x = "Enrichment Factor", y = "KEGG term", title = "KEGG enrichment") +theme_bw() ggsave("er.rt10_KEGG.png", width = 6, height = 4) 我们一起来看看效果图吧! 绘制KEGG通路网络图 使用enrichplot包的cnetplot函数绘制KEGG通路网络图,并将结果保存为PDF文件。 library("enrichplot") pdf(...
1）从完整的GO富集分析结果种挑选自己感兴趣的GO条目，一般是BP，MF和CC个挑选10条，当然挑选20条也是...
colnames(merge_data)#检查列名 merge_data$Description <- factor(merge_data$Description, levels = unique(merge_data$Description[order(merge_data$ONTOLOGY)])) ggplot(merge_data, aes(x = Description, y = logPvalue, fill = ONTOLOGY)) + #指定数据为merge_data,以Description作为x轴,以logPvalue作为y...
#按照p值排序 ego_bp <- ego_bp[order(ego_all$pvalue,decreasing = T),] ego_bp$Description <- factor(ego_bp$Description, levels = ego_bp$Description) 排完续之后再画p值就是按顺序的了 4. KEGG富集分析 genelist <- bitr(row.names(sig_dge.all), fromType="SYMBOL", toType="ENTREZID"...
那有没有可能是因为数据计算方法不同而导致结果可视化的差异呢?也就是说,前面两个图都是使用的log矩阵,一个是logRPKM,一个是logCPM,当然它们的结果会更"偏袒"于自身,而不是原始的RPKM值。这里,可以看看直接使用RPKM矩阵进行分组作图,结果是不是RPKM分的更开(猜想应该是RPKM矩阵得到的图会更偏向于RPKM的分组) ...
12colnames(design)=levels(factor(group_list)) 13rownames(design)=colnames(exprSet) 14design 15 16dge <- DGEList(counts=exprSet) 17dge <- calcNormFactors(dge) 18logCPM <- cpm(dge, log=TRUE, prior.count=3) 19 20v <- voom(dge,design,plot=TRUE, normalize="quantile") ...
# 定义分组信息group_list=ifelse(df$g==1,'me','other');table(group_list)# group_list# me other# 312 456# 接下来直接拷贝代码,运行即可library(edgeR)if(T){suppressMessages(library(limma))design<-model.matrix(~0+factor(group_list))colnames(design)=levels(factor(group_list))rownames(design...
library(dplyr) #计算Rich Factor（富集因子）： Enrichment_KEGG2 <- mutate(Enrichment_KEGG, Ric...
KEGG富集分析—柱形图，气泡图，通路图43 赞同 · 2 评论文章 GO富集分析四种风格展示结果—柱形图，...
OrgDb = org.Hs.eg.db,keyType = "ENTREZID") #计算Rich Factor（富集因子）： Enrichment_KEGG2 ...