组学数据分析实操系列 |（四） 富集气泡图的绘制

最新推荐文章于 2025-03-25 17:31:20 发布
原创 最新推荐文章于 2025-03-25 17:31:20 发布 · 2.2k 阅读 · 22 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#数据分析 #数据挖掘

前言：在上一篇中（点我查看详情），我们介绍了利用Metascape零代码实现富集分析，但是Metascape的富集分析结果是以柱状图的形式展示的。文章中更常使用的富集结果可视化方式是气泡图。气泡图可以通过气泡的坐标、形状、颜色、大小等来展示更加丰富的富集分析结果（如P值、数目、占比、类型等）。如果我们想把上述富集柱状图改为气泡图形式，或者在拿到富集分析结果表格后，经过调整阈值筛选进行重新绘图，该如何操作呢？

今天给大家介绍三款实现富集分析结果可视化的绘图工具：微生信、ImageGP和SangerBox网站。这些工具提供了丰富的可视化选项，据以优化(富集) 分结果的展现形式，方便读者更好地理解和解释数据。

方式一：

微生信绘制气泡图

01数据获取

以Metascape富集分析结果为例，如下图所示：在Metascape网站完成富集分析后，点击Analysis Report Page，跳转至结果页面，找到Pathwayand Process Enrichment Analysis，复制以下表格，粘贴至Excel表格。

图片

02登录微生信网站

在浏览器中输入微生信网址（http://www.bioinformatics.com.cn），在网页右上角注册后登录。

03单击左列的GO，Pathway图，选择多类型气泡图。

图片

04数据格式转化及可视化

上一步点击后的页面分为两个部分，左边用于粘贴数据和调整参数，右边是对数据输入格式的说明。其中调整参数的部分大家可以参考下方的示例图。

图片

而粘贴数据之前需要先点击页面右侧“输入：示例数据”，查看数据格式的标准示例，然后根据示例将第一步得到的数据进行调整，一般需要调整以下内容（原始条目——调整后的条目）：Category → Class，Description → Description，% → Generatio，Count → Count，Log10(P) → 通过公式power(10, Log10(P))进行转化得到pvalue。

图片

完成输入数据、调整参数后，点击提交。等待几秒后，右侧便会出现结果气泡图，在下载处点击所需的文件格式就可以啦。

图片

05其他形式的富集结果图

除了上述“多类型气泡图”的形式外，该网站工具还提供了其它的富集分析结果可视化方式，下图展示的是其中两种形式。其操作方法类似，大家可以根据需求和喜好进行选择。

图片

方式二：

SangerBox

访问SangerBox网站（http://sangerbox.com/home.html），注册后登录。

01

图片

开始绘制气泡图

02

首先点击生信工具盒——工具列表——定制化气泡图绘制工具，进入绘制气泡图页面。

接下来在表格区域输入数据，注意这个数据的信息排布与前一个工具有所不同，第一列YData输入富集途径（Description），第二列输入GeneRatio，第三列点大小输入Count，第四列点颜色输入P值，第五列点类型输入Class。

最后根据实际需求调整绘图参数，如点的大小、点的颜色、点的形状、背景风格。点击立即提交，开始绘制气泡图。

图片

导出气泡图

03

于页面下方导出图片处导出气泡图，在导出之前，可在设置长宽处调整图片的长度和宽度，在自定义渐变处调整颜色。

图片

方式三：

ImageGP

01

登录ImageGP网站

网站地址：http://www.ehbio.com/ImageGP/index.php/Home/Index/Scatterplot.html

02

开始绘制气泡图

点击GO Enrichmentplot，进入以下页面，页面上方显示数据格式Datamatrix，并提示如何选择必要参数。

图片

操作步骤：

  • 粘贴数据至下方白色框中

  • 在Essential parameters（必选）区域选择相应的参数变量

  • 在Layout（选填）区域可以改变图注的位置

  • 在Modify plot titles（选填）区域可以输入X、Y轴名称

  • 在Picture attributes（选填）改变图片大小

  • 右下角点击Plot进行绘图

  • Plot area可预览及下载富集气泡

图片

以上就是实现富集分析结果可视化的工具介绍啦，操作都很简单，小伙伴可以自己试一试，如果有问题的话可以联系我们哦！

参考文献

1.Tang D, Chen M, Huang X, Zhang G, Zeng L, Zhang G, Wu S, Wang Y. SRplot: A free online platform for data visualization and graphing. PLoS One. 2023 Nov 9;18(11):e0294236.

2.Chen T. et al. 2022. ImageGP: An easy-to-use data visualization web server for scientific researchers. iMeta 1: e5.

