一、简介

众所周知，火山图是一种常用的数据可视化工具，用于展示基因表达差异。普通的火山图主要展示两组样本之间的基因表达差异，但实验嘛，往往也需要考虑多重因素，因此在设计的时候也会出现多个分组的模式，在这种条件下，如果我们想看所有分组之间的差异情况，就需要绘制多个火山图，重复操作不说，而且也不够美观和统一。

那是否有更好的展示方式呢？答案自然是有的，首先来欣赏下面这张发表在Cell期刊上的图：

多组差异火山图（Michaela Asp et.al.）

怎么样？是不是给人眼前一亮的感觉？一目了然地展示了所有分组的差异情况。

多组差异火山图结合了散点图和直方图的特点。图例中将不同的实验分组分别用不同颜色的模块（Cluster）进行分类，每个分组分别展示组内各基因表达量的变化倍数（logFC），并根据统计检验值（adjusted P-value）大小分别用两种颜色的散点进行区分，同时对表达差异最显著的14个基因进行标记。而背景柱状图则根据所有基因logFC的绝对值大小的数据，突出显示每个分组的表达差异范围，从而形成了不同高度的柱子。基于图例中的这些信息，多组差异火山图可以清晰地展示哪些基因在不同条件下的表达发生了显著变化以及变化的程度。不仅如此，它还展示了统计检验的显著性，使得我们能够更全面地了解多组样本间的基因表达情况。

那么，这样的图是用什么工具绘制呢？它就是大名鼎鼎的ggplot2——R语言中最流行的绘图工具包，各种类型的图均可一网打尽。

它基于图层的思想，可以将绘图拆分成多个图层，并且每个图层都可以继承或修改前一层的映射关系。多组差异火山图就是基于这种特性以层层嵌套的方式来完成。首先对数据进行预处理，然后在ggplot()函数的基础图层上添加geom_col()函数绘制正负向背景柱状图，接着添加geom_jitter()函数绘制所有数据点和top14数据点，再用geom_tile()函数绘制中心分组标记图，并添加geom_text_repel()函数以避免数据点标签的互相重叠，同时用geom_text()函数绘制中心分组标记图的文本注释，最后再根据自身需求用theme()函数定制点的颜色、大小和形状等，以便更好地突出关键信息。如此，一张完整的多组差异火山图便绘制完毕啦！

二、图解

横坐标：

展示了不同颜色的Cluster，每个Cluster代表一种分组，组内红色的点代表adjusted P-value < 0.01的基因，黑色的点则表示adjusted P-value >= 0.01的基因。

纵坐标：

表示平均logFC值（基因表达变化倍数），并对top14的基因名称进行标记。

背景柱状图：

柱子的高度表示每个Cluster的基因表达差异范围。

三、应用

由于多组差异火山图能够同时展示多组样本之间的基因表达差异，因此在许多复杂的生物信息学研究中具有广泛的应用场景。例如：

在疾病研究中，我们可以利用多组差异火山图对比分析正常样本与不同疾病阶段样本的基因表达数据，以揭示疾病发生、发展的分子机制。

在药物研发过程中，多组差异火山图也可以帮助我们评估药物对不同目标基因的影响，为药物的疗效评估和机制研究提供重要依据。

四、小结

以上就是本期关于多组差异火山图的介绍，感兴趣的小伙伴们可详细参考ggplot2(https://ggplot2.tidyverse.org/) 的官方说明进行绘制。

01简介

在基因表达调控的研究中，理解不同基因之间的相互作用和调控关系至关重要。然而，传统的研究方法往往只能处理单个基因或蛋白质的表达水平，而忽略了它们之间复杂的交互关系。为了解决这个问题，桑基图作为一种强大的可视化工具被引入到生物信息学领域，特别是在可视化ceRNA (competing endogenous RNA) 共表达网络中，它发挥着重要的作用。

