（生物信息学）R语言绘图初级——3-5分文章必备——散点图

生物信息学文章的发表要求除了思路和热点以外，图片绘制是否精美也是十分重要的，本专栏为（生物信息学）R语言绘图初级——3-5分文章必备，主要通过大量文献，总结3-5分文章中高频出现的各种图片，并给大家提供图片复现的R语言代码，及图片识读。

本专栏将向大家介绍的图片绘制如下：

1. 散点图

2. 箱线图

3.条形图

4.正负条形图

5.区组条形图

6.小提琴图

7.热图

8.Venn图

9.生存曲线

10.森林图

11.TSNE

12.瀑布图

13.ROC曲线

14.点阵图

15.相关系数图

16.饼图

17.树形图

18.气泡图

19.火山图

20.点图

今天绘制散点图，我们用的数据是我的资源中的数据：

楷然教你学生信的博客_CSDN博客-生物信息学,R语言与临床模型预测全套分析流程,生物信息学相关数据库介绍领域博主

数据均来自TCGA，但格式已转换成LCPM，即log2（CPM+1），因为发SCI生信论文要求。大家也可以准备自己的数据。

下面我们下载一个CHOL胆管癌数据：

TCGA-CHOL-mRNA表达数据——胆管癌表达及临床数据集整理_tcga临床数据整理-数据挖掘文档类资源-CSDN下载

 数据中包含两个文件，一个是临床文件，一个是LCPM表达文件，因为此处只是绘制散点图，我们只需要CHOL_LCPM表达文件。

 

 在读取代码之前，我们讲一下散点图的用途，最简单的用途就是分析两个基因的相关性，如果两个基因相关性高，那么我们认为它们之间可能存在共表达关系，但是具体还需要实验进一步验证。

散点图绘制中，需要计算相关性，主要有pearson和spearman两种计算方法，具体的选择可以参见之前的一篇文章。

还有，我们下载的数据是TCGA数据，有肿瘤和正常样本的表达，我们在计算相关性时，需要将肿瘤样本提取出来，我们计算的是肿瘤样本的相关性。

下面我们读取数据，随便选两个基因，比如我们选两个周期蛋白的基因CDK1和CCNB1：

setwd("C:\\")
dir()
data <- read.csv("CHOL_lcpm.csv",header = T,sep = ",")
data[1:5,1:5]
 
 
# > data[1:5,1:5]
#             X TCGA.ZD.A8I3.01A TCGA.W5.AA30.01A TCGA.W5.AA38.01A TCGA.YR.A95A.01A
#1      DDX11L1      -5.06306022       -5.0630602       -4.4599707       -5.0630602
#2       WASH7P       0.03949386        0.7319996       -0.1783097        0.4494518
#3    MIR6859-3      -4.56550277       -2.7102929       -4.4599707       -4.4818534
#4 RP11-34P13.3      -5.06306022       -5.0630602       -5.0630602       -4.4818534
#5    MIR1302-9      -5.06306022       -5.0630602       -5.0630602       -5.0630602

提取CDK1和CCNB1两个基因，然后将基因名变成行名，并将数据转置：

gene <- c("CDK1","CCNB1")
data <- data[data$X %in% gene,]
data[1:2,1:5]
rownames(data) <- data$X
data <- data[,-1]
data <- as.data.frame(t(data))
head(data)
 
 
# > head(data)
#                    CCNB1     CDK1
#TCGA.ZD.A8I3.01A 3.909019 3.498481
#TCGA.W5.AA30.01A 4.003472 3.694219
#TCGA.W5.AA38.01A 4.307981 3.412562
#TCGA.YR.A95A.01A 2.832581 3.711939
#TCGA.W5.AA36.01A 3.996200 3.477425
#TCGA.W5.AA2U.01A 4.174076 3.358181

 然后提取肿瘤样本，针对TCGA，可以用以下正则表达式，针对其他数据，那我们需要将准备一个cluster文件，里面标记好哪个样本名对应的是肿瘤还是正常样本：

先用正则表达式：

dim(data)
data <- data[grep("^TCGA[.-]([0-9a-zA-Z]{2})[.-]([0-9a-zA-Z]{4})[.-]([0])",rownames(data)),]
dim(data)
 
 
 
# > dim(data)
#[1] 45  2
#> data <- data[grep("^TCGA[.-]([0-9a-zA-Z]{2})[.-]([0-9a-zA-Z]{4})[.-]([0])",rownames(data)),]
#> dim(data)
#[1] 36  2

 可以看到提取前后样本发生变化，肿瘤样本有36个，剔除9个正常样本。

另一种方法就是准备好以下excel文件，把哪些是肿瘤样本哪些是正常样本都写好：

 科普一下：

 

