【拿捏热图/详细注释】pyComplexHeatmap系列（三）之气泡热图绘制

KS科研分享与服务-TS的美梦

发布于 2025-12-20 17:22:35

1020

接着上一节的介绍（【拿捏热图/详细注释】pyComplexHeatmap系列（一）之基础绘制之差异基因聚类热图并标注关键基因【拿捏热图/详细注释】pyComplexHeatmap系列（二）之大型复杂注释热图绘制）。气泡热图算是热图形状的一个变形而已，但是却很实用，可以用到很多地方，首先就是我们熟悉的单细胞marker基因图，或者仅仅就是基因表达量展示，或者是相关性热图，基本都是使用ggplot2实现，再者就是富集分析结果的展示。pyComplexHeatmap中实现气泡热图的函数是DotClustermapPlotter，并不是ClusterMapPlotter改变形状后的结果,DotClustermapPlotter的输入数据形式与热图也是不一样的，正常的heatmap需要的是宽数据，而点图需要的长数据，形式与ggplot2/seaborn是一致的。接下来我们从多个方面演示其功能！

基因表达气泡图：

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import PyComplexHeatmap
from PyComplexHeatmap import * #导入所有类与函数

#加载数据：这个数据基因有点多，选择部分进行演示
df = pd.read_csv('./df_heat.csv',index_col=0)
df = df.iloc[:20]
df

#如果是关于基因表达的，或者要类似heatmap那样进行scale展示的数据
#在做点图之前需要先进行scale计算Z-score，因为DotClustermapPlotter没有z-score选项
import pandas as pd
from scipy.stats import zscore
df_exp = df.apply(lambda x: zscore(x, nan_policy='omit'), axis=1)
df_exp = pd.DataFrame(df_exp.tolist(), index=df.index, columns=df.columns)
df_exp

#宽数据转化为长数据，
df_plt = df_exp.reset_index().melt(
    id_vars='Gene_name',
    var_name='sample',
    value_name='exp'
)
df_plt = df_plt.rename(columns={'Gene_name': 'gene'})
df_plt.head()

#通过基础plot看看参数
plt.figure(figsize=(3, 6))
DotClustermapPlotter(data=df_plt, #需要plot的data数据，长数据格式
                     x='sample',#x轴
                     y='gene',#y轴
                     value='exp',#value
                     s='exp',#点的大小设置，如果在data数据列有控制点大小的数值，就使用它，如果不需要，则点可以设置为数值统一大小，比如这里
                             #点的大小可以直接展示表达量高低，如果是单细胞基因表达数据，那么点的大小可以表示为表达比例！
                     cmap='RedYellowBlue_r',#连续密度颜色
                     vmax=3,#设置颜色最大值
                     vmin=-3,#设置颜色最小值
                     c='exp',#data中用于对点着色的数据列，也可以是单个颜色。
                     spines=True,#热图添加外边框
                     marker='o',#用于控制热图内部形状，默认是点图，可以修改Such as '.',',','o','v','^','<','>'
                     edgecolor='black',#气泡点边框颜色
                     row_cluster=True,#行列聚类
                     col_cluster=True,#行列聚类
                     row_dendrogram=True, #是否展示行聚类树
                     col_dendrogram=True,#是否展示列聚类树
                     show_rownames=True,#是否显示行名
                     show_colnames=True,#是否显示列名
                     row_names_side='right',#行名位置
                     col_names_side='bottom',#列名位置
                     grid=None#不设置背景边线

                    )

#添加注释,构建注释文件
sample_group = {
    "sample": df.columns.to_list(),
    "group":  ["HC"] * 6 + ["TL"] * 6,
    "age":[20,40,45,29,30,33,35,38,39,50,25,47]
}
sample_group = pd.DataFrame(sample_group)
sample_group = sample_group.set_index(sample_group.columns[0])
sample_group

#顶部注释，多层注释
col_ha = HeatmapAnnotation(group=anno_simple(sample_group.group,#分组信息
                                             colors={'HC': 'red', 'TL': 'green'},
                                             legend=True,add_text=False),
                           age=anno_simple(sample_group.age,#分组信息
                                             legend=True,add_text=False),
                           verbose=0,label_side='right',label_kws={'horizontalalignment':'left'})

