EnrichedHeatmap项目中的行排序方法比较

引言

在基因组学数据分析中，热图是一种常用的可视化工具，能够直观展示数据在不同基因组区域或样本中的分布模式。EnrichedHeatmap作为一款专门用于展示基因组富集模式的热图工具，提供了多种行排序方法，帮助研究人员更好地理解数据中的潜在模式。

本文将重点探讨EnrichedHeatmap中三种不同的行排序方法，分析它们各自的优缺点及适用场景，帮助用户根据具体需求选择最合适的排序策略。

数据准备

我们使用EnrichedHeatmap包中提供的示例数据，这些数据展示了基因表达与甲基化呈负相关区域(negCRs)在转录起始位点(TSS)附近的分布情况。

library(EnrichedHeatmap)
data(neg_cr, package = "EnrichedHeatmap")
all_genes = all_genes[unique(neg_cr$gene)]
all_tss = promoters(all_genes, upstream = 0, downstream = 1)
mat_neg_cr = normalizeToMatrix(neg_cr, all_tss, mapping_column = "gene", w = 50, mean_mode = "w0")

通过normalizeToMatrix()函数，我们将negCRs标准化到基因TSS上游5kb和下游5kb的区域，使用50bp的窗口大小。矩阵中的值表示每个窗口被negCRs覆盖的程度，范围在0到1之间。

三种行排序方法详解

1. 基于富集得分的排序

这是EnrichedHeatmap的默认排序方法。对于矩阵中的每一行(代表一个基因)，计算其富集得分：

$$\sum_{i=1}^{n_1}{x_i \cdot i/n_1} + \sum_{i=n_1+1}^n{x_i \cdot (n - i + 1)/n_2}$$

其中：

• $x_i$表示第i个窗口的值
• $n_1$是上游窗口数量
• $n_2$是下游窗口数量

该方法给予靠近TSS的窗口更高权重，因此富集得分高的基因通常在其TSS附近有更强的信号。

优点：

• 计算简单快速
• 直接反映信号在TSS附近的富集程度

缺点：

• 可能掩盖数据中的空间聚类模式
• 当同时使用顶部富集注释时，信息冗余

2. 基于欧氏距离的层次聚类

使用传统的层次聚类方法，以欧氏距离作为行间距离度量：

EnrichedHeatmap(mat_neg_cr, cluster_rows = TRUE)

特点：

• 欧氏距离不考虑列的顺序，只关注数值模式
• 能够发现具有相似富集模式的基因簇
• 但可能将空间上接近的簇分开显示

3. 基于邻近度距离的层次聚类

这是EnrichedHeatmap提供的一种特殊距离度量，专门为基因组富集数据设计。对于两行数据，定义其邻近度距离为：

$$d_{closeness} = \frac{\sum_{i=1}^{n_1} \sum_{j=1}^{n_2} {|a_i - b_j|} }{n_1 \cdot n_2}$$

其中$a_i$和$b_j$分别是两行中信号窗口的索引位置。

EnrichedHeatmap(mat_neg_cr, cluster_rows = TRUE, 
               clustering_distance_rows = dist_by_closeness)

优势：

• 考虑了列的顺序，反映空间位置关系
• 能更好地保持空间邻近的簇在热图中也相邻
• 特别适合展示基因组富集数据的空间模式

方法比较与可视化

我们通过实际的热图展示来比较这三种排序方法的效果：

# 默认富集得分排序
p1 <- EnrichedHeatmap(mat_neg_cr, name = "neg_cr", 
                     col = c("white", "darkgreen"),
                     top_annotation = HeatmapAnnotation(
                       enrich = anno_enriched(gp = gpar(col = "darkgreen")))

# 欧氏距离层次聚类
p2 <- EnrichedHeatmap(mat_neg_cr, name = "neg_cr", 
                     col = c("white", "darkgreen"),
                     cluster_rows = TRUE)

# 邻近度距离层次聚类
p3 <- EnrichedHeatmap(mat_neg_cr, name = "neg_cr", 
                     col = c("white", "darkgreen"),
                     cluster_rows = TRUE,
                     clustering_distance_rows = dist_by_closeness)

从可视化结果可以明显看出：

1. 富集得分排序的热图虽然能反映总体富集趋势，但缺乏清晰的簇结构
2. 欧氏距离聚类能识别模式相似的基因，但可能打乱空间关系
3. 邻近度距离聚类不仅识别了相似模式，还保持了空间邻近性，是最优选择

实际应用建议

1. 初步探索：建议首先尝试邻近度距离聚类，它能提供最全面的信息
2. 特定分析：如果只关注TSS附近的富集程度，可以使用默认的富集得分排序
3. 模式识别：当主要目标是发现不同的富集模式时，欧氏距离聚类也是一个不错的选择
4. 参数调整：可以通过row_order、cluster_rows、clustering_method_rows等参数进一步微调排序和聚类效果

总结

EnrichedHeatmap提供了灵活的行排序方法，特别是邻近度距离度量，能够有效展示基因组富集数据的空间模式。理解这些方法的原理和特点，有助于研究人员选择最适合自己数据的可视化策略，从而更深入地挖掘数据中的生物学意义。

在实际分析中，建议尝试不同的排序方法，比较它们揭示的不同数据特征，以获得对数据更全面的理解。