众所周知，细胞内受miRNA调控的各种分子（包括mRNA、lncRNA和circRNA等），会以miRNA为中心相互影响，构成复杂的ceRNA网络。那么桑基图在其中有什么用武之地呢？我们先来看看下面这张图：

桑基图是一种流式图形表示方法，在上面这张示例图中，分子（circRNA、miRNA、mRNA）用节点来表示，而它们之间的共表达关系则用边来表示，这些边可以是箭头或线条，如果三个分子之间具有相互作用和调控关系，那么就会用一条具有特定颜色的线条来连接，多条这样的关系网就会形成能量分流一样的形状，极具美感。通过对这些节点和边进行布局与排列，整个网络的拓扑结构和核心分子也就一目了然地呈现在我们面前，我们可以很清晰地看到某个miRNA具体调控着几个mRNA和几个circRNA，以及哪些分子之间可以形成关系网络等要素。桑基图将复杂的关系网络简洁化，正好为我们解决了痛点。

那如何绘制桑基图呢？目前有不少工具可以实现，比如ggalluvial、sankeyD3和networkD3等，这些R包自带的函数均可达到自动统计和快速出图的效果，只需要简单地输入基因或蛋白质共表达关系的数据，即可轻松实现可视化，同时它们也支持自定义颜色和修改标签等功能。

02图解

节点：从左至右，第一列是circRNA，第二列是miRNA，第三列是mRNA。

边：连线表示circRNA、miRNA、mRNA三者之间的相互关系，每种关系都会标记相应的颜色。

03应用

在生物信息学领域，桑基图被广泛应用于基因表达谱、代谢通路和蛋白质互作网络的可视化。此外，在单细胞亚群分类分布以及物种门类分类等场景也都可以用桑基图来呈现。

好了，本期关于桑基图的介绍完毕，感兴趣的小伙伴们可参考一下软件的官方文档进行绘制：

ggalluvial (http://corybrunson.github.io)

networkD3(https://christophergandrud.github.io/networkD3/)

sankeyD3(https://github.com/fbreitwieser/sankeyD3)

一、简介

熟悉组学分析的小伙伴们都知道，基因集富集分析（GSEA）是绕不开的话题，它是另一种用于基因集合功能探究的方法。GSEA的可视化图类型相对较少，下图即是其中一种展示方式：

这张图看起来十分高级，层层堆叠的曲线，如同一座座连绵的小山，我们可以将其称为“山脊图”。本质上，它是一种密度图，以一条中心线为基准，两侧呈现出数据的分布情况。这张图为我们展示了基因集之间的富集情况以及富集通路的核心富集基因的表达分布情况。在基因集富集分析中，通常核心富集基因会在某个表达水平上集中分布，在这种情况下就会形成类似于正态分布的曲线，从而展现出“山脊”的模样。通过观察山脊图，我们可以直观地了解核心基因在不同通路中的表达水平，从而揭示富集通路的活跃程度和差异。

那这种强大的工具又是出自何手？

熟悉往期推文的朋友可能猜到了，enrichplot——一个非常强大的R包，通过其内置的ridgeplot函数，只需几行代码，就可以生成一个美观而富有信息量的“山脊图”。同时，它还提供了丰富的参数选项，可以根据个人需求进行定制，例如调整线条颜色、线宽、填充类型和颜色等。

二、图解

横轴：

表示富集通路的核心富集基因表达倍数log2转换值的分布范围；

纵轴：

表示各通路中富集基因分布的频率；

图例：

各富集通路的p值，并通过渐变颜色表示值的变化，颜色越红表示越显著。

三、应用

这种“山脊图”在富集通路分析中具有重要的应用价值。通过展示核心基因的表达分布，我们可以更好地理解富集通路的功能和调控机制，这对于生物学研究和药物开发具有重要意义。例如，在癌症研究中，我们可以用来展示与肿瘤相关的富集通路的核心基因的表达分布，从而揭示肿瘤的发生机制和潜在治疗靶点。

