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。

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)

res2_7 <- nmf(X, 2:7, nrun=10, .options='v')

consensusmap(res2_7)

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')