如何用Python为直系同源组基因计数表绘制Upset图？

1. 数据格式转换（生成group_memberships） #

假设你的Orthofinder输出是基因计数表（结构示例如下），核心是把每个Orthogroup对应的存在基因的物种提取出来，形成Upset图所需的组-成员映射：

执行以下代码完成转换：

import pandas as pd

# 读取Orthofinder基因计数表
df = pd.read_csv("Orthogroups.GeneCount.csv")

# 提取所有物种列（排除Orthogroup列）
species_cols = df.columns[1:]

# 生成group_memberships：键为Orthogroup，值为该组存在基因的物种列表
group_memberships = {}
for _, row in df.iterrows():
    og_id = row["Orthogroup"]
    # 筛选基因数>0的物种
    present_species = [col for col in species_cols if row[col] > 0]
    group_memberships[og_id] = present_species

如果你的输入是基因列表格式（如Orthogroups.tsv，物种列存逗号分隔的基因名），只需把判断条件改为pd.notna(row[col]) and row[col] != ""即可。

2. 计算物种总基因计数（组大小） #

要在Upset图侧边显示每个物种的总基因数，单独统计：

# 基因计数表直接求和
species_total = df[species_cols].sum().to_dict()

# 基因列表格式的统计方式（拆分基因名并计数）
# species_total = {}
# for col in species_cols:
#     total = df[col].dropna().apply(lambda x: len(x.split(","))).sum()
#     species_total[col] = total

3. 绘制带组大小的Upset图 #

使用upsetplot库完成绘图，支持自定义组大小显示：

from upsetplot import UpSet, from_memberships
import matplotlib.pyplot as plt

# 将group_memberships转换为upsetplot兼容格式
upset_data = from_memberships(group_memberships.values(), data=pd.Series(group_memberships.keys()))

# 绘制Upset图，配置组大小和显示参数
plot = UpSet(
    upset_data,
    show_counts=True,  # 显示每个交集的Orthogroup数量
    element_size=40,
    group_sizes=species_total  # 侧边显示物种总基因数
)

# 调整布局并展示
plot.plot()
plt.tight_layout()
plt.show()

关键调整说明 #

• 若之前脚本返回基因计数而非物种名称，是因为未筛选存在基因的物种，按上述代码通过row[col] > 0（或基因列表非空）提取物种名称即可解决。
• 若需显示每个交集的总基因数（而非Orthogroup数量），可修改数据转换逻辑：

  # 计算每个Orthogroup的总基因数
  df["total_genes"] = df[species_cols].sum(axis=1)
  # 生成带基因计数的upset数据
  upset_data = from_memberships(
      group_memberships.values(),
      data=df.set_index("Orthogroup")["total_genes"]
  )
  

内容的提问来源于stack exchange，提问作者zkrt