différences de heatmap / clustering par défaut dans R (heatplot versus heatmap.2)?

Les principales différences entre heatmap.2 et heatplot fonctions sont les suivantes:

1. heatmap.2, en tant que par défaut utilise euclidienne mesure d'obtenir la matrice de distance et complet méthode d'agglomération pour le groupement, alors que heatplot utilise corrélation et moyenne méthode d'agglomération, respectivement.

2. heatmap.2 calcule la matrice de distance et exécute la segmentation algorithme avant mise à l'échelle, alors que heatplot (quand dualScale=TRUE) clusters déjà réduit de données.

3. heatmap.2 réordonne le dendrogramme en fonction des valeurs moyennes de la ligne et de la colonne, comme décrit ici.

paramètres par défaut( p. 1) peut être simplement modifié dans heatmap.2, en fournissant customdistfun et hclustfun arguments. Toutefois p. 2 et 3 ne peuvent pas être facilement traitées, sans modifier le code source. Donc heatplot fonction agit comme un wrapper pour heatmap.2. Tout d'abord, il applique la transformation nécessaire aux données, calcule la matrice de distance, regroupe les données, puis utilise heatmap.2 fonctionnalité seulement pour tracer le heatmap avec les paramètres ci-dessus.

dualScale=TRUE argument dans la fonction heatplot, n'applique que le centrage et la mise à l'échelle basés sur les lignes ( description). Ensuite, il réaffecte les extrêmes ( description) des données graduées à zlim valeurs:

z <- t(scale(t(data)))
zlim <- c(-3,3)
z <- pmin(pmax(z, zlim[1]), zlim[2])

pour correspondre à la sortie de la fonction heatplot, j'aimerais proposer deux solutions:

I-ajouter de nouvelles fonctionnalités au code source -> heatmap.3

Le code peut être trouvé ici. N'hésitez pas à parcourir les révisions pour voir les modifications apportées à heatmap.2 la fonction. En résumé, j'ai introduit les options suivantes:

• transformation de z-score est effectuée avant le regroupement (clustering): scale=c("row","column")
• les valeurs extrêmes peuvent être réassignées dans les données scalées:zlim=c(-3,3)
• option pour désactiver le réarrangement du dendrogramme:reorder=FALSE

Un exemple:

# require(gtools)
# require(RColorBrewer)
cols <- colorRampPalette(brewer.pal(10, "RdBu"))(256)

distCor <- function(x) as.dist(1-cor(t(x)))
hclustAvg <- function(x) hclust(x, method="average")

heatmap.3(data, trace="none", scale="row", zlim=c(-3,3), reorder=FALSE,
          distfun=distCor, hclustfun=hclustAvg, col=rev(cols), symbreak=FALSE) 

II - définir une fonction qui fournit tous les arguments requis pour l' heatmap.2

si vous préférez utiliser le heatmap original.2, le zClust la fonction (ci-dessous) reproduit toutes les étapes effectuées par heatplot. Il fournit (dans un format de liste) la matrice de données graduées, la rangée et les dendrogrammes de colonne. Ceux-ci peuvent être utilisés comme entrée dans heatmap.2 fonction:

# depending on the analysis, the data can be centered and scaled by row or column. 
# default parameters correspond to the ones in the heatplot function. 
distCor <- function(x) as.dist(1-cor(x))
zClust <- function(x, scale="row", zlim=c(-3,3), method="average") {
    if (scale=="row") z <- t(scale(t(x)))
    if (scale=="col") z <- scale(x)
    z <- pmin(pmax(z, zlim[1]), zlim[2])
    hcl_row <- hclust(distCor(t(z)), method=method)
    hcl_col <- hclust(distCor(z), method=method)
    return(list(data=z, Rowv=as.dendrogram(hcl_row), Colv=as.dendrogram(hcl_col)))
}

z <- zClust(data)

# require(RColorBrewer)
cols <- colorRampPalette(brewer.pal(10, "RdBu"))(256)

heatmap.2(z$data, trace='none', col=rev(cols), Rowv=z$Rowv, Colv=z$Colv)

Quelques commentaires supplémentaires concernant heatmap.2(3) fonctionnalités:

• symbreak=TRUE est recommandé lors de l'application d'échelle. Il ajustera l'échelle de couleur, de sorte qu'il se brise autour de 0. Dans l'exemple actuel, le les valeurs négatives = bleu, tandis que les valeurs positives = rouge.
• col=bluered(256) peut fournir une solution colorante alternative, et il ne nécessite pas de bibliothèque RColorBrewer.