ComplexHeatmap is gebouwd voor het plotten van side-by-side heatmaps met dezelfde clustering - je gebruikt de + -notatie, vergelijkbaar met ggplot2. Om dezelfde voorbeeldgegevens te gebruiken als @ b.nota:

  bibliotheek (ComplexHeatmap) # Eerste matrixset.seed (2) m <- replicate (8, rnorm ( 26)) rownames (m) <- letters [1:26] # Second matrixset.seed (3) m2 <- replicate (8, rnorm (26)) rownames (m2) <- letters [1:26] Heatmap (m ) + Heatmap (m2)  

En de resultaten:

Er zijn veel voorbeelden in de uitgebreide documentatie.

EDIT:

Om het kleurenschema te wijzigen is een aanroep nodig naar de colorRamp2 -functie van de circlize pakket.

  bibliotheek (circlize) mycol <- colorRamp2 (c (-2,0,2), c ("dodgerblue", "black", "yellow")) Heatmap (m, col = mycol, cluster_columns = FALSE) + Heatmap (m2, col = mycol, cluster_columns = FALSE)  

Dit geeft:

Je verwacht dat de volgorde van genen voor beide heatmaps hetzelfde is, maar de kans is klein dat de 4000 genen exact in dezelfde volgorde geclusterd zullen worden.

Wat je kunt doen, is de volgorde van genen (rijen) van de ene heatmap en maak een nieuwe heatmap met de andere dataset. Je verliest de boom natuurlijk omdat hij niet meer clustert.

Hier een klein voorbeeld:

  bibliotheek (gplots) # Eerste matrixset.seed (2) m <- replicate (8, rnorm (26)) rownames (m) <- letters [1:26] hm <- heatmap.2 (m, main = "m", key = T, key size = 1.0, scale = " none ", trace =" none ", density.info =" none ", Colv = FALSE, distfun = functie (x) dist (x, method =" euclidean "), hclustfun = functie (x) hclust (x, method = "ward.D2")) # Tweede matrixset.seed (3) m2 <- replicate (8, rnorm (26)) rownames (m2) <- letters [1:26] hm2 <- heatmap.2 (m2, main = "m2", key = T, key size = 1.0, scale = "none", trace = "none", density.info = "none", Colv = FALSE, distfun = function (x) dist (x, method = "euclidean "), hclustfun = function (x) hclust (x, method =" ward.D2 ")) # Tweede matrix met rijvolgorde van firstreorder_m2 <- m2 [rev (hm $ rowInd),] hm2_m <- heatmap.2 (reorder_m2 ,     hoofd = "m2 in m's volgorde", key = T, key size = 1.0, scale = "none", trace = "none", density.info = "none", Rowv = FALSE, Colv = FALSE, dendrogram = "none", distfun = function (x) dist (x, method = "euclidean"), hclustfun = function (x) hclust (x, method = "ward.D2"))  

Je hebt 2 opties op voorwaarde dat beide datasets dezelfde genen (rijen) hebben:

1. Behoud de originele volgorde van rijen in de heatmap. Als ze in dezelfde volgorde in de dataset staan, staan ​​ze in de heatmap. U kunt herordenen onderdrukken met een van de volgende argumenten voor heatmap.2

Rowv = NULL

dendrogram = "col" of dendrogram = "none"

reorderfun = functie (x) return (x)

2. Je kunt van tevoren de volgorde van de genen (rijen) berekenen en ze doorgeven aan de heatmap. De code die in de vraag wordt getoond doet dit al met Rowv = as.dendrogram (hr) . Om dezelfde volgorde in een tweede heatmap te hebben, moet je hetzelfde dendrogram hr doorgeven aan beide heatmaps. Dit kan worden berekend op basis van een dataset of een andere set samples.

Een andere optie is om afzonderlijke dendrogrammen te berekenen (van hclust van elke dataset) voor de samples en combineer ze met merge . U kunt de datasets combineren met cbind en de datasets samen plotten als één heatmap (met 2 sets samples afzonderlijk geclusterd) door het samengevoegde dendrogram door te geven aan Colv :

  #bereken dezelfde dendrogrammen afzonderlijkhc1 <- hclust (as.dist (t (data1), method = "euclidean")), method = "complete") hr2 <- hclust (as.dist (t (data2 ), method = "euclidean")), method = "complete") mergedcols <- merge (as.dendrogram (hr1), as.dendrogram (hr2)) mergeddata <- cbind (data1, data2) #compute gen dendrogram over alle sampleshr <- hclust (as.dist (1-cor (t (mergeddata), method = "pearson")), method = "complete") heatmap.2 (mergeddata, Rowv = as.dendrogram (hr), Colv = as .dendrogram (mergedcols), col = myCol, breaks = myBreaks, main = "Title", key = T, key size = 1.0, scale = "none", density.info = "none", reorderfun = functie (d, w) opnieuw ordenen (d, w, agglo.FUN = gemiddeld), trace = "none", cexRow = 0.2, cexCol = 0.8,
distfun = function (x) dist (x, method = "euclidean"), hclustfun = function (x) hclust (x, method = "ward.D2"))  

Je zou moeten zijn in staat om de verdeling tussen deze voorbeelden te tonen met het colsep -argument.