博客
利用pheatmap制作热图

利用pheatmap制作热图

February 26, 2025

这篇文章描述了如何合并来自不同实验的多个值以创建热图的方法。

以下步骤展示了如何从 Excel 文件中读取数据，将其合并并用于制作美观的热图。

准备 R 包

需要以下 R 包：

  • readxl 和 writexl 用于输入/输出数据
  • dplyr 和 scales 用于处理数据
  • pheatmap、ggplot2 和 tidyverse 用于绘图
library(readxl)
library(writexl)
library(scales)
library(pheatmap)
library(ggplot2)
library(tidyverse)

数据处理

设置输入文件或文件夹路径 

input_file_path = "./serum_dataset/vaccine serum samples-wt delta omi.xlsx"
input_folder_path = "./serum_dataset"
# 替换为您的文件或文件夹路径

通常，我会将图表导出到与输入文件相同的文件夹中：

outputpath = paste0(dirname(input_file_path),"\\heatmap.pdf")

此 outputpath 将命名为 “heatmap.pdf”，并保存在与输入文件相同的文件夹中：

[1] "./serum_dataset\\heatmap.pdf"

如果选择文件夹路径作为输入，则 outputpath 应与 input_folder_path 相同：

outputpath = input_folder_path
outputpath

读取数据

确保您的 Excel 文件中的数据格式如下所示：

sample WT-1 WT-2 WT-3 WT-4 WT-5 WT-6 WT-7 WT-8 WT-9 Delta-1 Delta-2 Delta-3 Delta-4 Delta-5 Delta-6 Delta-7 Delta-8 Delta-9 Omicron-1 Omicron-2 Omicron-3 Omicron-4 Omicron-5 Omicron-6 Omicron-7 Omicron-8 Omicron-9
249 3490 3566 3701 3823 3796 3779 4106 6278 11691 2318 2265 2270 2361 2399 2625 4045 19085 42810 2688 2691 2608 2743 2742 2697 2756 3168 10036
NA 3236 3265 3310 3453 3100 2996 3179 10101 17397 2160 2154 2158 2899 2047 2424 6343 10983 41618 2550 2473 2521 2474 2317 2331 2356 3451 7322
230 2384 2528 2675 2620 2673 2764 4490 10318 18427 1879 2515 1857 1938 2726 4257 12521 23052 57013 2255 2264 2126 2276 2062 2187 2262 2363 5507
NA 2394 2296 2315 2243 2376 3073 5018 14496 18438 1852 1869 1849 1792 1907 4469 16023 23121 29738 2121 2088 2464 2183 2036 1983 1931 2320 4665
244 1958 1936 2026 2005 1976 2474 2137 4656 11394 1698 2007 1678 1796 1647 1795 3571 9030 30330 2038 1889 2044 1917 1911 2243 2243 2969 6628
NA 1832 1921 1920 1790 1854 1996 2062 3999 10572 1703 1662 1543 1523 1683 3228 3715 7058 20046 1858 1881 1799 1760 1749 1736 1984 2797 8719

Sample 列将用作合并数据的关键列。
如果您的数据格式与上述示例匹配，可以通过以下命令读取数据：

  • 如果您的数据存储在不同的 Excel 文件中，并且每个文件仅包含 一个 工作表：
file_names <- list.files(input_folder_path, pattern = "\\.xlsx$|\\.xls$", full.names = TRUE)
merged.data = list()
for (i in 1:length(file_names)) {
    # 读取 Excel 文件中的数据
    data <- read_excel(file_names[i])
    colnames(data)[1] = "sample"
    # 合并数据
    merged.data[[i]] = data
}
merged_df = merged.data[[1]]

让我们看一下输出的 merged_df：

这是一个数据框：

class(merged_df)
[1] "tbl_df"     "tbl"        "data.frame"

