Create test matrix

test = matrix(rnorm(200), 20, 10)
test[1:10, seq(1, 10, 2)] = test[1:10, seq(1, 10, 2)] + 3
test[11:20, seq(2, 10, 2)] = test[11:20, seq(2, 10, 2)] + 2
test[15:20, seq(2, 10, 2)] = test[15:20, seq(2, 10, 2)] + 4
colnames(test) = paste("Test", 1:10, sep = "")
rownames(test) = paste("Gene", 1:20, sep = "")
# 编造表达矩阵数据的优秀代码示例

开始画热图

pheatmap(test)  # p1

p1，仅给参数matrix的情况下，可以观察到

• 数值->色块

• 横轴Test（分组）进行了聚类（重排）

• 纵轴Gene 也进行了聚类（重排）

• 形成了最终的图示效果

pheatmap(test, kmeans_k = 2)  # p2

p2，除了matrix，给出了kmeans_k = 2的参数

• Gene变成了2个cluster

• kmeans是聚类算法，这里指定了算法里的k值

• p1中提到了横纵轴也进行了聚类

关联概念：

什么是聚类？“聚类”和“分类”？不同的聚类思想及聚类算法？kmeans中k值的合理选择？

pheatmap(test, scale = "row", clustering_distance_rows = "correlation")  # p3

p3，参数scale = “row”, clustering_distance_rows = “correlation”

• 同p1 p2 相比，图例中的数值范围发生了变化

• 每一行按照Pearson correlation距离度量进行scale操作

• 每一行中tile之间的相对量趋势没有改变

为了凸显scale参数的作用，先将横纵轴的Hierarchical Clustering去掉，然后截图对比

pheatmap(test, cluster_rows = F, cluster_cols = F)  # extra1
pheatmap(test, cluster_rows = F, cluster_cols = F, scale = "row")  # extra2
pheatmap(test, cluster_rows = F, cluster_cols = F,
         scale = "row", clustering_distance_rows = "correlation")  # extra3

# p4
pheatmap(test, color = colorRampPalette(c("navy", "white", "firebrick3"))(50))

p4, color参数，不解释

• color这里接收的是个vector（vector of colors used in heatmap）

• colorRampPalette(c(“navy”, “white”, “firebrick3”))(50)这里看起来有点“怪”，
  原因在于colorRampPalette returns a function

参考资料

pheatmap帮助文档