午夜视频在线网站,日韩视频精品在线,中文字幕精品一区二区三区在线,在线播放精品,1024你懂我懂的旧版人,欧美日韩一级黄色片,一区二区三区在线观看视频

搜索

QQ空間 QQ好友新浪微博微信

【原】RNAseq | ComplexHeatmap繪制臨床數(shù)據(jù)熱圖（所見即所得）

生信補給站 2024-04-19 發(fā)布于北京

展開全文

當使用各種機器學習方法（CoxBoost，Lasso，SuperPC，randomForestSRC，Elastic Net等）完成預后模型后，除了在組學層面（ IPS評分，藥物反應預測，WGCNA等）進行一系列的分析外，還可以將定義的風險得分和臨床指標進行比較。如Expression of hub genes of endothelial cells in glioblastoma-A prognostic model for GBM patients integrating single-cell RNA sequencing and bulk RNA sequencing中下圖所示

最初我完成該圖的方法是用含有基因表達的熱圖，然后截圖或者PS成只有臨床指標。這里介紹使用ComplexHeatmap直接完成該圖。

一載入R包，數(shù)據(jù)

使用前面系列推文的TCGA-SKCM的臨床數(shù)據(jù)和隨訪數(shù)據(jù)，以及經(jīng)過lasso模型計算的風險評分結果。

后臺回復“臨床”既可獲取Expr_phe_cli_riskscore.RData的示例數(shù)據(jù)。

library(tidyverse)library(ComplexHeatmap)library(ggsci) #顏色library(circlize) #連續(xù)顏色
#載入數(shù)據(jù)load("Expr_phe_cli_riskscore.RData")
riskScore_cli2 <- riskScore_cli %>%   inner_join(phe) %>%   column_to_rownames("sample") %>% select(- "_PATIENT")head(riskScore_cli2)

只要數(shù)據(jù)框中含有想展示的表型數(shù)據(jù)即可，一般會有風險得分，生存信息以及重要的臨床指標，當然也可以其他重點關注的指標：（1）重點基因突變與否，例如KRAS突變（2）某個CNV有無（3）TMB ，MSI，IDH等等你想展示的指標。如果添加基因表達量的話那就是正常的熱圖即可。

2，臨床數(shù)據(jù)處理

在TCGA下載的臨床數(shù)據(jù)需要進行一些處理，可以在excel中完成，當然也可以使用R完成。

包括但不限于以下（1）連續(xù)數(shù)值按照某個閾值轉為分類（2）向量和因子的轉化（3）將數(shù)據(jù)中的T1a ，T1b，T1 統(tǒng)一為T1期 類似的整理。

（1）和（2）比較簡單，如下

#連續(xù)數(shù)值，按需轉為分類riskScore_cli2$Age =ifelse(riskScore_cli2$age > 60,">60","<=60")
#字符串轉為因子riskScore_cli2$OS <- as.factor(riskScore_cli2$OS)riskScore_cli2$tumor_stage <- as.factor(riskScore_cli2$tumor_stage)

（3）可以使用多種方式完成數(shù)據(jù)整理

A ：T分期使用直接指定的方法

注意%in% c("T1a","T1b","T1")的向量中要列出所有想轉化的，假設有T1c的話也需要加上。

table(riskScore_cli2$pathologic_T)# T0  T1 T1a T1b  T2 T2a T2b  T3 T3a T3b  T4 T4a T4b Tis  TX # 23  10  21  10  30  32  15  14  39  37  13  26 109   7  44
riskScore_cli2$pathologic_T[riskScore_cli2$pathologic_T %in% c("T1a","T1b","T1")] <- "T1"riskScore_cli2$pathologic_T[riskScore_cli2$pathologic_T %in% c("T2a","T2b","T2")] <- "T2"riskScore_cli2$pathologic_T[riskScore_cli2$pathologic_T %in% c("T3a","T3b","T3")] <- "T3"riskScore_cli2$pathologic_T[riskScore_cli2$pathologic_T %in% c("T4a","T4b","T4")] <- "T4"table(riskScore_cli2$pathologic_T)

B：N分期，使用gsub替換的方式

table(riskScore_cli2$pathologic_N)# N0  N1 N1a N1b  N2 N2a N2b N2c  N3  NX #226  17  19  37   6  13  21   9  56  34 
riskScore_cli2$pathologic_N <- gsub("N1[abc]?", "N1", riskScore_cli2$pathologic_N)riskScore_cli2$pathologic_N <- gsub("^N2.*", "N2", riskScore_cli2$pathologic_N)riskScore_cli2$pathologic_N <- gsub("^N3.*", "N3", riskScore_cli2$pathologic_N)

