写在前面

双侧条形图在我们的文章中也是比较常见的，那么这样的图形是如何绘制的呢？ 以及它使用的数据类型是什么呢？ 这些都是我们在绘制图形前需要掌握的，至少我们知道绘图的数据集如何准备，这样才踏出第一步。

今天的教程，我们会从数据的准备，以及数据如何整理，以及结合自己的绘图过程中遇到问题是如何解决来进行讲解。PS：仅代表个人的观点，以及自己遇到此问题时自己的方法来进行说明。也许，这个并不会死唯一且最好的方法，大家在绘图中请结合自己的能力和方法。

本期教程

获得本期教程代码口令：20240205

原文链接：R语言绘图教程 | 双侧条形图绘制教程

什么时间及什么数据使用双侧条形图？一般使用此图形，基本是富集图

一般使用此图形，基本是富集图。如GO、KEGG、GSEA、GSVE等等，我们用来表示各个通路在研究中的显著性、得分情况等。

绘图

教程一

这里我们使用已经整理好的数据进行绘图，我们使用Execl进行整理数据。数据结果来源，GO、KEGG、GSEA、GSVE等富集结果。

1. 导入所需的R包

##'@导入所需的R包
library(limma)
library(ggplot2)
library(ggpubr)
library(tidyr)
library(tidyverse)
library(ComplexHeatmap)

2. 导入数据

在这里我们发现，我们有很多个富集通路，但是我们绘图的时候需要这么多吗？应该只需要各别几个。在这里我们可以手动调整，或是通过P值进行筛选。

dt1 <- read.csv("DE_KEGG.input.csv",header = T, row.names = 1)
###'@导入txt文件
#dt1 <- read.table("Input_KEGG.txt",header = T, row.names = 1, sep = '\t',check.names = F)

> dt1[1:5,1:5]logFC     AveExpr         t     P.Value   adj.P.Val
KEGG_TGF_BETA_SIGNALING_PATHWAY -0.1723618 0.020400811 -5.029813 0.000001250 0.000190767
KEGG_COLORECTAL_CANCER          -0.1443645 0.007857589 -3.773441 0.000222656 0.010260593
KEGG_MELANOMA                   -0.1129672 0.041504860 -3.736434 0.000255165 0.010260593
KEGG_ADHERENS_JUNCTION          -0.1541395 0.027103539 -3.721243 0.000269769 0.010260593
KEGG_PATHWAYS_IN_CANCER         -0.1100711 0.017776668 -3.615438 0.000395646 0.010260593

3. 筛选数据

筛选出的作图的数据，这里我们的直接使用Description，LogP和group进行绘图

df <- data.frame(Description = rownames(dt1), LogP  = log10(dt1$adj.P.Val), Group  = dt1$group, LogFC = dt1$logFC)

4. 调整Description顺序

###'@调整`Description`顺序
df$Description <- factor(df$Description, levels = rev(df$Description))

若是我们这里有自己整理的Description顺序，可以直接在levels()后面加上自己的排序即可。

绘图

1. 基础图形

ggplot(df, aes(x = LogFC, y = Description, fill = Group))+geom_col()+theme_bw()

2.更改颜色

ggplot(df, aes(x = LogFC, y = Description, fill = Group))+scale_fill_manual(values = c('palegreen3','dodgerblue4'), guide = FALSE)+geom_col()+theme_bw()

3. 高阶绘图

此教程来源：https://mp.weixin.qq.com/s/aVy5ubaKc6Q8_wf-R9TVGQ

p1 <- ggplot(df, aes(x = LogFC, y = Description, fill = Group))+scale_fill_manual(values = c('palegreen3','dodgerblue4'), guide = FALSE)+geom_col()+theme_bw()+##'@自定义主题theme(legend.position = 'none',axis.text.y = element_blank(),axis.ticks.y = element_blank(),panel.grid.major = element_blank(),panel.grid.minor = element_blank(),panel.border = element_blank(),axis.line.x = element_line(color = 'grey60',size = 1.1),axis.text = element_text(size = 12))

添加对应的通路标签

up <- df[which(df$Group == 'Up'),]
down <- df[which(df$Group == 'Down'),]

p1 +##'@添加Up的通路富集geom_text(data = up,aes(x = -0.01, ## 调整通路标签x轴位置y = Description, label = Description),size = 3.5,hjust = 1)+ #标签右对齐##'@添加Down的通路标签geom_text(data = down,aes(x = 0.01, y = Description, label = Description),size = 3.5,hjust = 0)+  #标签左对齐#scale_x_continuous(breaks=seq(-4, 6, 2)) + #x轴刻度修改,若需要请结合自己的数据调整labs(x = 'logFC', y = ' ', title = 'Enriched Pathway') + #修改x/y轴标签、标题添加theme(plot.title = element_text(hjust = 0.5, size = 14))