数据处理

此 merged_df 将作为输入进行进一步处理，包括 合并批次、去除 NA 值 和 标准化。

合并批次 和 去除 NA 值 

 [1] "sample"    "WT-1"      "WT-2"      "WT-3"      "WT-4"      "WT-5"     
 [7] "WT-6"      "WT-7"      "WT-8"      "WT-9"      "Delta-1"   "Delta-2"  
[13] "Delta-3"   "Delta-4"   "Delta-5"   "Delta-6"   "Delta-7"   "Delta-8"  
[19] "Delta-9"   "Omicron-1" "Omicron-2" "Omicron-3" "Omicron-4" "Omicron-5"
[25] "Omicron-6" "Omicron-7" "Omicron-8" "Omicron-9"

使用 Z-score 进行标准化

Z-score通常用于标准化。这里是其定义的详细解释。简单来说，我们使用公式 (x-μ)/σ 分别计算 Binding、Neutralization、ADE 和 Competition ELISA 实验的 Z-score。

output.data = merged_df %>% na.omit()
rownames(output.data) = output.data$sample
output.data$sample = NULL

查看 output.data：

WT-1 WT-2 WT-3 WT-4 WT-5 WT-6 WT-7 WT-8 WT-9
3490 3566 3701 3823 3796 3779 4106 6278 11691
2384 2528 2675 2620 2673 2764 4490 10318 18427

创建热图

现在您已经准备好数据来制作热图，但仍需完成一些设置。

注释列和行

注意，列注释必须与 output.data 中的顺序匹配。
因此，您可能需要仔细检查 output.data 的排列方式：

colnames(output.data)
 [1] "WT-1"      "WT-2"      "WT-3"      "WT-4"      "WT-5"      "WT-6"     
 [7] "WT-7"      "WT-8"      "WT-9"      "Delta-1"   "Delta-2"   "Delta-3"  
[13] "Delta-4"   "Delta-5"   "Delta-6"   "Delta-7"   "Delta-8"   "Delta-9"  
[19] "Omicron-1" "Omicron-2" "Omicron-3" "Omicron-4" "Omicron-5" "Omicron-6"
[25] "Omicron-7" "Omicron-8" "Omicron-9"

现在，您可以按照以下命令设置注释：

  annotation_col= data.frame(Datatype = factor(rep(c("WT","Delta","omi"),c(9,9,9))))
  rownames(annotation_col) = colnames(output.data)
  ann_colors = list(Datatype = c(WT="#3567E5",Delta="#B0E65E",omi="#91726B"))

设置图例分段

break 参数对热图的输出格式非常重要，因为它决定了数据在特定范围内的代表颜色。这里我们使用一个 bk 因子来设置它。

 bk = seq(-2,5,by = 1)

绘制热图

最后，我们到达了这一步：

 # 热图
  p1 <- pheatmap(output.data,  # 您准备好的数据
                 color = c(colorRampPalette(c('#C6DAF1','white','red'),bias = 1.7)(6)), 
                 # 设置颜色，这里我在浅蓝色和红色之间设置了 6 种颜色
                 border_color = "black",  # 设置边框颜色，NA 表示无边框
                 scale= "none", 
                 # "column" 表示对每列进行 Z-score 标准化，
                 # "row" 表示对每行进行 Z-score 标准化，
                 # "none" 表示不进行标准化，
                 # 我们选择 "none"，因为之前已经完成了标准化。
                 cluster_rows = TRUE, # 是否按行聚类
                 cluster_cols = FALSE, # 是否按列聚类
                 legend = TRUE, # 是否显示图例
                 breaks = bk, # 设置分段
                 legend_breaks = c(-2:5), # 设置图例分段
                 legend_labels = c(-2:5), # 设置图例分段的标签
                 show_rownames = FALSE, 
                 show_colnames = FALSE, 
                 display_numbers = FALSE,
                 fontsize = 10, # 设置字体大小
                 annotation_col =annotation_col,
                 annotation_colors = ann_colors,
                 angle_col = 0,
                 cutree_rows=4, # 按聚类结果分割热图
  )

我们完成了！现在享受您的热图吧！

保存热图 

 ggsave(file = outputpath, plot = p1,width = 11,height = 10,dpi = 300)
🤖
AI 使用声明：本文由作者撰写，AI 工具（Claude）辅助完成初稿起草、中英互译与格式整理。作者已审校全部内容，并对准确性承担最终责任。
最后更新于