背景介绍

在进行正式的转录组分析之前，一般可以先对样本的相关性进行绘图，用于观察各个组之间或组内样本的相关性。

数据介绍

数据的话我们采用的是送样测序公司反馈给我们的 gene_count 文件，格式如下：

gene_id： 基因 ID

gene_count： C1-T3 都是各个组的 gene count 数值

其他列一般我自己分析的话是不需要的。

我给大家提供了四种格式的数据，大家可以 下载到本地使用 或 直接读取在线数据，就可以案例分析了。

链接：
https://gitee.com/escibiu/bioinformatics/tree/master/transcriptomics

比如 xlsx 的数据，想要获取文件的链接，直接点击进去后，右击 原始数据，复制链接 即可

在线连接就拿到了：
https://gitee.com/escibiu/bioinformatics/raw/master/transcriptomics/gene_count.xlsx，直接 read.xlsx() 读取即可

软件介绍

R： 4.5.0

RStudio： 2025.05.0

教程介绍

1.首先加载需要的 R 包，这里我只读取 xlsx 格式数据，所以用到 openxlsx 包以及数据处理的 tidyverse 包

# 加载需要用的数据包
library(openxlsx)
library(tidyverse)

2.进行读取数据文件

# 读取测序原始文件
# 读取Control，Model，P，T四个组别
gene_count <- read.xlsx("https://gitee.com/escibiu/bioinformatics/raw/master/transcriptomics/gene_count.xlsx",
                        sheet = 1,
                        # 只需要id列和gene count列
                        rowNames = TRUE)[,1:12]

# 查看数据
view(gene_count)

3.计算样本间相关性

# 计算相关性
r <- cor(gene_count,
         # 计算相关性的方法有"pearson", "spearman", "kendall"
         method = "pearson",
         
         # 缺失值处理的方式
         use = "pairwise.complete.obs")
view(r)

4.使用热图来展示各个组间的相关性。很明显，从整体来讲，各个组间相关性没有明显的特征。表明各个组间整体差异不是很明显。

# 绘制热图
library(pheatmap)
pheatmap(r,
         # 是否显示列名
         show_rownames = TRUE,
         
         # 设置格子宽度
         cellwidth = 20,
         
         # 设置格子高度
         cellheight = 30,
         
         # 显示数字
         display_numbers = TRUE,
         
         # 字体大小，型号，是否加粗
         show_colnames = TRUE,
         fontsize = 12,
         font.family = "Arial",
         font.face = "bold",
         
         # 指定颜色
         color = colorRampPalette(c("#374E55FF","white","#B24745FF"))(50),

         filename = "1. 样本相关性热图.pdf",
         
        # 指定切分为几个分类
         cutree_rows = 3,
         cutree_cols = 3)

5.也可以不要聚类试试，方便观察组间和组内相关性

pheatmap(r,
         # 是否显示列名
         show_rownames = TRUE,
         
         # 设置格子宽度
         cellwidth = 20,
         
         # 设置格子高度
         cellheight = 30,
         
         # 显示数字
         display_numbers = TRUE,
         
         # 字体大小，型号，是否加粗
         show_colnames = TRUE,
         fontsize = 12,
         font.family = "Arial",
         font.face = "bold",
         
         # 指定颜色
         color = colorRampPalette(c("#374E55FF","white","#B24745FF"))(50),

         # filename = "1. 样本相关性热图.pdf",
         cluster_rows = FALSE,
         cluster_cols = FALSE)

6.也可以绘制相关性矩阵图

# 也可以绘制相关性矩阵图
library(corrgram)
corrgram(gene_count,
         
         # 样本文字大小
         cex.labels = 0.8,
         
         # 指定下方面板的形状，具体参数看下方注释
         lower.panel="panel.pts",   
         
         # 指定上方面板的形状，具体参数看下方注释
         upper.panel="panel.cor",   
         
         # 指定中间面板的形状，具体参数看下方注释
         diag.panel="panel.density",
         
         # 计算相关性的方法有"pearson", "spearman", "kendall"
         cor.method="pearson")  

7.好啦，这就是今天学习的如何对各组样本进行相关性绘图，用来评估组内和组间样本的相关性，赶紧来试试吧。