首页 > 其他分享 >桑基气泡图 – 5个维度展示KEGG通路富集结果

桑基气泡图 – 5个维度展示KEGG通路富集结果

时间:2024-07-12 19:57:02浏览次数:8  
标签:富集 KEGG 通路 颜色 示例 桑基 维度 气泡

2022年发表在《Nature communication》上的文章Kir2.1-mediated membrane potential promotes nutrient acquisition and inflammation through regulation of nutrient transporters fig1i使用微生信平台绘制了一张图,我们将其命名为“桑基气泡图”。从此,桑基气泡图进入了大家的眼帘,被各公号、平台争相模仿。今天,给大家分享下升级版的桑基气泡图。

如上图,左侧是常规气泡图;右侧是桑基气泡图。

右侧图中,左边桑基图展示了基因隶属于哪个富集通路,右边气泡图展示了富集通路的Gene.Ratio(X轴),富集条目(Y轴),基因数(气泡大小),p值(颜色)。在传统4个维度的基础上,额外添加了一个基因维度,更加清晰地展示了KEGG通路富集分析结果。

1,打开作图URL

微生信-在线绘制GO,pathway富集结果桑基气泡图

2,示例数据

点击图片上方的示例数据,下载,并使用excel打开。

示例数据包括5列:

第1列:富集term

第2列:gene ratio,或者rich factor等数值

第3列:pvalue,或者qvalue,fdr值

第4列:斜线/分割的基因

第5列:基因数

3,输入检查

Ctrl+A选中示例数据,Ctrl+C拷贝,Ctrl+V粘贴到输入框。

然后使用输入框下面的“输入检查”按钮先对输入数据进行检查。若检查不通过,请根据检查提示重复【修改-输入检查】步骤,直到检查通过(如下图所示),然后可以继续往下进行。

注:输入检查是新加功能,它会根据不同模块的输入要求,逐行逐列检查输入数据,并给出提示,确保数据符合模块要求。

4,参数选择

图片大小:图片宽度,图片高度,左侧桑基图的占比,右侧气泡图的占比,例如这里桑基宽度7.0和dot宽度5.0,表示整张图被分成12份,左侧桑基图占整个图的7,右侧图占5,他们的比例是7:5。该参数可以用来微调左右的大小,以根据通路名长度等,更合理地布局。

文字大小及说明:基因和通路的字体大小,气泡图X轴的名字和颜色的颜色说明

通路颜色: 10种自定义颜色,可以自定义通路和桑基图带的颜色(两者一致),使图片更加易读,更加美观。

气泡的颜色和大小:包括高颜色和低颜色,气泡大小(最小的气泡的大小,其他气泡随数据放大)。

字体:Times New Roman和Arial字体。

5,提交出图

检查通过,并且参数选好后,点击“提交”按钮,约5s后,会在页面上呈现桑基气泡图预览。我们提供了pdf,svg两种矢量图,png,tiff两种标量图供大家下载使用。其中矢量图可以使用acrobat illustrator进行编辑、组图等。

绘图技巧:左侧的桑基图颜色按照页面上所示从上到下。Term的顺序是按照示例数据中从下到上的顺序,即示例数据的最后一行是画在最上面的,因此输入数据排序后再绘图。同时,可以根据term的某些特征,使用不同色系分块展示。

如下图所示,上面4个通路使用红色色系,下面5个使用绿色色系。

微生信助力高分文章,用户192000,谷歌学术3500篇

标签:富集,KEGG,通路,颜色,示例,桑基,维度,气泡
From: https://blog.csdn.net/weishengxin_/article/details/140265261

