使用ggplot2绘制基因表达谱——处理后不同时间点RNA-seq数据可视化

没问题，我来帮你一步步用ggplot2画出cluster2的基因表达谱～首先咱们得先把数据和工具都准备好：

1. 加载必要的R包 #

咱们需要用ggplot2来绘图，dplyr来整理数据——直接加载tidyverse更省心，它包含了这两个包和其他常用工具：

library(tidyverse)

2. 整理你的数据 #

从你给出的cluster2表格来看，那个名为rownames的列其实是基因名称对吧？为了避免和数据框自带的行名混淆，咱们先把它重命名成gene：

# 重命名列，消除歧义
cluster2 <- cluster2 %>%
  rename(gene = rownames)

另外，你的Sample是时间序列（比如Sample1是第一个时间点，Sample2是第二个），一定要把它转换成有序因子，不然ggplot会默认按字母顺序排序，打乱时间顺序：

# 按你的时间点顺序定义因子水平，这里假设你有Sample1、Sample2...按需添加
cluster2$Sample <- factor(cluster2$Sample, 
                          levels = c("Sample1", "Sample2", "Sample3"), 
                          ordered = TRUE)

你可以用str(cluster2)检查一下数据结构，确保gene是字符型，Sample是有序因子，expression是数值型。

3. 绘制基因表达谱 #

根据你的需求，我提供几种常用的绘图方案：

方案1：多基因折线图（展示每个基因随时间的变化） #

如果想同时看所有基因在不同时间点的表达趋势，用折线+散点的组合最直观：

ggplot(cluster2, aes(x = Sample, y = expression, group = gene, color = gene)) +
  geom_line(linewidth = 1) +  # 折线展示趋势
  geom_point(size = 2) +      # 散点标记每个时间点的具体表达量
  labs(title = "Cluster2基因表达趋势（不同时间点）",
       x = "时间点",
       y = "标准化表达量",
       color = "基因名称") +
  theme_minimal() +
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1),  # 旋转x轴标签避免重叠
    plot.title = element_text(hjust = 0.5, size = 14)   # 标题居中并调整大小
  )

方案2：分面折线图（避免多基因拥挤） #

如果基因数量多，上面的图会很拥挤，这时候用分面把每个基因单独展示：

ggplot(cluster2, aes(x = Sample, y = expression)) +
  geom_line(linewidth = 1, color = "#2c3e50") +
  geom_point(size = 2, color = "#e74c3c") +
  facet_wrap(~gene, ncol = 3) +  # 按基因分面，每行3个图
  labs(title = "Cluster2单个基因表达谱",
       x = "时间点",
       y = "标准化表达量") +
  theme_minimal() +
  theme(
    strip.text = element_text(size = 10),  # 调整分面标签大小
    plot.title = element_text(hjust = 0.5, size = 14)
  )

方案3：箱线图（展示每个时间点的基因表达分布） #

如果你想看每个时间点下cluster2所有基因的表达分布情况，用箱线图+散点的组合：

ggplot(cluster2, aes(x = Sample, y = expression)) +
  geom_boxplot(fill = "#3498db", alpha = 0.7) +  # 箱线展示分布
  geom_jitter(width = 0.2, color = "#2c3e50", size = 1) +  # 散点展示单个基因的表达
  labs(title = "Cluster2基因表达分布（不同时间点）",
       x = "时间点",
       y = "标准化表达量") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5, size = 14))

这些代码你可以根据自己的实际数据（比如更多时间点、更多基因）调整参数，比如修改颜色、分面数量、标签大小等等。

内容的提问来源于stack exchange，提问作者Nicolas