3.Shen, et al. 2022. Sangerbox: A comprehensive, interaction-friendly clinical bioinformatics analysis platform. iMeta 1(3): e36.

谱度众合
关注
微生信在线绘制KEGG Pathway通路分类汇总图
微生信
12-26 1万+
KEGG Pathway分析是文献中几乎必备的一项功能分析。在pathway富集分析中，我们一般关注的是输入基因富集到哪些通路，但是殊不知，这些通路还可以进行分类汇总。 在KEGG官网（KEGG PATHWAY Database）中，将通路分成了7类： 1. Metabolism （代谢）2. Genetic Information Processing （遗传信息处理）3. Environmental Information Processing （环境信息处理）4. Cellular Proc...
微生信 -- 20万+科研用户信赖的生信分析云平台
微生信
08-04 1873
微生信云平台以270多款在线绘图、分析模块为基础，致力于0代码在线分析数据，0代码在线绘制科研图片。让不会写代码的科研工作者，贴贴数据，点点鼠标就能够进行数据分析和科研绘图，沉浸在数据分析和绘图所带来的便捷和喜悦中，助力发文章，发高分文章，为生命科学的发展添砖加瓦。
如何保证input的输入值不会随着提交 而变空_如何绘制富集分析气泡图？无代码...
weixin_39573287的博客
11-30 2516
富集分析是将基因根据先验的知识（也就是常见的注释）进行分类的过程，最常见的富集分析是GO与KEGG富集。文献中通常使用柱形图或点图来展示富集分析结果，柱子的高低与p value相关，柱子越高则富集越显著：柱形图只能突出显示富集的Term与对应的p值，存在一定的局限性。因此，在一些高分文献中则会使用更高效的气泡图（Bubble图）来展示富集分析结果。富集分析气泡图是在笛卡尔坐标系中加入数量、p值等参...
一起学画图：气泡图—常用于富集分析
NewComerSyt的博客
03-02 7833
公众号原文点我 Part 1 ：气泡图 气泡图是散点图的一种变体，一般的散点图反映的是两个连续变量之间的关系。而气泡图通常可以反映三个变量之间的关系，第三个变量一般体现在气泡的大小。当然，如果赋予气泡不同的颜色，那么也可利用其反映四个变量之间的关系。 在实际使用中，气泡图常用于展示基因富集分析的结果。本期使用R包gapminder中现有数据集，基于ggplot2制作气泡图 Part 2 ：图像与代码 在加载数据并对数据进行简单的筛选后，很容易做出一个简单的气泡图： #加载相关包 library(ggplo
R语言学习 - 富集分析泡泡图
悟道西方
05-22 1789
功能富集分析用来展示某一组基因(一般是单个样品上调或下调的基因)倾向参与哪些功能调控通路，对从整体理解变化了的基因的功能和潜在的调控意义具有指导作用，也是文章发表中一个有意义的美图。通常会用柱状图、泡泡图和热图进行展示。热图的画法之前已经介绍过，这次介绍下富集分析泡泡图, 其展示的信息是最为全面的，也是比较抓人眼球的。做基因功能富集分析、KEGG富集分析、GSEA分析首选clusterProfiler，Y叔的良心之作，数据集更新及时，结果准确，自带语义分析合并相似条目、出图漂亮。
组学数据分析实操系列 | （二）一键实现MaxQuant非标定量蛋白质组学搜库结果的生信分析
Specally的博客
02-07 2101
1）大家可选择上一篇文章中MaxQuant搜库得到的结果，或更简单的，选择LFQ-Analyst提供的示例数据Example LFQ data和Example Experimental Design file进行操作；比如，在火山图中画框选中感兴趣的点，图中会标注这些点的基因名，并在左侧数据表格中展示这些蛋白的信息。还有，在左侧LFQ结果表格中选择感兴趣的蛋白，右侧Protein Plot界面可针对这些蛋白绘制相应的箱图或小提琴图来显示其在不同样品中的定量差异。，方便我们对蛋白质组学数据进行理解和挖掘。
组学数据分析实操系列 | （四）蛋白互作网络分析（STRING + Cytoscape）
Specally的博客
03-24 2592
我们对今天的分享内容做一下总结，STRING数据库分析结合Cytoscape绘图是当下进行蛋白互作网络分析所使用的主流方法，对于PPI网络的美化及进阶处理可以多借助一些插件，细节部分则可以根据个人喜好进行调整，最后就能做出既美观又高端的蛋白互作网络图啦。分析的起点是一组蛋白（名称或者ID号），它们可以来源于我们蛋白IP-MS筛选出来的所有互作蛋白，也可以是我们差异分析所筛选出来的全部差异表达蛋白，通常50-300个蛋白可以获得较好的图形展示效果。这就是今天我们介绍的蛋白互作网络分析构建的全部内容。