教程二

若是我们的直接导入通路数据集矩阵，以及我们的未有logFC和P值，我们该如何操作呢？

第一步需要操作步骤：进行差异分析。比如，我们输出数据是GSVA的数据集。

1. 输入数据集

data_df <- read.csv("Input_KEGG.csv",header = T,row.names = 1)
##'@查看数据
data_df[1:5,1:10]

> data_df[1:5,1:10]sample001   sample002   sample003
KEGG_O_GLYCAN_BIOSYNTHESIS                              -0.04304991 -0.24987132 -0.12401679
KEGG_AMINO_SUGAR_AND_NUCLEOTIDE_SUGAR_METABOLISM        -0.24783431 -0.11383994 -0.47895615
KEGG_GLYCOSAMINOGLYCAN_DEGRADATION                       0.26018439  0.01315923 -0.25700397
KEGG_GLYCOSAMINOGLYCAN_BIOSYNTHESIS_CHONDROITIN_SULFATE  0.42760250 -0.06222532  0.00031469
KEGG_GLYCOSAMINOGLYCAN_BIOSYNTHESIS_KERATAN_SULFATE      0.34888990 -0.38251570 -0.26030188sample004   sample005    sample006
KEGG_O_GLYCAN_BIOSYNTHESIS                              -0.11976645  0.40799471 -0.121623478
KEGG_AMINO_SUGAR_AND_NUCLEOTIDE_SUGAR_METABOLISM        -0.52727188  0.31490335 -0.000949728
KEGG_GLYCOSAMINOGLYCAN_DEGRADATION                      -0.03605253  0.29166666  0.001121143
KEGG_GLYCOSAMINOGLYCAN_BIOSYNTHESIS_CHONDROITIN_SULFATE  0.09261353 -0.06208377 -0.159061239
KEGG_GLYCOSAMINOGLYCAN_BIOSYNTHESIS_KERATAN_SULFATE     -0.43428522  0.15120498 -0.455994453sample007    sample008   sample009

2. 差异分析
   在group_list设置中，请根据自己数据进行设置，比如我这里有160个样本，CK和Treat各80个。

###'@构建design
group_list <- data.frame(sample = colnames(data_df), group = c(rep("CK", 80), rep("Treat", 80)))
group_list$group <- factor(group_list$group,levels=c("CK",'Treat'))
design <- model.matrix(~ 0 + group_list$group)
colnames(design) <- levels(group_list$group)
rownames(design) <- colnames(data_df)
design

3. 构建差异比较矩阵

###'@构建差异比较矩阵
contrast.matrix <- makeContrasts(CK-Treat, levels = design)

4. 差异分析

fit <- lmFit(data_df, design)
fit2 <- contrasts.fit(fit, contrast.matrix)
fit2 <- eBayes(fit2)

5. 获得差异结果

dt <- topTable(fit2, coef = 1, n = Inf, adjust.method = "BH", sort.by = "P")
dt[1:10,1:5]

> dt[1:10,1:5]logFC     AveExpr         t      P.Value   adj.P.Val
KEGG_TGF_BETA_SIGNALING_PATHWAY      -0.17236176 0.020400811 -5.029813 1.246843e-06 0.000190767
KEGG_COLORECTAL_CANCER               -0.14436446 0.007857589 -3.773441 2.226562e-04 0.010260593
KEGG_MELANOMA                        -0.11296720 0.041504860 -3.736434 2.551651e-04 0.010260593
KEGG_ADHERENS_JUNCTION               -0.15413947 0.027103539 -3.721243 2.697688e-04 0.010260593
KEGG_PATHWAYS_IN_CANCER              -0.11007105 0.017776668 -3.615438 3.956464e-04 0.010260593
KEGG_WNT_SIGNALING_PATHWAY           -0.11940334 0.014475730 -3.610726 4.023762e-04 0.010260593
KEGG_HYPERTROPHIC_CARDIOMYOPATHY_HCM -0.10903295 0.035562175 -3.462058 6.792812e-04 0.014847145
KEGG_GAP_JUNCTION                    -0.10486217 0.006571587 -3.358319 9.693892e-04 0.014898594
KEGG_LONG_TERM_POTENTIATION          -0.09738506 0.003833619 -3.309357 1.143329e-03 0.014898594
KEGG_SPHINGOLIPID_METABOLISM         -0.12157635 0.031751704 -3.306694 1.153577e-03 0.014898594

#把通路的limma分析结果保存到文件
write.table(dt, "all.limma_KEGG.output.txt", quote = F,sep = '\t',row.names = T,col.names = T)
#write.csv(x,"all.limma_KEGG.output.csv")

