我们知道，用GSEA的java软件分析的结果之后，默认的图是png，而且只有72 dpi，比如下面这样的
其实颜值也还好，但是很模糊，这是很不方便用于发文章的，那么有没有一些二次作图的方法呢？
答案是肯定的，不仅有，而且还有很多方法，不知道你们有没有发现本地文件夹里其实还有一个edb文件夹，而这个文件夹只有三个文件，一个rnk，一个gmt，另外就是results.edb，实际上所有的图片信息都在results.edb里，在这里展示一些我收集的二次绘图办法。
Rtoolbox二次绘图
Rtoolbox这个包目前只能在Github上安装，里面也只有两个函数replotGSEA()和OverviewPlot()，由于Github经常访问不了，所以可以导入到Gitee上了，安装起来也很简单。
remotes::install_git('https://gitee.com/swcyo/Rtoolbox')
而关于这个包的replotGSEA()的函数使用也很简单
replotGSEA(path, gene.set, class.name, metric.range, enrichment.score.range)
比如我的本地结果都在~/my_analysis.GseaPreranked.1664378586466 这个文件夹里，里面有很多结果，我们只需要提取相应的通路名称，设置一些简单的函数就可以出一个pdf的图了，比如我要提取PPAR通路的结果，只需要一个函数即可
library(Rtoolbox) ##加载R包
replotGSEA(path = '~/my_analysis.GseaPreranked.1664378586466', ##设置本地文件夹路径
gene.set = "KEGG_PPAR_SIGNALING_PATHWAY%HSA03320", ## 提取PPAR通路
class.name = "PPAR_SIGNALING_PATHWAY", ##定义图中间的名称
## enrichment.score.range= c(-1, 1) ###设置富集分数范围，一般默认即可
)
这时候会再弹出一个R的窗口（Mac系统可能提示要安装Quartz），这时候会显示一个图，显示了一个比自带更好看的图，还能显示p、FDR和NES的值，我们适当的拉伸图片的长宽，然后点Save可以保存为pdf，之后再自己编辑结果，见下图所示。与原始图比较简直就是天壤之别吧。
然而，这个方案有两个缺陷
- 不能在一张图片上设置多条通路
- 不能使用代码自由保存图片格式和大小
gseaplot_modified函数二次绘图
使用这个函数其实纯属于不讲武德的方法，完完全全就是调用Rtoolbox这个包的replotGSEA()绘图，唯一的区别就是这个函数不需要安装Rtoolbox这个包，而是直接定义函数，要说区别吧，我仔细对比了一些源代码R/ReplotGSEA.R，也就是在图片的设置上有非常非常非常细微的差距而已。。。
因为两个函数没有本质差异，所以我也就不放结果了，需要的还不如直接复制R/ReplotGSEA.R这个链接里的函数，这没有什么好说的了。。。
基于ggplot2的绘图
这个教程来自于GSEA自定义做图 - 简书 (jianshu.com)，当然最好看的肯定是使用clusterProfiler计算好的结果，然后使用enrichplot包的gseaplot2()函数来绘图，当然我们也是可以借鉴Y叔的画图思路要成图，但这个要求太高。这个教程其实还是在Rtoolbox的基础上进行二次修改，将replotGSEA()函数的作图取消，改成单独提取rank和ES的值，然后使用ggplot2拼图。原理无非就是在结果文件夹中有个edb文件夹，里面又有一个.edb 和 .rank文件，这个文件就是做图的原始文件，如果你动手能力强，可以封装成一个函数，也可以自己开发一个包。
使用修改的函数直接提取数据作图。然而对于单个GSEA而已，GSEA的文件夹里还有png图和tsv的表格（很久以前是xls），网上当然也有一些教程，我们可以先看看tsv的结果，比如我们继续使用PPAR通路的表格，可以看到表格里有SYMBOL，RANK.IN.GENE.LIST，RANK.METRIC.SCORE，RUNNING.ES等信息。
我们先把表格读进来
data<-read.delim("~/my_analysis.GseaPreranked.1664378586466/KEGG_PPAR_SIGNALING_PATHWAY%HSA03320.tsv")
## 看看数据分布
head(data)
## NAME SYMBOL RANK.IN.GENE.LIST RANK.METRIC.SCORE RUNNING.ES CORE.ENRICHMENT
## 1 row_0 MMP1 265 0.4223908 0.03071519 No
## 2 row_1 ME1 368 0.3963699 0.06376065 No
## 3 row_2 OLR1 567 0.3652790 0.09122010 No
## 4 row_3 SCD5 1024 0.3145396 0.10664627 No
## 5 row_4 UBC 1589 0.2741413 0.11529607 No
## 6 row_5 FABP5 2359 0.2328998 0.11430056 No
## X
## 1 NA
## 2 NA
## 3 NA
## 4 NA
## 5 NA
## 6 NA
GSEA二次绘图，主要是三部分拼图，第一部分是曲线，第二部分是网格线，第三部分是底下的曲线，可以使用的办法很多，重点是知道图的x轴和y轴是什么，推荐使用ggplot2画图，当然如果你想省事，用ggpubr更简单
我们先画最上面的图，可以使用geom_line画出，见下面所示。
library(ggplot2)
p1<-ggplot(data) +
aes(x = RANK.IN.GENE.LIST, y = RUNNING.ES) + #x轴是rank值，y轴是ES值
geom_line(size = 1, colour = "#f87669") +
labs( y = "Enrichment score (ES)", title = "PPAR SIGNALING PATHWAY",x=NULL) +
theme_bw(base_size = 12)+ #设置主题和字体大小
theme(axis.title.x=element_blank(),axis.text.x=element_blank(), axis.ticks.x=element_blank(),## 将x轴文字清空
plot.title=element_text(hjust=0.5))+ #设置标题居中
scale_x_continuous(expand = c(0, 0)) + #取消x轴左右的空白
geom_hline(yintercept = 0, linetype = "dashed") #添加ES为0的基准线
p1
![]()
GSEA上部分的曲线图
接着我们画中间的部分，见下图所示。
p2<-ggplot(data, aes(x = RANK.IN.GENE.LIST)) +
geom_linerange(aes(ymin=-min(RANK.IN.GENE.LIST), ymax=max(RANK.IN.GENE.LIST))) +
xlab(NULL) + ylab(NULL) + theme_bw()+
theme(legend.position = "none",
plot.margin = margin(t=-.1, b=0,unit="cm"),
axis.ticks = element_blank(),
axis.text = element_blank(),
axis.line.x = element_blank()) +
scale_x_continuous(expand=c(0,0)) +
scale_y_continuous(expand=c(0,0))
p2
最后下面的rank部分，见下图所示。
p3<-ggplot(data) +
aes(x = RANK.IN.GENE.LIST, y = RANK.METRIC.SCORE) +
geom_area(size = 1.5,fill='gray30') +
theme_bw(base_size = 12)+ ylab("Ranked List Metric")+xlab("Rank in Ordered Dataset") +
scale_x_continuous(expand=c(0,0))
![]()
GSEA下面部分
最后，将三张图拼成一张图即可，见最终所示。
library(patchwork)
p1/p2/p3+plot_layout(heights = c(0.5,0.2,0.3))
最后，三张图其实都是一样的
