只要5分钟轻松掌握相关散布图~

2021-12-21 22:30:23, 多层组学定制服务上海欧易生物医学科技有限公司

点击上方“蓝色字体”关注我们

蛋白组学、代谢组学服务专家

生物信息分析知多少？

Do you know

在生信分析中，我们常会接触到各个因素之间的关系，这些变量之间的关系往往不能进行解析描述，不能由一个（或几个）变量的数值精确地求出另一个变量的值，这称为非确定性关系（或相关关系）。

而相关散布图就是用来研究两个变量之间是否存在相关关系的一种图形。它是用非数学的方式来辨认某现象的测量值与可能原因因素之间的关系。这种图示方式具有快捷、易于理解的特点。要注意的是，绘图数据必须是成对的（X,Y）。根据点的分布特点，就可以判断x和y 的相关情况。在生物统计中有许多呈规则或不规则的关联，我们要了解它，就可借助散布图统计手法来判断它们之间的相关关系。

一起绘制出这张相关散布图吧！

Do you know

首先安装接下来绘图所需的R包

library(ggplot2)library(ggpubr)library(readxl)

向右滑动查看全部

然后读取两个表格内容

#该表格是样本中代谢物的表达量数据。data_expression<-read_excel(“expression.xlsx”,sheet=1)

向右滑动查看全部

#该表格是样本中物质浓度数据。data_potency<-read_excel(“potency.xlsx”,sheet=1)

向右滑动查看全部

提取所需数据

#分别选取一种代谢物和一种物质浓度expression <- data.frame(data_ expression [1], data_ expression [2])potency <- data.frame(data_potency [1], data_potency [2])

向右滑动查看全部

对数据进行处理

根据样本名合并表达量矩阵和浓度矩阵

#merge()获取两个不同数据框中交叉部分data <- merge(x = potency,y = expression ,all = T,by = "Sample_name") #提取新矩阵列名col_names <- colnames(data)

向右滑动查看全部

绘制相关散布图

以浓度1作为横坐标，Metabolites1作为纵坐标绘制相关散布图。

ggplot(data,aes(x = data[,2],y = data[,3])) +      theme_bw() +      #设置散点颜色和大小      geom_point(color = "black",size=2) + # lm函数可对两组数据进行回归分析，使用geom_smooth()来画曲线拟合图      geom_smooth(method = "lm",color = "royalblue1") +       #使用Pearson相关分析       stat_cor(data = data,method = "pearson",size = 6) +       #设置横纵坐标名和标题      labs(x = col_names[2], y = col_names[3],title = "correlation") +       #设置标题格式      theme(plot.title = element_text(hjust = 0.5, size=20))+       #设置坐标轴和坐标轴名称格式        theme(axis.text = element_text(size = 12,face = "bold"),              axis.title = element_text(size = 15,face = "bold")) +     #设置绘图边距#设置绘图边距      theme(plot.margin = unit(rep(2,4),"lines"))

向右滑动查看全部

可以得到有关Metabolites1和浓度1的相关散布图。

对所有数据进行for循环绘制图片

for (i in 2:4){    #提取表达量数据    expression <- data.frame(data_expression [1],data_expression [i])  for (j in 2:3){    #提取浓度数据    potency <- data.frame(data_ potency [1],data_ potency [j])    data <- merge(x = potency,y = expression,all = T,by = "Sample_name")col_names <- colnames(data)
    pp<-ggplot(data,aes(x = data[,2],y = data[,3])) +      theme_bw() +      geom_point(color = "black",size=2) +      geom_smooth(method = "lm",color = "royalblue1") +      stat_cor(data = data,method = "pearson",size = 6) +      labs(x = col_names[2], y = col_names[3],title = "correlation") +      theme(plot.title = element_text(hjust = 0.5, size=20))+      theme(axis.text = element_text(size = 12,face = "bold"),            axis.title = element_text(size = 15,face = "bold")) +      theme(plot.margin = unit(rep(2,4),"lines"))
    #导出图片    ggsave(paste0("correlation-",i-1,"-",j-1,".jpg"), height=10, width=14, plot=pp)    ggsave(paste0("correlation-",i-1,"-",j-1,".pdf"), height=10, width=14, plot=pp)  }}