到这里我们也就可以使用以上的代码进行分析了，你可以使用P值或是LogFC进行绘制，我们论文中一般使用的是P值进行绘制图图形。

在这里，我们使用t值绘制图形。操作如下所示。

1. 筛选所需数据，使用t值进行过滤,t值的大小根据自己的需求进行调整

df_t <- df_t[df_t$score > 2 | df_t$score < -3.5,]
dim(df_t)
df_t

> df_tDescription     score group
1  KEGG_TGF_BETA_SIGNALING_PATHWAY -5.029813  Down
2           KEGG_COLORECTAL_CANCER -3.773441  Down
3                    KEGG_MELANOMA -3.736434  Down
4           KEGG_ADHERENS_JUNCTION -3.721243  Down
5          KEGG_PATHWAYS_IN_CANCER -3.615438  Down
6       KEGG_WNT_SIGNALING_PATHWAY -3.610726  Down
18     KEGG_OLFACTORY_TRANSDUCTION  3.157596    Up
26         KEGG_PARKINSONS_DISEASE  2.990963    Up
31        KEGG_HUNTINGTONS_DISEASE  2.863284    Up
61         KEGG_ALZHEIMERS_DISEASE  2.182530    Up
64 KEGG_CARDIAC_MUSCLE_CONTRACTION  2.133893    Up

2. 使用t值进行分组

cutoff <- 2
df_t$group <- case_when(df_t$score > cutoff ~ "Up", df_t$score < cutoff ~ "Down")
df_t[1:9,1:3]

> df_t[1:9,1:3]Description     score group
1  KEGG_TGF_BETA_SIGNALING_PATHWAY -5.029813  Down
2           KEGG_COLORECTAL_CANCER -3.773441  Down
3                    KEGG_MELANOMA -3.736434  Down
4           KEGG_ADHERENS_JUNCTION -3.721243  Down
5          KEGG_PATHWAYS_IN_CANCER -3.615438  Down
6       KEGG_WNT_SIGNALING_PATHWAY -3.610726  Down
18     KEGG_OLFACTORY_TRANSDUCTION  3.157596    Up
26         KEGG_PARKINSONS_DISEASE  2.990963    Up
31        KEGG_HUNTINGTONS_DISEASE  2.863284    Up

3. 进行排序

df_sort <- df_t[order(df_t$score),]
df_sort$Description <- factor(df_sort$Description, levels = df_sort$Description)
df_sort[1:9,1:3]

4. 绘图

ggplot(df_sort, aes(Description, score, fill = group)) + geom_bar(stat = 'identity') + coord_flip() + #scale_fill_manual(values = c('palegreen3','dodgerblue4'), guide = FALSE) + #画2条虚线geom_hline(yintercept = c(-cutoff,cutoff), color="white",linetype = 2, #画虚线：：1表示实线，2表示虚线，3表示间距更小的虚线size = 0.3)+  #线的粗细geom_text(data = subset(df_sort, score < 0),aes(x=Description, y= 0, label= paste0(" ", Description), color = group),#bar跟坐标轴间留出间隙size = 3, #字的大小hjust = "bottom" ) +  #字的对齐方式geom_text(data = subset(df_sort, score > 0),aes(x=Description, y= -0.1, label=Description, color = group),size = 3, hjust = "inward",angle=360) +  scale_colour_manual(values = c("black","black"), guide = FALSE)+xlab("") +ylab("t value of GSVA score, tumor \n versus non-malignant")+theme_bw() + #去除背景色theme(panel.grid =element_blank()) + #去除网格线theme(panel.border = element_rect(size = 0.6)) + #边框粗细theme(axis.line.y = element_blank(), axis.ticks.y = element_blank(), axis.text.y = element_blank()) #去除y轴

代码和数据链接：

本教程涉及的数据、代码和文件等在社群中可获得！！

若我们的分享对你有用，希望您可以点赞+收藏+转发，这是对小杜最大的支持。

往期文章：

1. 复现SCI文章系列专栏

2. 《生信知识库订阅须知》,同步更新，易于搜索与管理。

3. 最全WGCNA教程（替换数据即可出全部结果与图形）

• WGCNA分析 | 全流程分析代码 | 代码一

• WGCNA分析 | 全流程分析代码 | 代码二

• WGCNA分析 | 全流程代码分享 | 代码三

• WGCNA分析 | 全流程分析代码 | 代码四

• WGCNA分析 | 全流程分析代码 | 代码五(最新版本)

---

4. 精美图形绘制教程

• 精美图形绘制教程

5. 转录组分析教程

转录组上游分析教程[零基础]

一个转录组上游分析流程 | Hisat2-Stringtie

小杜的生信筆記 ，主要发表或收录生物信息学的教程，以及基于R的分析和可视化（包括数据分析，图形绘制等）；分享感兴趣的文献和学习资料!!