转录组入门(pheatmap制作热图)

博客介绍利用R语言中的pheatmap包,基于tumorous_v_survive.txt数据制作转录组热图,该数据可接上一篇文章转录组分析的差异表达分析内容,最后得到相应结果图。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1.数据类型,数据名称tumorous_v_survive.txt(可接上一篇文章转录组分析——差异表达分析
在这里插入图片描述
2.利用R语言中的pheatmap包进行热图的制作

#载入pheatmap
library(pheatmap)
# 进入到数据文件所在的文件夹路径下
setwd("E:/shengwuxinxi/基因组重测序数据操作步骤/作业")
#导入数据文件
mat=read.table("tumorous_v_survive.txt",header=TRUE,row.names=1,sep="\t",check.names = F)
dim(mat)
#利用pheatmap画热图,fontsize参数是用来设置字体大小
pheatmap(mat,cluster_rows =T,scale = "row",clustering_method = "average",fontsize=5,fontsize_row=5,fontsize_col=10,color=colorRampPalette(rev(c("red","white","blue")))(102))

3.得到的结果图是
在这里插入图片描述

### 使用R绘制单细胞转录组PCA主成分分析的 为了使用R绘制单细胞转录组数据的PCA主成分分析,可以采用Seurat包中的`DimHeatmap`函数。此方法适用于展示特定维度下的基因表达模式。 对于具体操作,在加载并处理好所需的数据集之后,比如名为`pbmc`的对象,通过指定参数来调用该绘功能: ```r library(Seurat) # 假设已经有一个经过预处理的Seurat对象 pbmc DimHeatmap(pbmc, dims = 1:6, cells = 500, balanced = TRUE)[^1] ``` 这段代码会生成一个基于前六个主成分(PC1至PC6)以及随机选取的五百个细胞所构成的,其中`balanced=TRUE`选项确保了正负载荷之间的平衡显示。 ### 使用Python绘制单细胞转录组PCA主成分分析的 当偏好于Python环境时,则可借助Scanpy库完成相似的任务。下面是一个简单的例子说明如何实现这一点: 首先安装必要的软件包: ```bash pip install scanpy anndata pandas matplotlib seaborn scikit-learn ``` 接着编写如下脚本执行数据分析与可视化工作流的一部分: ```python import numpy as np import pandas as pd import scanpy.api as sc from sklearn.decomposition import PCA import seaborn as sns import matplotlib.pyplot as plt from matplotlib.colors import ListedColormap adata = ... # 加载你的AnnData格式单细胞RNA测序数据到变量 adata 中 sc.pp.normalize_per_cell(adata) sc.pp.log1p(adata) sc.pp.scale(adata) pca_result = PCA(n_components=6).fit_transform(adata.X) df_pca = pd.DataFrame(pca_result[:, :6], index=adata.obs_names, columns=['PC{}'.format(i + 1) for i in range(6)]) top_n_cells = df_pca.sample(n=500, random_state=42) plt.figure(figsize=(10, 7)) sns.heatmap(top_n_cells.T.corr(), cmap=ListedColormap(['#14a312', '#616161', '#a8208d']), center=0, annot=True, fmt='.2f') plt.title('Top 500 Cells Correlation Heatmap on First Six PCs') plt.show() ``` 上述代码片段展示了怎样利用Python及其生态系统的工具链来进行单细胞转录组学研究中的PCA降维,并进一步制作出具有代表性的。这里特别指定了三种自定义的颜色方案用于区分不同的相关程度区间[^3]。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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