组学数据分析实操系列 | （五）蛋白互作网络分析（STRING + Cytoscape）
Specally的博客
03-25 2800
即Protein–protein interaction(PPI) network，是描述一组蛋白间相互作用关系的分析方式。因为蛋白间的相互作用关系复杂，每一个蛋白都是一个节点，多个蛋白间的相互作用连成线条就形成了网状结构，故称之为蛋白互作网络。分析蛋白互作网络的目的是什么呢？主要有两点：一方面自然是帮助我们明确蛋白之间的相互作用关系，这一点对于一些IP-MS研究很重要；另一方面，我们还能筛选出一些处于蛋白互作网络上关键节点的蛋白，这对于生物标志物的筛选具有指导意义。
零基础入门转录组数据可视化-绘制富集分析柱状图（常规）
02-26
本教程为零基础学员提供了一条快速入门转录组数据可视化道路，通过实操演练的方式，使初学者能够快速掌握使用R语言绘制富集分析柱状图的技能。这对于提高生物信息学研究的质量和效率具有重要的意义。
R语言基因功能富集分析气泡图
Bio大恐龙
10-22 5270
基因功能富集分析气泡图 ontology 基因本体论 基因富集分析 R语言ggplot绘制散点图
利用ggplot2绘制功能富集气泡图
青笋的博客
11-04 4981
本期学习笔记的内容是在R语言中绘制功能富集泡泡图，最终能实现下面这种结果。 学习绘图之前，首先学一下怎么看这张图： 横轴表示差异基因占比，数值越大表示富集程度越大纵轴表示富集的通路，越靠上的通路越显著气泡的颜色表示pvalue的大小（越红表示pvalue的负对数越大，pvalue越小）气泡大小表示差异基因个数，越大则数量越多 功能富集分析泡泡图用来展示一组基因参与哪些功能调节通路，有利于理解基因的功能和潜在意义，这次跟着生信宝典的R语言学习教程，记录一下重点内容笔记。 准备阶段 富集矩阵 Desc
R 语言绘制功能富集泡泡图
weixin_34115824的博客
07-26 1794
功能富集泡泡图 功能富集分析用来展示某一组基因(一般是单个样品上调或下调的基因)倾向参与哪些功能调控通路，对从整体理解变化了的基因的功能和潜在的调控意义具有指导作用，也是文章发表中一个有意义的美图。通常会用柱状图、泡泡图和热图进行展示。热图的画法之前已经介绍过，这次介绍下富集分析泡泡图, 其展示的信息是最为全面的，也是比较抓人眼球的。 做基因功能富集分析、KEGG富集分析、GSEA分析首选c...
在线作图|如何绘制一张气泡图
weifanbio的博客
08-06 4898
Question 1：什么是气泡图 气泡图（bubble chart）形似气泡，是用于展示三个变量之间关系的数据统计分析图表之一，它最多能够实现同一个事物的四个维度的直观的数据可视化。气泡图横纵坐标各是一个变量，第三个变量用气泡的大小来表示，与此同时还可以加入一个表示大小的变量进行比对。在生信分析中，GO/KEGG功能注释和富集分析气泡图是比较常见的。 Question 2：如何不使用R绘制气泡图？ 小编和他的小伙伴们开发了一个在线的作图小网站——云图图（https://www.cloudtutu.com
生信常用分析图形绘制03 -- 富集分析圈图
weixin_45709930的博客
08-12 6233
有了R语言的基础，以及ggplot2绘图基础，我们的的绘制就可以提上日程了！本系列，师兄就开始带着大家一起学习如何用R语言绘制我们自己的各种分析图吧！由于本系列的所有分析代码均为师兄细心整理和详细注释而成的！您的支持是我持续更新的最大动力！......
跟着Nature Communications学作图--气泡图+相关性热图
weixin_45709930的博客
07-09 5663
从这个系列开始，师兄就带着大家从各大顶级期刊中的Figuer入手，从仿照别人的作图风格到最后实现自己游刃有余的套用在自己的分析数据上！这一系列绝对是高质量！还不赶紧点赞+在看，学起来！...
2.15 气泡图
Peter_Zhang_Jie的专栏
06-16 2247
气泡图与散点图相似，不同之处在于，气泡图允许在图表中额外加入一个表示大小的变量。实际上，这就像以二维方式绘制包含三个变量的图表一样。所以在Excel中将散点图与气泡图放在相近的位置。气泡由大小不同的标记(指示相对重要程度)表示，在Excel中由气泡的面积或宽度控制。气泡图只能展示三维数据的散点图，而不能展示曲面图，所以在科学论文中很少使用。但是在本节中还是以图2-15-1为例讲解气泡图的制作过程。
生信数据分析—cmake
aagk6406的博客
11-30 215
