在轉錄組 Bulk 測序數據分析中，熱圖是展示基因表達模式、樣本聚類關系的核心可視化工具。一張高質量的熱圖不僅能清晰呈現數據特征，更能提升研究成果的展示效果。本文基于 R 語言的pheatmap包，整理了六種適用于不同場景的熱圖繪制方法，涵蓋基礎聚類、分組對比、通路注釋等需求，私信即可獲取全部代碼，方便科研人員快速實現數據可視化。

一、繪圖前的數據準備

熱圖繪制的核心是基因表達矩陣，數據格式的規范性直接影響后續分析效果，需提前做好以下準備：

1.1 表達矩陣格式要求

表達矩陣需滿足：

• 第一列為基因名（后續將作為行名）；
• 從第二列開始為樣本的基因表達值（FPKM、TPM 或 Counts 均可）；
• 第一行為樣本名稱（作為列名）。

示例格式如下（簡化版）：

1.2 數據讀取與預處理

使用read.csv函數讀取數據，注意保留基因名作為行名，避免樣本名被自動修改：

# 讀取表達矩陣（替換為實際文件路徑）
data <- read.csv("gene_expression_matrix.csv", row.names = 1, check.names = FALSE)
# check.names = FALSE：避免樣本名中的特殊字符（如“-”“.”）被自動轉換

1.3 樣本分組注釋

根據研究設計定義樣本分組（如正常組 / 疾病組、處理組 / 對照組等），用于后續熱圖的分組標記：

# 示例：30個正常組樣本 + 30個疾病組樣本（需根據實際樣本數量修改）
sample_groups <- data.frame(Condition = factor(c(rep("Normal", 30), rep("Disease", 30))),  # 分組名稱row.names = colnames(data)  # 樣本名與表達矩陣列名對應
)

二、六種熱圖繪制方法

2.1 經典聚類熱圖（部分代碼）

適用場景：初步展示基因表達模式與樣本聚類關系，適合探索性分析。

通過行（基因）標準化消除表達量量級差異，結合聚類樹展示基因與樣本的相似性：

library(pheatmap)
library(RColorBrewer)pheatmap(data,color = colorRampPalette(rev(brewer.pal(11, "RdBu")))(100),  # 紅藍漸變配色（表達量高→紅，低→藍）scale = "row",  # 按行（基因）標準化

特點：通過顏色梯度直觀展示基因表達高低，聚類樹反映樣本 / 基因的相似性。

2.2 分組注釋熱圖（部分代碼）

適用場景：需突出樣本分組信息（如正常 / 疾病、處理 / 對照），增強組間差異的可視化效果。

在經典熱圖基礎上添加樣本分組注釋條，通過顏色區分不同組別：

# 定義分組注釋顏色（可根據需求調整色值）
annotation_colors <- list(Condition = c(Normal = "#4DBBD5",  # 正常組：淺藍色Disease = "#E64B35") # 疾病組：紅色
)pheatmap(data,color = colorRampPalette(rev(brewer.pal(11, "RdBu")))(100),scale = "row",

特點：通過頂部注釋條清晰區分樣本組別，便于觀察組內聚類一致性與組間差異。

2.3 二元對比熱圖（部分代碼）

適用場景：需突出基因在兩組間的表達差異（如上調 / 下調），適合差異基因集的可視化。

使用多色漸變（藍→白→紅）強化表達量極端值的對比：

pheatmap(data,color = colorRampPalette(c("#2c7bb6", "#abd9e9", "#ffffbf", "#fdae61", "#d7191c"))(100),# 顏色梯度：深藍（低表達）→淺藍→白→淺紅→深紅（高表達）scale = "row",annotation_col = sample_groups,

特點：中間白色為基線，兩端顏色強化高低表達差異，適合直觀展示基因在兩組中的表達趨勢。

2.4 子集熱圖（前 20 個基因）（部分代碼）

適用場景：聚焦核心基因（如 top 差異基因、關鍵通路基因），避免全基因集熱圖的冗余。

對基因集進行篩選（如取前 20 個），簡化熱圖復雜度：

library(viridis)  # 需提前安裝：install.packages("viridis")# 取前20個基因（可替換為按表達量/差異倍數篩選的基因）
top20_data <- data[1:20, ]pheatmap(top20_data,color = viridis(100),  # 青綠色系漸變（美觀且適合色盲友好）scale = "row",

特點：聚焦關鍵基因，減少視覺干擾，適合突出核心基因的表達模式。

2.5 相關系數熱圖（部分代碼）

適用場景：分析樣本間或基因間的表達相關性，探索數據內部關聯性。

基于表達矩陣計算相關系數（如 Pearson），再繪制熱圖：

# 計算樣本間相關系數矩陣（列之間的相關性）
cor_matrix <- cor(t(data))  # t()轉置：樣本為行，計算樣本間相關pheatmap(cor_matrix,color = colorRampPalette(rev(brewer.pal(9, "YlOrRd")))(100),  # 黃→紅：相關性從低到高

特點：顏色越深表示相關性越高，可用于驗證樣本重復性（組內樣本相關性應高于組間）。

2.6 通路注釋熱圖（部分代碼）

適用場景：展示基因所屬功能通路（如 KEGG、GO 通路），關聯表達模式與生物學功能。

需提前定義基因 - 通路對應關系，添加行注釋（通路信息）：

# 定義基因通路
gene_groups <- data.frame(Pathway = factor(sample(c("Pathway A", "Pathway B", "Pathway C"), nrow(data), replace = TRUE)),row.names = rownames(data)  # 基因名與表達矩陣行名對應
)# 定義通路注釋顏色
pathway_colors <- list(Pathway = c("Pathway A" = "#7FC97F", "Pathway B" = "#BEAED4", "Pathway C" = "#FDC086")
)

特點：左側添加通路注釋條，可觀察同一通路基因的表達模式一致性。

三、注意事項與優化建議

1. 數據預處理：熱圖對異常值敏感，建議先通過scale參數（行 / 列標準化）消除量綱影響，或對表達矩陣進行 log2 轉換（若數據未標準化）。

2. 參數調整：

   • show_rownames/show_colnames：基因 / 樣本數量過多時建議設為FALSE，避免標簽重疊；
   • treeheight_row/treeheight_col：調整聚類樹高度，減少冗余空間；
   • fontsize：調整標簽字體大小，優化可讀性。

3. 圖片保存：通過filename參數保存高清圖片：

   pheatmap(..., filename = "heatmap.png", width = 10, height = 8, dpi = 300)
   

以上六種熱圖覆蓋了轉錄組數據分析中常見的可視化需求，可根據實際數據特點（如基因數量、分組類型）選擇合適的方法。代碼中涉及的參數可根據具體需求進一步調整，若有疑問或優化建議，歡迎留言交流。