Press "Enter" to skip to content

使用NMF包绘制热图

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 pheatmappheatmap 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
#> 
#> Attaching package: 'pkgmaker'
#> The following object is masked from 'package:base':
#> 
#>     isFALSE
#> Loading required package: rngtools
#> Loading required package: cluster
#> Warning: replacing previous import 'colorspace::plot' by 'graphics::plot'
#> when loading 'NMF'
#> Warning: replacing previous import 'dendextend::cutree' by 'stats::cutree'
#> when loading 'NMF'
#> NMF - BioConductor layer [OK] | Shared memory capabilities [NO: bigmemory] | Cores 9/10
#>   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  0.0900    X
#> 2  0.0418    X
#> 3 -2.1354    X
#> 4 -0.1632    X
#> 5 -1.6008    X
#> 6 -1.0027    X
head(covariates)
#>       a Group      c
#> 1  beta     1  0.601
#> 2 gamma     1 -0.486
#> 3  beta     1  1.661
#> 4 alpha     1  1.017
#> 5 alpha     1 -1.177
#> 6 alpha     1  1.553

 

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'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( eculideancomplete
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')

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注