C：M分期，使用grepl的方法

table(riskScore_cli2$pathologic_M)# M0  M1 M1a M1b M1c #407   5   5   5   9 
riskScore_cli2$pathologic_M <- ifelse(grepl("^M1", riskScore_cli2$pathologic_M),                                       "M1", riskScore_cli2$pathologic_M)riskScore_cli2$pathologic_M <- ifelse(grepl("^M0", riskScore_cli2$pathologic_M),                                       "M0", riskScore_cli2$pathologic_M)

D：還可以使用str_replace 或者 str_detect等方法進行轉化，這里示例展示一下，不運行不影響推文的后續(xù)操作。

riskScore_cli2$pathologic_T2 <- riskScore_cli2$pathologic_T# str_replaceriskScore_cli2$pathologic_T2 <- str_replace(riskScore_cli2$pathologic_T2, "T1[a-d-c-d]?", "T1")#str_detectriskScore_cli2$pathologic_T2 <- ifelse(str_detect(riskScore_cli2$pathologic_T2, "^T1"), "T1", riskScore_cli2$pathologic_T2)

以上就完成了本次分析需要的數(shù)據(jù)處理部分。

二臨床指標熱圖可視化

1，直接繪制

使用ComplexHeatmap繪制臨床數(shù)據(jù)注釋圖，重點在于構建一個和臨床數(shù)據(jù)相同列的0矩陣 。

# 提取想展示的臨床數(shù)據(jù)riskScore_cli2 <- riskScore_cli2 %>%   select(riskScore:tumor_stage,Age) %>%   select(- "age")# 構建列注釋塊ha=HeatmapAnnotation(df=riskScore_cli2)# 構建zero矩陣zero_row_mat=matrix(nrow=0, ncol=nrow(riskScore_cli2))#繪制熱圖Hm <- Heatmap(zero_row_mat, top_annotation=ha)Hm#調整legend的位置和大小draw(Hm, merge_legend = TRUE,      heatmap_legend_side = "bottom",      annotation_legend_side = "bottom",     width = unit(16, "cm"), height = unit(1, "cm")     )

2，圖形優(yōu)化調整

上面可以順利的完成圖形可視化，相較文獻還可以在（1）表型內(nèi)容排序，比如優(yōu)先Score高低排序，然后Stage排序（2）表型注釋的順序，比如先展示Score，然后OS，stage等和（3）每種表型進行自定義的顏色設置上進行優(yōu)化和調整。

（1）表型內(nèi)部排序，使用arrange 進行排序，可以依次選擇多個指標

riskScore_cli3 <- riskScore_cli2 %>%  arrange(riskScore2,OS,tumor_stage,gender,OS.time,Age)

（2）和（3）一起在HeatmapAnnotation注釋中解決，如果為省事未展示T M N分期，可以自行添加。

library(circlize)#連續(xù)性變量的顏色設置col_fun_time <- colorRamp2(  c(0, 3000, 11000),  #根據(jù)值的范圍設置  c("#DC0000FF", "grey", "#1f78b4"))#ha <- HeatmapAnnotation(  Score = riskScore_cli3$riskScore2,  Stage = riskScore_cli3$tumor_stage ,  OS.Status = riskScore_cli3$OS,  OS.Time = riskScore_cli3$OS.time,  Gender = riskScore_cli3$gender ,  Age = riskScore_cli3$Age,  col = list(     Score = c("High" = "#BC3C29FF", "Low" = "#0072B5FF"),    OS.Status = c("0" = "#E18727FF", "1" = "#20854EFF"), #分類    OS.Time = col_fun_time , #連續(xù)    Gender = c("female" = "#AB3282", "male" = "#3A6963"),    Age = c("<=60" = "#712820", ">60" = "#E4C755"),    Stage = c("0" = "#E64B35FF", "1" = "#4DBBD5FF",              "2" = "#00A087FF", "3" = "#3C5488FF",              "4" = "#DC0000FF", "NA" = "#8491B4FF")      ))

可視化展示

Hm <- Heatmap(zero_row_mat, top_annotation=ha)draw(Hm, merge_legend = TRUE,      heatmap_legend_side = "bottom",      annotation_legend_side = "bottom",     width = unit(16, "cm"), height = unit(1, "cm"))