使用NMF包绘制热图
王诗翔 · 2018-12-20
学习文档:https://cran.r-project.org/web/packages/NMF/vignettes/heatmaps.pdf
Heatmap引擎
NMF包中的热图引擎是由aheatmap
函数实现,其余的热图函数都是基于它的修改。而aheatmap
函数本身又是pheatmap
包pheatmap
函数的修改版本。引擎具体的优点作者有在文档是写,我就不唠叨了。
数据和模型
为了演示热图函数的用法,我们这里创建一个随机的NMF输入矩阵,以及一些注释和协变量。
library(NMF)
#> Loading required package: pkgmaker
#> Loading required package: registry
#> Loading required package: rngtools
#> Loading required package: cluster
#> NMF - BioConductor layer [OK] | Shared memory capabilities [NO: bigmemory] | Cores 7/8
#> To enable shared memory capabilities, try: install.extras('
#> NMF
#> ')
# random data that follow an 3-rank NMF model (with quite some noise: sd=2)
X <- syntheticNMF(100, 3, 20, noise=2)
# row annotations and covariates
n <- nrow(X)
d <- rnorm(n)
e <- unlist(mapply(rep, c('X', 'Y', 'Z'), 10))
e <- c(e, rep(NA, n-length(e)))
rdata <- data.frame(Var=d, Type=e)
# column annotations and covariates
p <- ncol(X)
a <- sample(c('alpha', 'beta', 'gamma'), p, replace=TRUE)
c <- rnorm(p)
# gather them in a data.frame
covariates <- data.frame(a, X$pData, c)
查看下生成的注释数据:
head(rdata)
#> Var Type
#> 1 -1.686 X
#> 2 0.156 X
#> 3 1.075 X
#> 4 -0.592 X
#> 5 -1.448 X
#> 6 0.340 X
head(covariates)
#> a Group c
#> 1 beta 1 -0.307
#> 2 beta 1 -2.273
#> 3 beta 1 -1.770
#> 4 beta 2 -0.388
#> 5 alpha 2 1.273
#> 6 beta 2 1.344
这里X
实际是一个矩阵,rdata
是行注释,covariates
是列注释。
下面画图:
par(mfrow = c(1, 2))
aheatmap(X, annCol = covariates, annRow = X$fData)
aheatmap(X)
接着,我们使用NMF模型来分解矩阵。
res = nmf(X, 3, nrun = 10)
混合系数矩阵:coefmap
NMF结果的混合系数矩阵可以使用coefmap()
函数进行绘制。该函数默认添加2个注释通道用来展示从最佳拟合结果中获得的簇(聚类数)和一致性矩阵的层次聚类。在图例中,这两个通道分别以_basis_和_consensus_命名。对于一个简单的NMF模型结果,一致性数据是不能显示的,只能通过最佳拟合进行聚类。
opar = par(mfrow = c(1, 2))
# coefmap from multiple run fit: includes a consensus track
coefmap(res)
# coefmap of a single run fit: no consensus track
coefmap(minfit(res))
par(opar)
默认情况下:
- 行没有排序
- 列使用
aheatmap
的默认顺序,不过设置Colv="basis"
就能让列根据由主导的basis组分定义的类进行排序。或者设置Colv="consensus"
让列以consensus矩阵排序 - 每一列和为1(刻度化过)
- 调色板使用RColorBrewer包提供的“Y10rRd”,有50个刻度
如果想让coefmap()
显示aheatmap()
函数的默认形式,设置Rowv=TRUE, Colv=TRUE, scale='none'
。
自动注释的通道可以使用tracks=NA
进行隐藏,或者设置一个(tracks=':basis'
或tracks='basis:'
可以分别设置行注释或列注释),图例名可以以tracks=c(Metagene=':basis', 'consensus')
的形式进行修改。除此之外,利用annCol
参数可以添加用户设定的手动注释。
opar = par(mfrow = c(1,2))
# removing all automatic annotation tracks
coefmap(res, tracks = NA)
# customized plot
coefmap(res, Colv = 'euclidean',
main = "Metagene contributions in each sample", labCol = NULL,
annRow = list(Metagene = ":basis"), annCol = list(':basis', Class = a, Index = c),
annColors = list(Metagene = 'Set2'),
info = TRUE)
par(opar)
基底矩阵:basismap
基底矩阵可以使用basismap
函数进行绘制,默认的行为是添加basis注释通道,每一行显示主导的基底组分,即每一行有最高负载的基底组分。
opar <- par(mfrow=c(1,2))
# default plot
basismap(res)
# customized plot: only use row special annotation track.
basismap(res, main="Metagenes", annRow=list(d, e), tracks=c(Metagene=':basis'))
par(opar)
默认情况下:
- 列没有排序
- 行根据默认的层次聚类得到的距离进行排序(
eculidean
和complete
) - 每一行和为1
- 调色板使用RColorBrewer包提供的“Y10rRd”,有50个刻度
一致性矩阵:consensusmap
当使用NMF进行矩阵的时候,一种评估基于指定rank评估聚类稳定性的方法是考虑由多个独立NMF运行结果计算得到的连接矩阵。有篇不错的中文博文讲的比较清晰,建议看看。
单个拟合
我们所用数据res
设定的参数是nrun=10
,因此包含了10次运行得到的最佳结果以及基于所有运行的一致性矩阵。
opar <- par(mfrow=c(1,2))
# default plot
consensusmap(res)
# customized plot
consensusmap(res, annCol=covariates, annColors=list(c='blue')
, labCol='sample ', main='Cluster stability'
, sub='Consensus matrix and all covariates')
par(opar)
很显然这是一个对称矩阵,结果看上一半或者下一半都可以。
同一方法,计算多个rank的结果
函数nmf
可以接受一组rank
序列用来拟合多个不同的rank的结果。
res2_7 <- nmf(X, 2:7, nrun=10, .options='v')
然后可以同样的画图
consensusmap(res2_7)
单个rank,多种方法
可以比较同一rank不同方法的结果。
res_methods <- nmf(X, 3, list('lee', 'brunet', 'nsNMF'), nrun=10)
class(res_methods)
consensusmap(res_methods)
通用热图引擎:aheatmap
还有很多自定义画热图的例子,使用下面的命令查看。
demo('aheatmap')
# or
demo('heatmaps')