一文詳解如何用 R 語言繪制熱圖

雷鋒網按：作為目前最常見的一種可視化手段，熱圖因其豐富的色彩變化和生動飽滿的信息表達被廣泛應用于各種大數據分析場景。同時，專用于大數據統計分析、繪圖和可視化等場景的 R 語言，在可視化方面也提供了一系列功能強大、覆蓋全面的函數庫和工具包。因此，對相關從業者而言，用 R 語言繪制熱圖就成了一項最通用的必備技能。本文將以 R 語言為基礎，詳細介紹熱圖繪制中遇到的各種問題和注意事項。原文作者 taoyan，原載于作者個人博客，雷鋒網已獲授權。

簡介

本文將繪制靜態與交互式熱圖，需要使用到以下R包和函數：

● heatmap():用于繪制簡單熱圖的函數

● heatmap.2():繪制增強熱圖的函數

● d3heatmap:用于繪制交互式熱圖的R包

● ComplexHeatmap:用于繪制、注釋和排列復雜熱圖的R&bioconductor包（非常適用于基因組數據分析）

數據準備

使用R內置數據集 mtcars

df <- as.matrix((scale(mtcars))) #歸一化、矩陣化

使用基本函數繪制簡單簡單熱圖

主要是函數 heatmap(x, scale="row")

● x: 數據矩陣

● scale：表示不同方向，可選值有：row, columa, none

● Default plotheatmap(df, scale = "none")

Use custom colorscol <- colorRampPalette(c("red", "white", "blue"))(256)heatmap(df, scale = "none", col=col)

#Use RColorBrewer color palette names

library(RColorBrewer)col <- colorRampPalette(brewer.pal(10, "RdYlBu"))(256)#自設置調色板dim(df)#查看行列數

## [1] 32 11

heatmap(df, scale = "none", col=col, RowSideColors = rep(c("blue", "pink"), each=16), 

ColSideColors = c(rep("purple", 5), rep("orange", 6)))

#參數RowSideColors和ColSideColors用于分別注釋行和列顏色等,可help(heatmap)詳情

增強熱圖

函數 heatmap.2()

在熱圖繪制方面提供許多擴展，此函數包裝在 gplots 包里。

library(gplots)heatmap.2(df, scale = "none", col=bluered(100), 

trace = "none", density.info = "none")#還有其他參數可參考help(heatmap.2())

交互式熱圖繪制

d3heatmap 包可用于生成交互式熱圖繪制,可通過以下代碼生成：

if (!require("devtools")) 

install.packages("devtools") 

devtools::install_github("rstudio/d3heatmap")

函數 d3heatmap() 用于創建交互式熱圖，有以下功能：

● 將鼠標放在感興趣熱圖單元格上以查看行列名稱及相應值

● 可選擇區域進行縮放

library(d3heatmap)d3heatmap(df, colors = "RdBu", k_row = 4, k_col = 2)

k_row、k_col分別指定用于對行列中樹形圖分支進行著色所需組數。進一步信息可help(d3heatmap())獲取。

使用 dendextend 包增強熱圖

軟件包 dendextend 可以用于增強其他軟件包的功能

library(dendextend)# order for rows

Rowv <- mtcars %>% scale %>% dist %>% 

hclust %>% as.dendrogram %>%

set("branches_k_color", k = 3) %>% 

set("branches_lwd", 1.2) %>% ladderize# Order for columns# 

We must transpose the data

Colv <- mtcars %>% scale %>% t %>% dist %>% 

hclust %>% as.dendrogram %>%

set("branches_k_color", k = 2, value = c("orange", "blue")) %>% set("branches_lwd", 1.2) %>% ladderize

#增強heatmap()函數

heatmap(df, Rowv = Rowv, Colv = Colv, scale = "none")

#增強heatmap.2()函數

heatmap.2(df, scale = "none", col = bluered(100), Rowv = Rowv, Colv = Colv, trace = "none", density.info = "none")

#增強交互式繪圖函數

d2heatmap()d3heatmap(scale(mtcars), colors = "RdBu", Rowv = Rowv, Colv = Colv)

繪制復雜熱圖

ComplexHeatmap 包是 bioconductor 包，用于繪制復雜熱圖，它提供了一個靈活的解決方案來安排和注釋多個熱圖。它還允許可視化來自不同來源的不同數據之間的關聯熱圖。可通過以下代碼安裝：

if (!require("devtools")) install.packages("devtools") 

devtools::install_github("jokergoo/ComplexHeatmap")

ComplexHeatmap 包的主要功能函數是 Heatmap()，格式為：Heatmap(matrix, col, name)

● matrix：矩陣

● col：顏色向量（離散色彩映射）或顏色映射函數（如果矩陣是連續數）

● name：熱圖名稱

library(ComplexHeatmap)

