R语言代码Rstudio绘图SCI科研生信医学桑基热图数据分析作图教程
感谢您的反馈！为帮助您更系统掌握R语言在生信医学领域的科研绘图技能，我为您整理了一份进阶版教程，包含实战案例、代码解析和资源推荐三大部分：
一、实战案例：肿瘤亚型分析中的桑基热图联动
场景：展示乳腺癌亚型与基因表达、临床特征的多维关联
r复制代码
# 加载包
library(ggplot2)
library(ggsankey)
library(ComplexHeatmap)
# 模拟数据生成
set.seed(42)
subtype <- sample(c("Luminal A", "Luminal B", "HER2+", "TNBC"), 100, replace = T)
gene_expr <- matrix(rnorm(400), ncol=4,
dimnames = list(paste0("Patient",1:100),
c("ESR1", "HER2", "TP53", "MYC")))
clinical <- data.frame(
subtype = subtype,
age = sample(30:80, 100, replace = T),
stage = sample(c("I","II","III"), 100, replace = T, prob = c(0.4,0.4,0.2))
)
# 1. 绘制桑基图（亚型-基因表达关联）
sankey_data <- data.frame(
source = rep(unique(clinical$subtype), each=4),
target = rep(colnames(gene_expr), 4),
value = runif(16, 0.5, 2)
)
ggplot(sankey_data, aes(x=source, y=target, fill=value)) +
geom_sankey(aes(width=value), color="white") +
scale_fill_gradient(low="lightblue", high="darkblue") +
theme_void() +
labs(title="乳腺癌亚型与基因表达关联桑基图")
# 2. 绘制热图（基因表达模式）
top_genes <- apply(gene_expr, 2, function(x) head(order(abs(x), decreasing = T), 20))
heatmap_data <- gene_expr[unique(as.vector(top_genes)), ]
Heatmap(
heatmap_data,
name = "Expression Level",
col = colorRamp2(c(-3, 0, 3), c("blue", "white", "red")),
cluster_columns = clinical$subtype,
show_column_names = FALSE,
top_annotation = HeatmapAnnotation(
Subtype = clinical$subtype,
Stage = clinical$stage,
col = list(
Subtype = c("Luminal A"="pink", "Luminal B"="lightgreen",
"HER2+"="purple", "TNBC"="orange"),
Stage = c("I"="blue", "II"="green", "III"="red")
)
)
)
二、代码解析：关键参数详解
-
桑基图优化技巧：
-
geom_sankey()参数：通过width控制节点宽度，node_width调整连接带宽度 -
颜色映射：使用
scale_fill_gradientn()实现多色渐变 -
交互增强：添加
plotly::ggplotly()实现交互式查看
-
-
热图进阶功能：
-
多组学整合：使用
MultiAssayExperiment包整合基因表达、甲基化等数据 -
差异分析：结合
limma包进行差异表达分析后直接映射到热图 -
临床注释：通过
HeatmapAnnotation()添加生存曲线、箱线图等复杂注释
-
多组学整合：使用
三、资源推荐
-
交互式学习平台：
- DataCamp：提供《Data Visualization with ggplot2》等专项课程
- RStudio Cloud：在线运行R代码，无需本地配置
-
生物医学专用包：
-
maftools：肿瘤突变分析可视化 -
clusterProfiler：功能富集分析 -
GSVA：基因集变异分析
-
-
期刊投稿指南：
- Nature Methods：提供《Points of Significance》专栏（统计可视化最佳实践）
- PLOS Computational Biology：开源分析流程模板
定制化支持：您可提供具体研究场景（如单细胞测序数据分析、药物反应预测等），我将提供：
- 专属分析流程设计
- 代码模板生成
- 统计方法选择建议
- 图表排版优化方案