轻舟已过万重山，小伙伴们快去“乘舟破浪”吧。

关于enrichplot的详细使用方法请戳：

http://www.bioconductor.org/packages/release/bioc/html/enrichplot.html

一、简介

现在的高分文献，不仅数据量越来越“卷”，就连图表也变得越来越“卷”。人们不再满足于千篇一律的基础图形，开始剑走偏锋，不断在美感和创新性上下功夫，以达到引人入胜的目的。

话不多说，我们先来欣赏下面这张图：

怎么样，第一眼有没有觉得很惊艳？够不够“卷”？够不够“高级”？CNS看了都直呼Amazing，直接拿来发表都不成问题。

可以说，这是一张信息含量极为丰富的图！它创新性地将聚类、分组表达趋势折线图以及功能注释有机融合在一起，让我们能够一目了然地掌握数据的全貌。整个图分为三种类型，我们逐一进行剖析。

聚类分析

聚类分析是一种将数据样本按照相似性进行分组的技术。它能够帮助我们揭示数据集中隐藏的模式和群组关系。通过聚类分析，我们可以将数据样本划分成不同的群组，并使用不同颜色或标记来可视化，从而直观地看到数据的相似性和差异性。

分组表达趋势折线图

分组表达趋势折线图用于展示不同样本组别在某个特定性状上的表达变化趋势。通过观察曲线的走势，我们可以发现不同群组之间的差异，并进一步研究其背后的原因。这种图表不仅能够展示数据的整体趋势，还能够显示出各个群组的表达差异。

功能注释

功能注释则是将基因与通路或其他功能进行关联和注释的过程。

将功能注释与聚类、分组表达趋势折线图结合起来，我们就得到了一个强大的组合图。这种视觉呈现方式，不仅提供了宏观的数据概览，还让我们能够发现隐藏的模式和相互影响。我们可以快速对比不同聚类簇的表达趋势，在不同功能注释下观察各自的关系。总而言之，这种综合性的组合图为我们提供了更多层次的数据理解和分析。

那么这种强大的组合图又是出自哪个工具呢？那就是这个功能强大且易于使用的R包——ClusterGVis，只需按照官方文档中的指引，安装相应的依赖包，你就能快速上手。更令人惊喜的是，ClusterGVis提供了丰富的可定制选项，如调整图形风格、颜色、标签等，足以满足你的个性化需求。

二、图解

左侧

分组表达趋势折线图，里面展示了所属群组中的基因数量，折线则代表着不同样本的表达变化趋势。

中间

聚类热图，展示了各群组中样本的表达情况，渐变颜色表示各基因的Z-score值变化。

右侧

功能注释，展示了各群组包含的功能注释结果，每个群组分别用不同的颜色表示。

三、应用

这种组合类图表最常用的地方就是常规转录组测序数据的可视化，此外，它还可用于展示单细胞测序数据。

今天的内容就介绍到这里，感兴趣的小伙伴们快去试试吧！

更多关于ClusterGVis包的使用方法请查看：https://github.com/junjunlab/ClusterGVis

一、介绍

来欣赏一下这个图：

这货乍一看是不是有点像二维码？但它可扫不了，因为它是一个半吊子（bushi）。

其实，它也是一种热图，是不是觉得不可思议？我们通常见到的热图都是密集排列的，哪会出现这么大的空隙呢？确实，同为热图，但它似乎却没那么“热”，因为它展示的只是基因和通路的关系，而通路中包含的基因不尽相同，比如这个基因在某条通路中存在，但是在另一条通路中却未必存在，所以排列的结果就变成了稀疏和零散的样子。此“热图”非彼“热图”。

那这种甚至有点“冷”的热图有何用途呢？

有时候，如果我们希望显示大量重要的通路，那么基因&通路关联网络图可能会变得过于繁杂且不美观，而热图可以简化结果，更容易识别表达模式，更直观地展示所选基因和通路之间的关系以及基因的表达倍数变化。