Heatmap(df, name = "mtcars")

#自設置顏色

library(circlize)

Heatmap(df, name = "mtcars", col = colorRamp2(c(-2, 0, 2), c("green", "white", "red")))

使用調色板

Heatmap(df, name = "mtcars",col = colorRamp2(c(-2, 0, 2), brewer.pal(n=3, name="RdBu")))

#自定義顏色

mycol <- colorRamp2(c(-2, 0, 2), c("blue", "white", "red"))

熱圖及行列標題設置

Heatmap(df, name = "mtcars", col = mycol, column_title = "Column title", row_title = 

"Row title")

注意，行標題的默認位置是“left”，列標題的默認是“top”。可以使用以下選項更改：

● row_title_side：允許的值為“左”或“右”（例如：row_title_side =“right”）

● column_title_side：允許的值為“top”或“bottom”（例如：column_title_side =“bottom”） 也可以使用以下選項修改字體和大小：

● row_title_gp：用于繪制行文本的圖形參數

● column_title_gp：用于繪制列文本的圖形參數

Heatmap(df, name = "mtcars", col = mycol, column_title = "Column title", 

column_title_gp = gpar(fontsize = 14, fontface = "bold"), 

row_title = "Row title", row_title_gp = gpar(fontsize = 14, fontface = "bold"))

在上面的R代碼中，fontface的可能值可以是整數或字符串：1 = plain，2 = bold，3 =斜體，4 =粗體斜體。如果是字符串，則有效值為：“plain”，“bold”，“italic”，“oblique”和“bold.italic”。

顯示行/列名稱：

● show_row_names：是否顯示行名稱。默認值為TRUE

● show_column_names：是否顯示列名稱。默認值為TRUE

Heatmap(df, name = "mtcars", show_row_names = FALSE)

更改聚類外觀

默認情況下，行和列是包含在聚類里的。可以使用參數修改：

● cluster_rows = FALSE。如果為TRUE，則在行上創建集群

● cluster_columns = FALSE。如果為TRUE，則將列置于簇上

# Inactivate cluster on rows

Heatmap(df, name = "mtcars", col = mycol, cluster_rows = FALSE)

如果要更改列集群的高度或寬度，可以使用選項column_dend_height 和 row_dend_width：

Heatmap(df, name = "mtcars", col = mycol, column_dend_height = unit(2, "cm"), 

row_dend_width = unit(2, "cm") )

我們還可以利用 color_branches() 自定義樹狀圖外觀

library(dendextend)

row_dend = hclust(dist(df)) # row clustering

col_dend = hclust(dist(t(df))) # column clustering

Heatmap(df, name = "mtcars", col = mycol, cluster_rows = 

color_branches(row_dend, k = 4), cluster_columns = color_branches(col_dend, k = 2))

不同的聚類距離計算方式

參數 clustering_distance_rows 和 clustering_distance_columns

用于分別指定行和列聚類的度量標準，允許的值有“euclidean”, “maximum”, “manhattan”, “canberra”, “binary”, “minkowski”, “pearson”, “spearman”, “kendall”。

Heatmap(df, name = "mtcars", clustering_distance_rows = "pearson", 

clustering_distance_columns = "pearson")

#也可以自定義距離計算方式

Heatmap(df, name = "mtcars", clustering_distance_rows = function(m) dist(m))

Heatmap(df, name = "mtcars", clustering_distance_rows = function(x, y) 1 - cor(x, y))

請注意，在上面的R代碼中，通常為指定行聚類的度量的參數 clustering_distance_rows顯示示例。建議對參數clustering_distance_columns（列聚類的度量標準）使用相同的度量標準。

# Clustering metric function

robust_dist = function(x, y) { 

qx = quantile(x, c(0.1, 0.9)) qy = quantile(y, c(0.1, 0.9)) l = x > qx[1] & x < qx[2] & y 

> qy[1] & y < qy[2] x = x[l] y = y[l] sqrt(sum((x - y)^2))}

# Heatmap

Heatmap(df, name = "mtcars", clustering_distance_rows = robust_dist, 

clustering_distance_columns = robust_dist, 

col = colorRamp2(c(-2, 0, 2), c("purple", "white", "orange")))

聚類方法

參數clustering_method_rows和clustering_method_columns可用于指定進行層次聚類的方法。允許的值是hclust()函數支持的值，包括“ward.D”，“ward.D2”，“single”，“complete”，“average”。

Heatmap(df, name = "mtcars", clustering_method_rows = "ward.D", 

clustering_method_columns = "ward.D")

熱圖拆分

有很多方法來拆分熱圖。一個解決方案是應用k-means使用參數km。

在執行k-means時使用set.seed()函數很重要，這樣可以在稍后精確地再現結果

set.seed(1122)

