devbox
我家自动化
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

获取pheatmap聚类后和标准化后的结果

作者：我家自动化 | 2024-02-22 22:59:51

赞

踩

pheatmap中cluster后怎么看到分组

pheatmap是简单常用的热图绘制包，可以快速、简单、可定制的绘制漂亮热图。具体见R语言学习-热图简化和免费高颜值可定制在线绘图工具 ImageGP。

现在要解决的一个问题是图出来了，想看下转换后用于绘图的表格，也就是获取聚类后的矩阵和聚类标准化后的矩阵。

生成测试数据

  1. mat <- matrix(rnorm(30), nrow=5)
  2.  
  3. colnames(mat) <- paste("sample", 1:6, sep="_")
  4.  
  5. rownames(mat) <- paste("gene", 1:5, sep="_")
  6.  
  7. mat

结果如下

  1. ##          sample_1   sample_2   sample_3    sample_4   sample_5   sample_6
  2. ## gene_1 -0.3286368  0.3153119 -0.7730821 -0.85242874 -0.5303812  0.5088226
  3. ## gene_2 -1.3153020  0.3193550  0.4496518 -1.08782734  1.7620763 -0.9312810
  4. ## gene_3  0.6545161 -0.8220414 -1.1916559  0.04775437  0.2814619  1.8720241
  5. ## gene_4  1.0810986  0.2298092 -0.3615045  0.70162614  1.8572989  0.7250737
  6. ## gene_5 -1.8931573  2.7013864  0.5049798 -0.13541785 -1.7796036 -0.3185864

绘图

  1. library(pheatmap)
  2.  
  3. # 绘图同时存储绘图结果
  4. (a <- pheatmap(mat, cluster_rows = T, cluster_cols = T))

提取聚类后的原始矩阵

  1. # 查看绘图数据的结构
  2. # 直接查看会很大，这里只展示其前2层
  3. # str: structure
  4. str(a, max.level = 2)
  5.  
  6. # Rstudio中
  7. # View(a)

结果如下

  1. ## List of 4
  2. ##  $ tree_row:List of 7
  3. ##   ..$ merge      : int [1:4, 1:2] -1 -4 -2 -5 -3 1 2 3
  4. ##   ..$ height     : num [1:4] 2.4 3.21 4.38 5.56
  5. ##   ..$ order      : int [1:5] 5 2 4 1 3
  6. ##   ..$ labels     : chr [1:5] "gene_1" "gene_2" "gene_3" "gene_4" ...
  7. ##   ..$ method     : chr "complete"
  8. ##   ..$ call       : language hclust(d = d, method = method)
  9. ##   ..$ dist.method: chr "euclidean"
  10. ##   ..- attr(*, "class")= chr "hclust"
  11. ##  $ tree_col:List of 7
  12. ##   ..$ merge      : int [1:5, 1:2] -1 -6 -2 -5 3 -4 1 -3 2 4
  13. ##   ..$ height     : num [1:5] 1.98 2.29 2.55 3.78 5.21
  14. ##   ..$ order      : int [1:6] 2 3 5 6 1 4
  15. ##   ..$ labels     : chr [1:6] "sample_1" "sample_2" "sample_3" "sample_4" ...
  16. ##   ..$ method     : chr "complete"
  17. ##   ..$ call       : language hclust(d = d, method = method)
  18. ##   ..$ dist.method: chr "euclidean"
  19. ##   ..- attr(*, "class")= chr "hclust"
  20. ##  $ kmeans  : logi NA
  21. ##  $ gtable  :List of 6
  22. ##   ..$ grobs        :List of 6
  23. ##   ..$ layout       :'data.frame':    6 obs. of  7 variables:
  24. ##   ..$ widths       :List of 6
  25. ##   .. ..- attr(*, "class")= chr [1:2] "unit.list" "unit"
  26. ##   ..$ heights      :List of 5
  27. ##   .. ..- attr(*, "class")= chr [1:2] "unit.list" "unit"
  28. ##   ..$ respect      : logi FALSE
  29. ##   ..$ rownames     : NULL
  30. ##   ..- attr(*, "class")= chr [1:4] "gtable" "gTree" "grob" "gDesc"
  31. ##  - attr(*, "class")= chr "pheatmap"

