如何定性绘制呈现基因测序数据的表格型可视化图

一、需求说明 #

需要绘制类似《Nature Medicine》中常见的测序数据可视化图——以带颜色填充的表格形式，展示基因在不同样本中的gain/loss状态。

二、现有自定义tableplot函数解析 #

你提供的自定义函数基于基础R的image()实现色块表格图，以下是逐行解析：

函数定义与参数 #

tableplot <- function(ret, nrow, ncol, main){

• ret：输入数据框，包含两列：x为单元格显示文本，y为状态值（0代表loss，1代表gain）
• nrow：绘图行数（示例中对应基因维度）
• ncol：绘图列数（示例中对应样本维度）
• main：图的标题

核心绘图逻辑 #

m <- matrix(as.integer(ret$y),nrow,ncol)

将ret$y的状态值转为整数，再按指定行列数转换成矩阵，作为色块填充的数据源。

image(1:nrow,1:ncol,m,col=c("grey","green"),axes=FALSE, xlab="gene",ylab="sample",main=main) 

• image()：基础R的色块绘图函数，用于绘制单元格底色
• 1:nrow/1:ncol：定义x、y轴坐标范围，对应表格的行和列位置
• col=c("grey","green")：绑定状态与颜色，0（loss）用灰色，1（gain）用绿色
• axes=FALSE：隐藏默认坐标轴，避免干扰表格布局
• xlab/ylab：设置x、y轴标签，分别对应基因和样本

text(row(m),col(m),labels=matrix(ret$x,nrow,ncol))

在每个色块的对应位置（row(m)取行坐标，col(m)取列坐标），添加ret$x中的文本标签，同时将文本转为对应行列的矩阵，确保位置匹配。

示例数据与调用 #

ret <- data.frame("x" = c("1-gene1","1-gene2","2-gene1","2-gene2"), "y" = c(1,1,0,1)) #0 is loss, 1 is gain.
tableplot(ret, 2, 2, "My tests") 

• 构造2行2列的示例数据，x以「样本-基因」格式命名，y对应每个基因在样本中的状态
• 调用函数生成标题为"My tests"的可视化图

三、geomSplitTile代码解析（类似解决方案） #

你提到的geomSplitTile是基于ggplot2扩展的自定义几何对象，专门用于绘制分块填充的单元格（适合展示测序数据中一个单元格内的多种状态，比如同时存在gain和loss的细分情况），核心逻辑如下：

核心设计思路 #

geomSplitTile是对ggplot2原生geom_tile()的扩展，允许将单个单元格按比例分割为多个色块，对应不同状态值，适配更复杂的测序变异数据展示需求。

关键逻辑拆解 #

常见的geomSplitTile实现包含三个核心部分：

• 数据预处理：接收包含x（样本/基因）、y（基因/样本）、value（状态占比/类型）的数据，计算每个单元格内各状态的分割比例，生成分块坐标数据
• 几何对象绘制：基于计算后的坐标，绘制多个小矩形填充单个单元格，每个分块对应一种状态颜色
• 美学映射：支持将fill映射到状态类型，width/height设置单元格大小，split参数指定分割方向（横向/纵向）

简化模拟示例 #

无需自定义geom，用ggplot2也能实现类似分块效果：

library(ggplot2)
# 构造含分块状态的示例数据
df <- data.frame(
  sample = rep(c("Sample1", "Sample2"), each=2),
  gene = rep(c("Gene1", "Gene2"), 2),
  status = c("gain", "gain", "loss", "gain"),
  proportion = c(1,1,1,1) # 若需分块可设0.5等比例值
)

ggplot(df, aes(x=sample, y=gene)) +
  geom_tile(aes(fill=status), color="white") +
  geom_text(aes(label=paste0(gene,"-",sample)), color="black") +
  scale_fill_manual(values=c("gain"="green", "loss"="grey")) +
  labs(x="Sample", y="Gene", title="Sequencing Data Visualization") +
  theme_minimal()

四、优化建议 #

• 改用ggplot2提升灵活性：基础R的image()扩展性有限，ggplot2能更方便地调整样式、添加图例、适配复杂数据
• 适配大规模数据：若样本/基因数量较多，可使用ComplexHeatmap包，它专为测序数据设计，支持聚类、注释等功能
• 自定义颜色映射：可调整配色（比如红色代表loss、绿色代表gain），贴合科研绘图的常规习惯

内容的提问来源于stack exchange，提问作者user23228339