随着大数据时代的到来

在大部分文献中都可以看到这样的图

这样的图是什么呢？

我们应该如何观看呢？

今天就由若谷来带大家一起来解读热图

热图解读

热图是对实验数据进行质量控制和差异数据的展现

单个热图由热图主体和热图组件组成

热图主体可以按行和列拆分，位于热图中央。

热图组件包括标题、树状图、矩阵名称和热图注释(热图注释以行列为划分进行注释，一般列注释对应其样本来源，行注释对应分子学类型),位于热图主体的四个侧面。

此外，我们还可以观察到在热图侧面会有类似下图的一条色带。

色带相应颜色与热图矩阵数据相映射，一般靠近正值颜色即为高表达、正相关，而靠近负值颜色即为低表达、负相关。

此图中每一列分别代表的不同基因在同一样本的表达情况，每一行分别代表同一基因在不同样本中的表达情况。

以同一样本基因表达量平均值为基准，高于平均值表达量则为正值，标记为红色；反之，低于平均值表达量则为负值，标记为蓝色。颜色深浅则表示基因表达量与均值的差异程度。

在此图中第一行红色区域对应NR即正常组织，蓝色区域对应R即非正常组织，我们可以发现图中所对应基因非正常组织相对正常组织均表达上调。

到这里大家或许会有疑问，那热图旁边的树状图到底是什么意思呢？此时，我们就不得不提到聚类分析。

聚类分析

聚类是把相似的对象通过静态分类的方法分成不同的组别或者更多的子集，这样让在同一个子集中的成员对象都有相似的一些属性。而树状图则是对聚类结果的最终显示。

为了理解，若谷给大家举个例子吧

eg.

在某校一次英语模拟考试中，成绩如下,老师希望能根据大家的不同能力布置作业，但是该如何分配成员呢？

此时我们就可以采用聚类分析，将能力相似的同学归为一类。

观察上表，我们可以得知，小明与小强成绩最为接近，因此我们可以将小明与小强划分为第一类成员，小红与小王成绩最为接近，因而将小红与小王划分为第二类成员。

然后假设小明小强的成绩均值38分代表第一类成员的成绩，而小红小王成绩均值95分代表第二类成员的成绩，此时可以观察到小刚与第一类成员的成绩更为接近。最终以树状图来展示其聚类结果:

由此，我们可以较好的帮助能力相似的同学归为一类。

一般而言，同一基因或同一蛋白质在不同个体中存在较大的差异，而在同一组织或同一类个体中表达相近。

因此，当我们试图寻找肿瘤组织相对正常组织表达明显改变的基因，采用聚类的方式我们就可以较好的将肿瘤组织以及正常组织进行归类，并且可使表达相似的基因归为一类，这样表达颜色相似的基因以及组织会聚在一起，在热图中矩阵色差对比也就更加鲜明，从而有利于我们对结果的观察分析。

eg.

聚类前

聚类后

聚类后相对聚类前，数据分布更集中，便于观察，位于热图主体上方的树状图对样本来源进行聚类，便于区分不同样本（如肿瘤组织与正常组织）；位于热图左方树状图对基因表达进行聚类，将表达相似基因归为一类，颜色差异更加显著

热图鉴赏

好的热图绘制往往可以为文献增添不少亮点，目前在文献中我们可以发现除了上述常见热图模式外，热图还演变出了许多新模式。

相应的矩形颜色表示其所对应行注释与列注释的相关程度，上图中矩形颜色越红表示二者之间成正相关，反之，矩形颜色越蓝表示二者之间呈负相关。

eg2.时间序列热图

在此图中主要对比了2004年及2005年每小时温度变化，紫色到黄色表示10-℃到30+℃温度的变化，行注释为24h，列注释为12m。我们可以发现在6、7月是温度显著高于其它月份。且12-14h温度较高。

eg3.等值线地图

以颜色映射非洲人口数量。颜色越蓝表示人口越密集。

eg4.3D热图

可同时展示三个维度的数据，如上图同时显示了长宽高三个维度的长度，常见于人体器官的红热图分析。

热图的出现使的繁杂的数据分析结果更加清晰明了，我们可以轻易的从图中直接获得数据分析结果。

现在大家明白热图应该如何解读了吗

让若谷来考考大家

问题

（猜猜本图代表什么含义呢）

解读

三组实验组较对照组对应基因表达上调

本次关于热图的解读就到这里啦，下次若谷将继续带大家欣赏文献其它难读的图！！！

文章仅代表个人观点

作者:若谷

排版：沉迷读图的若谷

参考文献：

[1] Zuguang Gu, Roland Eils and Matthias Schlesner, Complex heatmaps reveal patterns and correlations in multidimensional genomic data, Bioinformatics, 2016

[2] 华琳，李林.医学生物信息学案例与实践[M]. 北京：清华大学出版社，2018.

[3] https://www.r-graph-gallery.com/index.html

[4]https://en.wikipedia.org/wiki/Cluster_analysis