相关文章

  • 维度建模四部曲:选择业务处理过程、定义粒度、选择维度、确定事实
    维度建模是设计数据仓库的一种常用方法,它通过将业务数据组织成维度表和事实表的结构,使得数据分析和查询更加直观和高效。在进行维度建模时,有一个经典的四部曲:选择业务处理过程、定义粒度、选择维度、确定事实。本文将对这四个步骤进行详细介绍。选择业务处理过程:在维度建模......
  • R:链接KEGG数据库获取更多描述信息
    rm(list=ls())#清除所有变量library(KEGGREST)#设置工作目录并读取数据setwd("C:\\Users\\Administrator\\Desktop\\New_microtable\\HUMAnN")#根据实际路径修改pathways_df<-read.table("kegg_abundance.txt",header=TRUE,stringsAsFactors=FA......
  • 像学Excel 一样学 Pandas系列-创建数据分析维度
    嗨,小伙伴们。又到喜闻乐见的Python数据分析王牌库Pandas的学习时间。按照数据分析处理过程,这次轮到了新增维度的部分了。老样子,我们先来回忆一下,一个完整数据分析的过程,包含哪些部分内容。其中,Pandas的基础信息导入、数据导入和数据整理、数据探索和清洗已经在前几篇文章......
  • 差异基因富集分析(R语言——GO&KEGG&GSEA)
    接着上次的内容,上篇内容给大家分享了基因表达量怎么做分组差异分析,从而获得差异基因集,想了解的可以去看一下,这篇主要给大家分享一下得到显著差异基因集后怎么做一下通路富集。1.准备差异基因集我就直接把上次分享的拿到这边了。我们一般都把差异基因分为上调基因和下调基因分......
  • 塑造卓越企业家IP:多维度视角下的策略解析
    在构建和塑造企业家IP的过程中,我们需要从多个维度进行考量,以确保个人品牌能够全面、立体地展现企业家的独特魅力和价值。以下是从不同角度探讨如何做好一个企业家IP的策略。一、从个人特质出发深入了解自我:企业家需要清晰地认识到自己的优势、劣势、价值观和愿景,确保IP能够......
  • 数据维度的魔法师:使用scikit-learn进行t-SNE可视化
    标题:数据维度的魔法师:使用scikit-learn进行t-SNE可视化引言在数据科学领域,我们经常面临高维数据的挑战。这些数据在原始空间中可能难以直观理解。t-SNE(t-分布随机邻域嵌入)作为一种强大的降维技术,可以将高维数据映射到二维或三维空间,以便于我们进行可视化和探索。本文将详......
  • 带注意力的LSTM翻译模型:在数据流动和维度变化中分析原理和核心代码
    同步发布于公众号:依古比古很无聊前言本文以CS224n课程中assignment4的代码和数据作为基础,探讨基于注意力的LSTM机器翻译模型。笔者认为,只有摸清了一个模型从输入到输出过程中的数据维度变化及其原因才是真正掌握了一个模型的结构,所以本文从数据流动及维度变化的角度出发对......
  • Kafka多维度调优
    优化金字塔应用程序层面框架层面(Broker层面)JVM层面操作系统层面应用程序层面:应当优化业务代码合理使用kafka,合理规划主题,合理规划分区,合理设计数据结构;框架层面:在不改动源码的情况下,从kafka参数配置入手,结合业务体量和运行数据进行调优JVM层面:在出现明显缓慢和可能的内存......
  • 数据仓库之维度建模
    维度建模是数据仓库设计中的一种方法,旨在优化数据查询和分析过程。它通过将数据划分为事实表和维度表,使复杂的数据查询变得更加高效和直观。以下是关于数据仓库维度建模的详细介绍:1.维度建模的概念维度建模(DimensionalModeling)是一种数据建模方法,用于设计数据仓库中的数据......
  • 【维度建模】【第二章】Kimball维度建模技术概述
    2.1基本概念2.1.2维度建模研讨维度模型应该由业务、模型设计者通过充分的讨论得到。2.1.3四步骤维度设计过程维度设计期间主要设计一下四个主要的决策:选择业务过程声明粒度确认维度确认事实2.1.4业务过程表示一次业务的行为。例如获得订单、学生课程注册,2.1.5粒度粒......