#通过基础plot看看参数
plt.figure(figsize=(3, 6))
DotClustermapPlotter(data=df_plt, #需要plot的data数据，长数据格式
                     x='sample',#x轴
                     y='gene',#y轴
                     value='exp',#value
                     s='exp',#点的大小设置，如果在data数据列有控制点大小的数值，就使用它，如果不需要，则点可以设置为数值统一大小，比如这里
                             #点的大小可以直接展示表达量高低，如果是单细胞基因表达数据，那么点的大小可以表示为表达比例！
                     cmap='RedYellowBlue_r',#连续密度颜色
                     vmax=3,#设置颜色最大值
                     vmin=-3,#设置颜色最小值
                     c='exp',#data中用于对点着色的数据列，也可以是单个颜色。
                     spines=True,#热图添加外边框
                     marker='o',#用于控制热图内部形状，默认是点图，可以修改Such as '.',',','o','v','^','<','>'
                     edgecolor='black',#气泡点边框颜色
                     row_cluster=True,#行列聚类
                     col_cluster=True,#行列聚类
                     row_dendrogram=True, #是否展示行聚类树
                     col_dendrogram=True,#是否展示列聚类树
                     show_rownames=True,#是否显示行名
                     show_colnames=True,#是否显示列名
                     row_names_side='right',#行名位置
                     col_names_side='bottom',#列名位置
                     grid=None,#不设置背景边线
                     top_annotation=col_ha,#顶部注释
                     legend_gap=7,#legend之间的间距

                    )

相关性热图绘制：

使用官网教程提供的数据演示

df_corr = pd.read_csv("./kycg_modules_correlations.csv",sep='\t',index_col=0)
df_ann = pd.read_csv("./kycg_modules_annotations.csv",sep='\t',index_col=1)

df_ann=df_ann.loc[df_ann.Module.isin([4,1,3,9,2,39])]
df_ann['Modules']='Module'+df_ann['Module'].astype(str)
df_ann.head()

#筛选data
df_corr = df_corr.loc[df_ann.index.to_list(), df_ann.index.to_list()]
df_corr.shape

#转化为宽数据
data=df_corr.stack().reset_index()
data.columns=['X','Y','Correlation']
data

plt.figure(figsize=(10, 9))
DotClustermapPlotter(data=data, x='X',y='Y',value='Correlation',c='Correlation',s='Correlation',
                     cmap='RedYellowBlue_r',
                     row_dendrogram=True,#聚类
                     col_split=df_ann.Module,row_split=df_ann.Module, #split热图，按照module
                     col_split_gap=1,row_split_gap=1,
                    vmax=1,vmin=-1,#legend 最大最小值
                     tree_kws=dict(row_cmap='Dark2'),
                     spines=True
                    )

#添加注释，添加框选
col_ha = HeatmapAnnotation(
            Module=anno_simple(df_ann.Modules,cmap='Dark2',legend=False,height=5,
                              add_text=True,text_kws={'color':'black','fontsize':10}),
            verbose=0,label_side='right',label_kws={'horizontalalignment':'left'})

#plot
plt.figure(figsize=(9, 8))
cm = DotClustermapPlotter(data=data, x='X',y='Y',value='Correlation',c='Correlation',
                     cmap='RedYellowBlue_r',
                     marker='s',#正常热图形式
                     row_dendrogram=True,#聚类
                     col_split=df_ann.Module,row_split=df_ann.Module, #split热图，按照module
                     col_split_gap=0.2,row_split_gap=0.2,
                    vmax=1,vmin=-1,#legend 最大最小值
                     tree_kws=dict(row_cmap='Dark2'),
                     spines=False,
                    grid=None,#不设置背景边线
                     top_annotation=col_ha
                    )
# plot custom spines
for i in range(cm.heatmap_axes.shape[0]):
    for j in range(cm.heatmap_axes.shape[1]):
        if i != j:
            continue
        ax = cm.heatmap_axes[i][j]
        for side in ["top", "right", "left", "bottom"]:
            ax.spines[side].set_visible(True)
            ax.spines[side].set_color('black')
            ax.spines[side].set_linewidth(1.5)


plt.show()