# split into 2 groupsHeatmap(df, name = "mtcars", col = mycol, k = 2)

# split by a vector specifying row classes， 有點類似于ggplot2里的分面

Heatmap(df, name = "mtcars", col = mycol, split = mtcars$cyl )

#split也可以是一個數據框，其中不同級別的組合拆分熱圖的行。

# Split by combining multiple variables

Heatmap(df, name ="mtcars", col = mycol, split = data.frame(cyl = mtcars$cyl, am = mtcars$am))

# Combine km and split

Heatmap(df, name ="mtcars", col = mycol, km = 2, split = mtcars$cyl)

#也可以自定義分割

library("cluster")

set.seed(1122)

pa = pam(df, k = 3)Heatmap(df, name = "mtcars", col = mycol, split = paste0("pam", 

pa$clustering))

還可以將用戶定義的樹形圖和分割相結合。在這種情況下，split可以指定為單個數字：

row_dend = hclust(dist(df)) # row clusterin

grow_dend = color_branches(row_dend, k = 4)

Heatmap(df, name = "mtcars", col = mycol, cluster_rows = row_dend, split = 2)

熱圖注釋

利用HeatmapAnnotation()對行或列注釋。格式為： HeatmapAnnotation(df, name, col, show_legend)

● df：帶有列名的data.frame

● name：熱圖標注的名稱

● col：映射到df中列的顏色列表

# Transposedf <- t(df)

# Heatmap of the transposed data

Heatmap(df, name ="mtcars", col = mycol)

# Annotation data frame

annot_df <- data.frame(cyl = mtcars$cyl, am = mtcars$am, mpg = mtcars$mpg)

# Define colors for each levels of qualitative variables

# Define gradient color for continuous variable (mpg)

col = list(cyl = c("4" = "green", "6" = "gray", "8" = "darkred"), am = c("0" = "yellow", 

"1" = "orange"), mpg = colorRamp2(c(17, 25), c("lightblue", "purple")) )

# Create the heatmap annotation

ha <- HeatmapAnnotation(annot_df, col = col)

# Combine the heatmap and the annotation

Heatmap(df, name = "mtcars", col = mycol, top_annotation = ha)

#可以使用參數show_legend = FALSE來隱藏注釋圖例

ha <- HeatmapAnnotation(annot_df, col = col, show_legend = FALSE)

Heatmap(df, name = "mtcars", col = mycol, top_annotation = ha)

#注釋名稱可以使用下面的R代碼添加

library("GetoptLong")

# Combine Heatmap and annotation

ha <- HeatmapAnnotation(annot_df, col = col, show_legend = FALSE)

Heatmap(df, name = "mtcars", col = mycol, top_annotation = ha)

# Add annotation names on the right

for(an in colnames(annot_df)) { 

seekViewport(qq("annotation_@{an}")) 

grid.text(an, unit(1, "npc") + unit(2, "mm"), 0.5, default.units = "npc", just = "left")}

#要在左側添加注釋名稱，請使用以下代碼

# Annotation names on the left

for(an in colnames(annot_df)) { seekViewport(qq("annotation_@{an}")) grid.text(an, 

unit(1, "npc") - unit(2, "mm"), 0.5, default.units = "npc", just = "left")}

復雜注釋

將熱圖與一些基本圖形結合起來進行注釋，利用anno_point()，anno_barplot()，anno_boxplot()，anno_density() 和 anno_histogram()。

# Define some graphics to display the distribution of columns

.hist = anno_histogram(df, gp = gpar(fill = "lightblue"))

.density = anno_density(df, type = "line", gp = gpar(col = "blue"))

ha_mix_top = HeatmapAnnotation(hist = .hist, density = .density)

# Define some graphics to display the distribution of rows

.violin = anno_density(df, type = "violin", gp = gpar(fill = "lightblue"), which = "row")

.boxplot = anno_boxplot(df, which = "row")

ha_mix_right = HeatmapAnnotation(violin = .violin, bxplt = .boxplot, which = "row", 

width = unit(4, "cm"))

# Combine annotation with heatmap

Heatmap(df, name = "mtcars", col = mycol, column_names_gp = gpar(fontsize = 8), 

top_annotation = ha_mix_top, top_annotation_height = unit(4, "cm")) + ha_mix_right

熱圖組合

# Heatmap 1

ht1 = Heatmap(df, name = "ht1", col = mycol, km = 2, column_names_gp = gpar(fontsize = 9))

# Heatmap 2

ht2 = Heatmap(df, name = "ht2", col = colorRamp2(c(-2, 0, 2), c("green", "white", "red")), column_names_gp = gpar(fontsize = 9))