1、进入自己目录： cd /home/liuwenfang/biosoft 2、在biosoft目录系建软件存放目录： mkdir cmake 3、下载cmake： https://cmake.org/download/ https://cmake.org/files/v3.10/cmake-3.10.0.tar.gz（下载网站） 4、解压： tar -zxvfcmak...
生信数据分析—bamtools
aagk6406的博客
11-30 596
相关网站 http://www.biotrainee.com:8080/thread-764-1-1.html https://github.com/pezmaster31/bamtools/wiki/Building-and-installing（下载网站） 转载于:https://www.cnblogs.com/fangfang66/p/7928009.html...
多组学关联分析实操
最新发布
07-27
多组学数据关联分析是当前生物医学研究中的一个关键领域，它允许研究者从多个生物学层面（如基因组、转录组、蛋白质组、代谢组等）对生物系统进行综合理解。这种分析方法在疾病机制探索、生物标志物发现、药物靶点识别以及精准医疗等方面具有广泛应用。 ### 数据准备与预处理 在进行多组学数据关联分析之前，数据的准备和预处理是至关重要的一步。由于不同组学数据的生成技术（如高通量测序、质谱等）和数据特征（如离散型、连续型、高维稀疏性等）存在显著差异，因此需要针对每种类型的数据进行标准化、归一化和质量控制[^1]。 例如，对于基因组数据，通常需要进行SNP calling、变异注释等步骤；对于转录组数据，则需要进行表达量计算、差异表达分析等；而对于代谢组数据，可能需要进行峰识别、定量和代谢物注释等操作。 ### 数据整合策略 在数据整合阶段，常见的策略包括基于统计的方法、基于网络的方法和基于机器学习的方法。 - **统计方法**：如主成分分析（PCA）、偏最小二乘回归（PLS）、典型相关分析（CCA）等，可以用于识别不同组学数据之间的潜在结构和相关性。 - **网络方法**：构建多层生物网络，如基因-蛋白-代谢物相互作用网络，可以帮助识别跨组学的功能模块和关键节点。 - **机器学习方法**：使用集成学习、深度学习等技术，可以捕捉非线性关系并进行预测建模，例如使用多模态深度学习模型来整合不同类型的组学数据以预测疾病表型。 ### 实操工具与平台 在实际操作中，有许多工具和平台可用于多组学数据的整合与分析： - **R/Bioconductor**：提供了多个用于多组学数据分析的包，如`mixOmics`、`blockForest`、`MOFA2`等。 - **Python**：有`scikit-learn`、`pandas`、`numpy`等库支持数据处理与机器学习分析，也有专门针对多组学数据的库如`multiomics`。 - **专用软件**：如`Cytoscape`用于构建和分析生物网络，`Pathway Studio`用于通路级分析，`IPA`（Ingenuity Pathway Analysis）用于功能富集和调控网络分析。 以下是一个使用`mixOmics`包进行多组学数据整合的简单R代码示例： ```r library(mixOmics) # 假设我们有两个组学数据集X和Y # X: 第一组学数据（例如基因表达） # Y: 第二组学数据（例如代谢物浓度） # 使用PLS方法进行整合分析 pls.model <- pls(X, Y, ncomp = 2) # 可视化结果 plotVar(pls.model, var.names = TRUE, pch = 16, cex = 0.8, col = c("blue", "red")) ``` ### 分析与解释 分析完成后，需要对结果进行深入解释。这包括识别关键变量、构建调控网络、进行功能富集分析等。例如，在PLS分析中，可以通过变量重要性投影（VIP）评分来识别对模型贡献较大的变量；在网络分析中，可以使用中心性指标来识别网络中的关键节点。 此外，整合分析的结果应与生物学知识相结合，通过文献检索、数据库查询（如KEGG、Reactome、STRING等）来验证发现的关联是否具有生物学意义。 ### 挑战与展望 尽管多组学数据整合分析具有巨大潜力，但也面临诸多挑战，包括数据异质性、样本量不足、计算复杂度高、结果解释困难等。未来的发展方向可能包括更高效的算法开发、更好的可视化工具、更完善的生物学注释系统以及跨学科合作的加强。 通过上述步骤和技术，可以系统地进行多组学数据的关联分析，从而揭示复杂的生物过程和机制。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值