差距

1、熱圖全體

##加載包
library(pheatmap)

##縮小表達量差距
exprSet <- log2(exprSet+1)

##取最大標准差前1000個基因名字
cg <-names(tail(sort(apply(exprSet,1,sd)),1000))

##標准化，只關注樣品間基因差異，不關注基因之間的，將離群點拉平
n <-t(scale(t(exprSet[cg,])))
n[n>2] <-2
n[n<-2] <-2

##這是group_list
group_list <-c(rep("a",3),rep("b",3))
ac <- data.frame(sample=group_list)
rownames(ac) <- colnames(n)

##draw pheatmap,其中annotation_col 可以增加sample組
pheatmap(n, show_rownames = F, show_colnames = F,
         annotation_col = ac)

##draw pheatmap add number
pheatmap(n, show_rownames = F, show_colnames = F,
         annotation_col = ac, display_numbers = TRUE)

 

 

2、對差異基因進行繪制，步驟都類似，在進行繪制時，應對數據進行一定處理

##DEseq2 獲得dds
dds <- DESeq2(dds)
res <- results(dds)
res <- res[order(res$padj),]
DEG <- as.data.frame(res)

##去掉NA
DEG <- na.omit(DEG)

##熱圖
library(pheatmap)
choose_gene <- head(rownames(DEG),100)  ##50 maybe better
choose_matrix <- exprSet[choose_gene,]
choose_matrix <- t(scale(t(choose_matrix)))
pheatmap(choose_matrix, show_rownames = F, show_colnames = F,
         annotation_col = ac)

 

3、rlog 進行數據標准化

##rlog 標准化
rld <- rlog(dds)
##讀取
exprMatrix_rlog <- assay(rld)
##輸出
write.csv(exprMatrix_rlog, 'exprMatrix.rlog.csv')

標准化和raw count 的比較

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，樣本間可以進行很好觀察

 

參考：生信技能樹

 

 

 

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

關注下方公眾號可獲得更多精彩