癌症数据预处理后需要绘制哪些图形？

Question

兄弟姐妹们好，我在学校参加了个比赛，大概是在TCGA网上下载一份癌症的数据（我下的是TCGA-UCEC）然后用R语言进行数据预处理之后继续用R语言绘制图片例如pca图跟火山图之类的，但我只知道这两个，老湿说把数据分析完绘制图形后要写论文，我不知道还要绘制哪些图，可不可以分享一些思路或经验😭

图是老湿给的大概流程图

Answer 1

上午好☀️☀️☀️️
本答案参考通义千问

在进行癌症数据（如TCGA-UCEC）的预处理后，绘制合适的图形对于数据分析和论文撰写非常重要。这些图形可以帮助你更直观地理解数据特征、差异表达基因、样本分组、通路富集等信息。以下是一些必须绘制或推荐绘制的图形，并附上详细说明与示例代码。

---

一、数据预处理后的核心图表

1. PCA图（主成分分析图）

• 作用：展示样本之间的总体相似性，判断是否存在批次效应或异常样本。
• 建议使用颜色区分不同组别（如肿瘤/正常）或不同亚型。
• 代码示例（R语言）：

library(ggplot2)
library(pcaMethods)

# 假设你的数据是表达矩阵，行是基因，列是样本
pca_result <- pca(data_matrix, ncomp = 3)
scores <- as.data.frame(pca_result$scores)

# 绘制3D PCA图
ggplot(scores, aes(x = PC1, y = PC2, color = group)) +
  geom_point(size = 3) +
  labs(title = "PCA Plot", x = "PC1", y = "PC2")

---

2. 火山图（Volcano Plot）

• 作用：展示差异表达基因（DEGs），横轴为log2(FC)，纵轴为 -log10(p-value)。
• 推荐标出显著差异的基因（如|log2(FC)| > 1, p < 0.05）。
• 代码示例（R语言）：

library(ggplot2)

# 假设你有差异分析结果 df，包含 log2FC 和 p.value 列
df$significant <- ifelse(abs(df$log2FC) > 1 & df$p.value < 0.05, "Significant", "Not Significant")

ggplot(df, aes(x = log2FC, y = -log10(p.value), color = significant)) +
  geom_point() +
  theme_minimal() +
  labs(title = "Volcano Plot", x = "log2(Fold Change)", y = "-log10(P-value)")

---

3. 热图（Heatmap）

• 作用：展示基因表达模式，适合观察特定基因或样本的聚类情况。
• 推荐使用层次聚类（hclust）和颜色映射（如热色谱）。
• 代码示例（R语言）：

library(ggplot2)
library(pheatmap)

# 假设 data_matrix 是表达矩阵
pheatmap(data_matrix, 
         scale = "row", 
         clustering_distance_rows = "euclidean",
         clustering_method = "complete",
         color = colorRampPalette(c("blue", "white", "red"))(50))

---

4. 箱线图（Boxplot）

• 作用：比较不同组之间基因表达的分布情况。
• 推荐用于验证预处理效果（如标准化前后对比）。
• 代码示例（R语言）：

library(ggplot2)

# 假设 df 包含样本类型（group）和表达值（expression）
ggplot(df, aes(x = group, y = expression, fill = group)) +
  geom_boxplot() +
  theme_minimal() +
  labs(title = "Expression Distribution by Group", x = "Group", y = "Expression")

---

5. 相关性图（Correlation Heatmap）

• 作用：展示样本之间的表达相关性。
• 推荐用于检查样本是否具有高度相似性或异常值。
• 代码示例（R语言）：

library(ggplot2)
library(reshape2)

# 计算样本间的相关性
cor_matrix <- cor(data_matrix)
cor_df <- melt(cor_matrix)

ggplot(cor_df, aes(x = Var1, y = Var2, fill = value)) +
  geom_tile() +
  scale_fill_gradient2(low = "blue", mid = "white", high = "red") +
  theme_minimal() +
  labs(title = "Sample Correlation Matrix")

---

6. GO/KEGG富集分析图

• 作用：展示差异基因富集的生物学功能和通路。
• 推荐使用enrichplot包绘制条形图或气泡图。
• 代码示例（R语言）：

library(enrichplot)

# 假设你已经进行了富集分析，得到一个 enrich_result 对象
barplot(enrich_result, showCategory = 10)

---

二、其他推荐图表

7. 生存曲线（Kaplan-Meier Curve）

• 作用：评估某些基因表达与患者生存时间的关系。
• 推荐使用 survival 和 survminer 包。
• 代码示例（R语言）：

library(survival)
library(survminer)

# 假设你有 survival_data 包含 time 和 status 列
fit <- survfit(Surv(time, status) ~ group, data = survival_data)
ggsurvplot(fit, data = survival_data, risk.table = TRUE)

---

8. 基因表达趋势图（Line Plot）

• 作用：展示特定基因在不同样本中的表达趋势。
• 推荐用于验证关键基因的表达模式。
• 代码示例（R语言）：

library(ggplot2)

# 假设 gene_expression 是某基因的表达值
ggplot(data = data.frame(sample = rownames(gene_expression), value = gene_expression), 
       aes(x = sample, y = value, group = 1)) +
  geom_line() +
  geom_point() +
  theme_minimal() +
  labs(title = "Gene Expression Trend", x = "Sample", y = "Expression")

---

三、总结：推荐绘制的图形清单

1. PCA图 ✅
2. 火山图 ✅
3. 热图 ✅
4. 箱线图 ✅
5. 相关性图 ✅
6. GO/KEGG富集分析图 ✅
7. 生存曲线 ✅
8. 基因表达趋势图 ✅

---

四、注意事项

• 确保所有图形都有清晰的标题、坐标轴标签和图例。
• 使用统一的颜色方案，保持风格一致。
• 在论文中引用图形时，需注明数据来源（如TCGA-UCEC）。
• 如果数据量较大，可适当选择子集进行可视化，避免图形过于复杂。

---

如果你需要进一步帮助，比如如何从TCGA下载数据、如何用R做差异分析或富集分析，我也可以继续为你提供详细指导！💪