重新排列行和列

  1. mat_cluster <- mat[a$tree_row$order, a$tree_col$order]
  2.  
  3. mat_cluster

完成提取

  1. ##          sample_2   sample_3   sample_5   sample_6   sample_1    sample_4
  2. ## gene_5  2.7013864  0.5049798 -1.7796036 -0.3185864 -1.8931573 -0.13541785
  3. ## gene_2  0.3193550  0.4496518  1.7620763 -0.9312810 -1.3153020 -1.08782734
  4. ## gene_4  0.2298092 -0.3615045  1.8572989  0.7250737  1.0810986  0.70162614
  5. ## gene_1  0.3153119 -0.7730821 -0.5303812  0.5088226 -0.3286368 -0.85242874
  6. ## gene_3 -0.8220414 -1.1916559  0.2814619  1.8720241  0.6545161  0.04775437

提取聚类后的标准化矩阵

(a <- pheatmap(mat, scale="row", display_numbers = T))

直接提取不太方便。这可以自己先对数据scale标准化处理，再排序。

  1. mat_scale <- round(t(apply(mat, 1, scale)),2)
  2. colnames(mat_scale) <- colnames(mat)
  3. mat_scale

最终结果

  1. mat_cluster <- mat_scale[a$tree_row$order, a$tree_col$order]
  2.  
  3. mat_cluster
  1. ##        sample_2 sample_3 sample_5 sample_6 sample_1 sample_4
  2. ## gene_3    -0.88    -1.22     0.13     1.58     0.47    -0.08
  3. ## gene_4    -0.63    -1.42     1.53     0.03     0.50    -0.01
  4. ## gene_2     0.38     0.49     1.59    -0.67    -0.99    -0.80
  5. ## gene_1     1.04    -0.87    -0.45     1.38    -0.09    -1.01
  6. ## gene_5     1.69     0.39    -0.96    -0.10    -1.03     0.01

其他的图也都类似了，主要是获取变量的结构信息。

R统计和作图

猜你喜欢

10000+：菌群分析 宝宝与猫狗 梅毒狂想曲 提DNA发Nature Cell专刊 肠道指挥大脑

系列教程：微生物组入门 Biostar 微生物组  宏基因组

专业技能：学术图表 高分文章 生信宝典 不可或缺的人

一文读懂：宏基因组 寄生虫益处 进化树

必备技能：提问 搜索  Endnote

文献阅读 热心肠 SemanticScholar Geenmedical

扩增子分析：图表解读 分析流程 统计绘图

16S功能预测   PICRUSt  FAPROTAX  Bugbase Tax4Fun

在线工具：16S预测培养基 生信绘图

科研经验：云笔记  云协作 公众号

编程模板: Shell  R Perl

生物科普:  肠道细菌 人体上的生命 生命大跃进  细胞暗战 人体奥秘  

写在后面

为鼓励读者交流、快速解决科研困难，我们建立了“宏基因组”专业讨论群，目前己有国内外5000+ 一线科研人员加入。参与讨论，获得专业解答，欢迎分享此文至朋友圈，并扫码加主编好友带你入群，务必备注“姓名-单位-研究方向-职称/年级”。PI请明示身份，另有海内外微生物相关PI群供大佬合作交流。技术问题寻求帮助，首先阅读《如何优雅的提问》学习解决问题思路，仍未解决群内讨论，问题不私聊，帮助同行。

学习16S扩增子、宏基因组科研思路和分析实战，关注“宏基因组”

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/我家自动化/article/detail/131790
推荐阅读
相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。

  

闽ICP备14008679号