# Combine the two heatmaps

ht1 + ht2

可以使用選項width = unit（3，“cm”））來控制熱圖大小。注意，當組合多個熱圖時，第一個熱圖被視為主熱圖。剩余熱圖的一些設置根據主熱圖的設置自動調整。這些設置包括：刪除行集群和標題，以及添加拆分等。

draw(ht1 + ht2, 

      # Titles 

     row_title = "Two heatmaps, row title",

     row_title_gp = gpar(col = "red"), 

     column_title = "Two heatmaps, column title", 

     column_title_side = "bottom", 

      # Gap between heatmaps 

     gap = unit(0.5, "cm"))

可以使用參數show_heatmap_legend = FALSE，show_annotation_legend = FALSE刪除圖例。

基因表達矩陣

在基因表達數據中，行代表基因，列是樣品值。關于基因的更多信息可以在表達熱圖之后附加，例如基因長度和基因類型。

expr = readRDS(paste0(system.file(package = "ComplexHeatmap"), "/extdata/gene_expression.rds"))

mat = as.matrix(expr[, grep("cell", colnames(expr))])

type = gsub("s\\d+_", "", colnames(mat))

ha = HeatmapAnnotation(df = data.frame(type = type))

Heatmap(mat, name = "expression", km = 5, top_annotation = ha, top_annotation_height = unit(4, "mm"), 

show_row_names = FALSE, show_column_names = FALSE) +

Heatmap(expr$length, name = "length", width = unit(5, "mm"), col = colorRamp2(c(0, 100000), c("white", "orange"))) +

Heatmap(expr$type, name = "type", width = unit(5, "mm")) +

Heatmap(expr$chr, name = "chr", width = unit(5, "mm"), col = rand_color(length(unique(expr$chr))))

也可以可視化基因組變化和整合不同的分子水平（基因表達，DNA甲基化，…）

可視化矩陣中列的分布

使用函數densityHeatmap()。

densityHeatmap(df)

8 Infos

sessionInfo()

## R version 3.3.3 (2017-03-06)

## Platform: x86_64-w64-mingw32/x64 (64-bit)

## Running under: Windows 8.1 x64 (build 9600)## 

## locale:

## [1] LC_COLLATE=Chinese (Simplified)_China.936 

## [2] LC_CTYPE=Chinese (Simplified)_China.936 

## [3] LC_MONETARY=Chinese (Simplified)_China.936

## [4] LC_NUMERIC=C 

## [5] LC_TIME=Chinese (Simplified)_China.936 ##

 ## attached base packages:

## [1] grid stats graphics grDevices utils datasets methods 

## [8] base 

## 

## other attached packages:

## [1] GetoptLong_0.1.6 cluster_2.0.5 circlize_0.3.10 

## [4] ComplexHeatmap_1.12.0 dendextend_1.4.0 d3heatmap_0.6.1.1

##[7] gplots_3.0.1 RColorBrewer_1.1-2 

## 

## loaded via a namespace (and not attached):

## [1] Rcpp_0.12.9 DEoptimR_1.0-8 plyr_1.8.4 

## [4] viridis_0.3.4 class_7.3-14 prabclus_2.2-6 

## [7] bitops_1.0-6 base64enc_0.1-3 tools_3.3.3 

## [10] digest_0.6.12 mclust_5.2.2 jsonlite_1.3 

## [13] evaluate_0.10 tibble_1.2 gtable_0.2.0 

## [16] lattice_0.20-34 png_0.1-7 yaml_2.1.14 

## [19] mvtnorm_1.0-6 gridExtra_2.2.1 trimcluster_0.1-2 

## [22] stringr_1.2.0 knitr_1.15.1 GlobalOptions_0.0.11

## [25] htmlwidgets_0.8 gtools_3.5.0 caTools_1.17.1 

## [28] fpc_2.1-10 diptest_0.75-7 nnet_7.3-12 

## [31] stats4_3.3.3 rprojroot_1.2 robustbase_0.92-7 

## [34] flexmix_2.3-13 rmarkdown_1.3.9002 gdata_2.17.0 

## [37] kernlab_0.9-25 ggplot2_2.2.1 magrittr_1.5 

## [40] whisker_0.3-2 backports_1.0.5 scales_0.4.1 

## [43] htmltools_0.3.5 modeltools_0.2-21 MASS_7.3-45

## [46] assertthat_0.1 shape_1.4.2 colorspace_1.3-2 

## [49] KernSmooth_2.23-15 stringi_1.1.2 lazyeval_0.2.0 

## [52] munsell_0.4.3 rjson_0.2.15

雷鋒網相關閱讀：

用數據說話，R語言有哪七種可視化應用？

Python vs R : 在機器學習和數據分析領域中的對比

雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。