获取pheatmap聚类后和标准化后的结果
以下文章来源于生信宝典 ，作者生信宝典
学生信最好的时间是十年前，其次是现在！10年经验分享尽在生信宝典！
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
mat <- matrix(rnorm(30), nrow=5)
colnames(mat) <- paste("sample", 1:6, sep="_")
rownames(mat) <- paste("gene", 1:5, sep="_")
mat结果如下
## sample_1 sample_2 sample_3 sample_4 sample_5 sample_6
## gene_1 -0.3286368 0.3153119 -0.7730821 -0.85242874 -0.5303812 0.5088226
## gene_2 -1.3153020 0.3193550 0.4496518 -1.08782734 1.7620763 -0.9312810
## gene_3 0.6545161 -0.8220414 -1.1916559 0.04775437 0.2814619 1.8720241
## gene_4 1.0810986 0.2298092 -0.3615045 0.70162614 1.8572989 0.7250737
## gene_5 -1.8931573 2.7013864 0.5049798 -0.13541785 -1.7796036 -0.3185864绘图
library(pheatmap)
# 绘图同时存储绘图结果
(a <- pheatmap(mat, cluster_rows = T, cluster_cols = T))提取聚类后的原始矩阵
# 查看绘图数据的结构
# 直接查看会很大，这里只展示其前2层
# str: structure
str(a, max.level = 2)
# Rstudio中
# View(a)结果如下
## List of 4
## $ tree_row:List of 7
## ..$ merge : int [1:4, 1:2] -1 -4 -2 -5 -3 1 2 3
## ..$ height : num [1:4] 2.4 3.21 4.38 5.56
## ..$ order : int [1:5] 5 2 4 1 3
## ..$ labels : chr [1:5] "gene_1" "gene_2" "gene_3" "gene_4" ...
## ..$ method : chr "complete"
## ..$ call : language hclust(d = d, method = method)
## ..$ dist.method: chr "euclidean"
## ..- attr(*, "class")= chr "hclust"
## $ tree_col:List of 7
## ..$ merge : int [1:5, 1:2] -1 -6 -2 -5 3 -4 1 -3 2 4
## ..$ height : num [1:5] 1.98 2.29 2.55 3.78 5.21
## ..$ order : int [1:6] 2 3 5 6 1 4
## ..$ labels : chr [1:6] "sample_1" "sample_2" "sample_3" "sample_4" ...
## ..$ method : chr "complete"
## ..$ call : language hclust(d = d, method = method)
## ..$ dist.method: chr "euclidean"
## ..- attr(*, "class")= chr "hclust"
## $ kmeans : logi NA
## $ gtable :List of 6
## ..$ grobs :List of 6
## ..$ layout :'data.frame': 6 obs. of 7 variables:
## ..$ widths :List of 6
## .. ..- attr(*, "class")= chr [1:2] "unit.list" "unit"
## ..$ heights :List of 5
## .. ..- attr(*, "class")= chr [1:2] "unit.list" "unit"
## ..$ respect : logi FALSE
## ..$ rownames : NULL
## ..- attr(*, "class")= chr [1:4] "gtable" "gTree" "grob" "gDesc"
## - attr(*, "class")= chr "pheatmap"重新排列行和列
mat_cluster <- mat[a$tree_row$order, a$tree_col$order]
mat_cluster完成提取
## sample_2 sample_3 sample_5 sample_6 sample_1 sample_4
## gene_5 2.7013864 0.5049798 -1.7796036 -0.3185864 -1.8931573 -0.13541785
## gene_2 0.3193550 0.4496518 1.7620763 -0.9312810 -1.3153020 -1.08782734
## gene_4 0.2298092 -0.3615045 1.8572989 0.7250737 1.0810986 0.70162614
## gene_1 0.3153119 -0.7730821 -0.5303812 0.5088226 -0.3286368 -0.85242874
## 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。
mat_scale <- round(t(apply(mat, 1, scale)),2)
colnames(mat_scale) <- colnames(mat)
mat_scale最终结果
mat_cluster <- mat_scale[a$tree_row$order, a$tree_col$order]
mat_cluster## sample_2 sample_3 sample_5 sample_6 sample_1 sample_4
## gene_3 -0.88 -1.22 0.13 1.58 0.47 -0.08
## gene_4 -0.63 -1.42 1.53 0.03 0.50 -0.01
## gene_2 0.38 0.49 1.59 -0.67 -0.99 -0.80
## gene_1 1.04 -0.87 -0.45 1.38 -0.09 -1.01
## 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
随机森林randomForest 分类Classification 回归Regression
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
文献阅读 热心肠 SemanticScholar Geenmedical
16S功能预测 PICRUSt FAPROTAX Bugbase Tax4Fun
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”