CELL_all.jpg
今天要复现的图来自2019年的一篇Nature。也是非常经典的一篇组学文章。文章其它的图都比较常见，Fig1还是比较有意思的，咱们今天就来复现一下。
Snipaste_2021-10-25_22-19-22
读图
Snipaste_2021-10-23_21-27-34
Snipaste_2021-10-25_22-31-24
样本首先按AFP(甲胎蛋白)水平排列(从低AFP(≤200,灰色)到高AFP(>200,红色)，然后按MVI(从MVI否到MVI是)排序。成对的样本用灰色直线标注。拟合的虚线曲线显示了蛋白质在肿瘤(红色，n=98)和非肿瘤(蓝色，n=98)样本中的分布。阴影表示95%的置信区间。
思路
- 两步走，分别做分类变量的格子热图和哑铃图。
- 先将AFP从低到高排列，再分为低和高。注意改变因子
level。 - 格子热图可以用
geom_tile()绘制。 - 哑铃图即是分组散点图加线段,用
geom_segment()绘制。 - 将两个图进行拼接，注意拼接比例。
绘制
数据格式
示例数据是自己随机创建的，无实际意义。
Snipaste_2021-10-25_22-46-11
导入并预处理数据
rm(list = ls())
setwd("F:/~/mzbj/mzbj_note/nature_figure1")
data <- read.csv("sample.csv")
df_order <- data[order(data$AFPVALUE),] #排序
df_cell <- data[,c(1,5,6)] #做小热图用的数据
df2=melt(df_cell,id="SAMPLE") #数据变换
#改变level
data$SAMPLE <- factor(data$SAMPLE, levels = df_order$SAMPLE )
df2$SAMPLE <- factor(df2$SAMPLE, levels = df_order$SAMPLE )
df2$variable <- factor(df2$variable,levels = c("MSI","AFP"))
绘制分类变量的格子热图
#设置颜色
cols=c(
"H"="#FE8B91","L"="gray",
"Y"="#FE8B91","N"="gray"
)
p1 <- ggplot(df2,aes(x=SAMPLE,y=variable),size=0.1)+
geom_tile(aes(fill=value),color="white",size=0.1)+
scale_x_discrete("",expand = c(0,0))+
scale_y_discrete("",expand = c(0,0))+
scale_fill_manual(values = cols)+ #指定自定义的颜色
theme(
axis.text.x.bottom = element_blank(),#修改坐标轴文本大小
axis.ticks = element_blank(), #不显示坐标轴刻度
legend.title = element_blank() #不显示图例title
)
p1
image-20211025225452041
绘制配对哑铃图并添加拟合线
p2 <- ggplot(data) +
geom_segment(aes(
x = SAMPLE,
xend = SAMPLE,
y = value1,
yend = value2
),
color = "#DDEAF6",
size = 0.3) +
geom_point(
aes(x=SAMPLE, y=value1),
group = 1,
color = "#96A6E7",
size = 3
) +
stat_smooth(aes(x = as.numeric(SAMPLE), y = value1),
method=loess,
linetype = 2,
color = '#96A6E7',
fill = '#D9F6F6',
level=0.95) +
geom_point(
aes(x=as.numeric(SAMPLE), y=value2),
color = "#FE8B91",
size = 3
) +
stat_smooth(aes(x = as.numeric(SAMPLE), y = value2),
method=loess,
linetype = 2,
color = '#FE8B91',
fill = '#FEECEA',
level=0.95) +
theme_classic() +
theme(axis.ticks.x = element_blank(),
axis.line.x = element_blank(),
axis.text.x = element_blank())
p2
image-20211025225632153
按比例拼接
library(patchwork)
p1/p2+plot_layout(heights = c(0.1, 1))
image-20211025225752926
基本上还原了这个图。图例部分在AI里进行简单的修正即可~
不足之处
作者在文章中写的是用的lasso曲线进行拟合~这里用了loess方法进行拟合，暂时还不指导method = glm时如何选用lasso.