 确认肿瘤样本和正常样本主要看红框位置，1开头就是正常，0开头就是肿瘤。

准备好以后保存一下：

 然后用下面代码匹配肿瘤数据：

dir()
cluster <- read.csv("Cluster.csv",header = T,sep = ",")
head(cluster)
cluster <- cluster[which(cluster$Type=="Tumor"),]
data <- data[match(cluster$SampleID,rownames(data)),]
dim(data)
 
 
# > dim(data)
#[1] 36  2

两种方法选其一即可，个人觉得第二种大家更容易理解，也适用于其他的数据，包括GEO，ICGC等等数据。

下面绘制散点图：

最简单的绘制方法就是plot：

plot(data$CCNB1,data$CDK1) ### 这种绘图方式所画出来的图不好看，所以我们就用ggplot来进行绘制。

不过这个图太丑，我们用ggplot2绘制：

 我们先拟合一个线性模型：

model <- lm(data$CCNB1~data$CDK1,data = data)
summary(model)
 
 
#> summary(model)
 
#Call:
#lm(formula = data$CCNB1 ~ data$CDK1, data = data)
 
#Residuals:
#     Min       1Q   Median       3Q      Max 
#-1.55999 -0.26491  0.05926  0.35073  1.17025 
 
#Coefficients:
#            Estimate Std. Error t value Pr(>|t|)    
#(Intercept)  1.52431    0.30763   4.955 1.96e-05 ***
#data$CDK1    0.65840    0.08765   7.511 1.02e-08 ***
#---
#Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
 
#Residual standard error: 0.568 on 34 degrees of freedom
#Multiple R-squared:  0.624,	Adjusted R-squared:  0.6129 
#F-statistic: 56.42 on 1 and 34 DF,  p-value: 1.016e-08

线性模型提示，两个基因相关度很高，达到0.65840，P值有意义：

 计算一下两个基因的相关性，我们用Pearson相关系数计算：

cor <- cor.test(data$CDK1,data$CCNB1,method = "pearson")
cor
 
 
# > cor
 
#	Pearson's product-moment correlation
 
#data:  data$CDK1 and data$CCNB1
#t = 7.5115, df = 34, p-value = 1.016e-08
#alternative hypothesis: true correlation is not equal to 0
#95 percent confidence interval:
# 0.623098 0.888008
#sample estimates:
#      cor 
#0.7899277 

相关性为0.7899，P值有意义：

这些都是散点图绘图中重要的信息，下面绘制散点图：

我准备了两套代码，大家可以直接用： 

第一套代码如下：

library(ggplot2)
a <- ggplot(data = data,aes(x = data$CCNB1,y = data$CDK1))+
  geom_point(shape = 19,color = "dodgerblue")+labs(y = "CDK1",x = "CCNB1")
a
b <- a+theme_bw()
b
c <- b+theme(panel.grid.major = element_blank(),panel.grid.minor = element_blank())
c
d <- c+stat_smooth(method = lm,se = F,colour = "red")
d
g <- d+theme(plot.title = element_text(hjust = 0.5,size = 14,face = "bold"),
             axis.title.y.left = element_text(size = 14,face = "bold"),
             axis.title.x.bottom = element_text(size = 14,face = "bold",
                                                vjust = 0))
 
g
h <- g+theme(axis.text.x.bottom = element_text(size = 10,face = "bold"))
h
 
i <- h +theme(axis.text.y.left = element_text(size = 10,face = "bold",
                                              vjust = 0.5,hjust = 0.5,
                                              angle = 90,colour = "black"))
 
i

输入图片如下：

 下一套代码：

library(ggplot2)
a <- ggplot(data = data,aes(x = data$CCNB1,y = data$CDK1))+
  geom_point(shape = 19,color = "dodgerblue")+labs(y = "CDK1",x = "CCNB1")
a
d <- a+stat_smooth(method = lm,se = F,colour = "red")
d
g <- d+theme(plot.title = element_text(hjust = 0.5,size = 14,face = "bold"),
             axis.title.y.left = element_text(size = 14,face = "bold"),
             axis.title.x.bottom = element_text(size = 14,face = "bold",
                                                vjust = 0))
 
g
h <- g+theme(axis.text.x.bottom = element_text(size = 10,face = "bold"))
h
 
i <- h +theme(axis.text.y.left = element_text(size = 10,face = "bold",
                                              vjust = 0.5,hjust = 0.5,
                                              angle = 90,colour = "black"))
 
i

输入图片如下：

 这里大家需要自行改动的地方就是自己的基因，还有颜色不喜欢也可以自己改动，具体颜色参考之前的一篇文章：

R语言中主要的颜色对照图_楷然教你学生信的博客-CSDN博客_r语言色块

红色框是大家可以进行改动的，其他的没必要改动，都设置好了：

export输出图片pdf格式，选择5inch*5inch即可。

 下面，我们还需要进一步对输出的图片进行处理，使用Photoshop和AI都行，将之前的那些信息加上，相关性和P值：