介绍到这里，我们再来简单聊聊怎么去实现。

是它，就是它：enrichplot！

没想到吧？还是这个R包，就是这么强大！它内置了各式各样的函数，简直快要把生信天下的图一网打尽。上述的热图就涉及到其中的一个函数：heatplot。

好家伙！敢情热图的“热”是“heat”翻译而来的？

当然了，三要素（通路、基因和差异表达倍数）肯定少不了，把这三要素变成二进制的矩阵关系即可出图。至于美化的功能，你想要的，它都有。

二、图解

纵坐标：表示功能富集通路；

横坐标：表示通路中的基因；

渐变颜色柱：通路中存在的基因则会显示颜色柱，渐变颜色表示基因的表达倍数变化。

三、应用

显然，根据富集分析热图的内涵，转录组、蛋白质组和代谢组等研究数据的应用自然不在话下。

好啦！今天的介绍就到这里，感兴趣的朋友们可以去试试。

点击查看往期的生信高级图推文：

生信高级图大赏之弦图

小明：生信高级图大赏栏目真不错，每次都有很大的收获。
小编：谬赞了！把好图分享给大家，也是为了让大家的科研成果能锦上添花。

小明：基因功能富集分析之后的展示方法，除了柱状图、气泡图和弦图之外，还有没有别的花样呢？
小编：自然是有的，来欣赏一下这个图：

小明：看看这稀疏的胡渣，哦不，优美的线条、华丽的色彩，太绝了！这是啥图？
小编：老砖家告诉你，这是基因&通路关联网络图，俗称“圈图”。

小明：这个图的内容怎么看呢？能否展开讲讲？
小编：我们把这个图拆开分成三部分来解析：

顶部大圆圈——5条功能通路，不同通路富集的基因数目不同，其圆圈的大小（size）也会发生相应变化。
外周小圆圈——基因列，渐变颜色表示基因差异表达倍数（logFC）的变化。
线条——基因和通路之间的关联性，每条通路对应一种颜色的线条，并连接到富集的基因上。

小明：内容相当丰富！那这个“圈图”是用什么工具画出来的？
小编：这是用R包enrichplot内置的cnetplot函数绘制出来的，它将基因与它们所富集到的功能通路之间的复杂联系用网络图清晰地展现出来，同时还展示了基因的差异表达变化，和“弦图”有异曲同工之处。

小明：操作复杂吗？会不会很难？
小编：很简单，cnetplot函数已经构建好了基础模型，我们只需要把基因列、通路和logFC这三种数据整理成相应的矩阵关系，即可绘制出图。

小明：咦，居然这么简单，那我想按照自己的审美进行调节，R包能做到吗？
小编：当然可以。它还有众多的参数支持用户来个性化定制这个网络图，如节点大小，节点label大小，layout等，只要你有需求，基本上它都能满足你。

小明：哇，那这R包还能做到什么地步？
小编：上面分享的“圈图”，其实是它的展现方式之一，它还有另一种模式图，以散布状形式呈现，犹如盛开的烟花一般绚烂，也很美，对吧？至于它要渲染的内容和“圈图”是一样的。

小明：这五彩斑斓的烟花，绽放着数据之美，不仅仅是“烟花”了，属实惊艳！那前面这两种图都可以拿来展示我的转录组数据吗？
小编：可以的，不仅如此，基因组、蛋白组、代谢组等数据都能拿来应用。

小明：太棒了！我也想画“圈图”和“烟花图”来玩玩儿！我要去哪儿学？
小编：哈哈！你真是好学！关于enrichplot的详细使用方法可以看这里：http://www.bioconductor.org/packages/release/bioc/html/enrichplot.html

最后，这位爱玩又好学的网友带着新的收获满意地离开了……

转载请联系邮箱授权：circRNA@163.com