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#> #> 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 covariatesn <- 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 covariatesp <- ncol(X)
a <- sample(c('alpha', 'beta', 'gamma'), p, replace=TRUE)

c <- rnorm(p)# gather them in a data.framecovariates <- 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    Xhead(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)

[图片上传失败...(image-840b81-1545294882772)]

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 trackcoefmap(res)# coefmap of a single run fit: no consensus trackcoefmap(minfit(res))

[图片上传失败...(image-18b1ac-1545294882772)]

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 trackscoefmap(res, tracks = NA)# customized plotcoefmap(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)

[图片上传失败...(image-751117-1545294882772)]

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

作者：王诗翔
链接：https://www.jianshu.com/p/f5cbbe771ce2