转录组分析--基于TPM的PCA及相关性分析

Spearman相关性分析 使用TPM值

#  R语言里自带的相关性分析的函数是cor()，默认的皮尔逊相关性分析,
sp.data<- cor(TPM, method = "spearman")
# 图展示
library(corrplot)
corrplot(sp.data,
         order = "AOE", # 指定相关系数排序的方法，可以是特征向量角序(AOE)、第一主成分顺序(FPC)、层次聚类顺序(hclust)
         type = "full", # 展示类型。默认为全显full，还有upper和lower
         addCoef.col = "grey")# 添加相关系数值

# hclust聚类展示 , 有框框
corrplot(sp.data, order = "hclust", addrect = 2, rect.col = "black",hclust.method = "ward.D2")

## 表格展示
library(PerformanceAnalytics)
chart.Correlation(sp.data,histogram = T,pch=19)

PCA 使用TPM值

data <- t(TPM)
data.pca <- prcomp(data, scale. = T)  #对数据标准化后做PCA，这是后续作图的文件 
summary(data.pca)  # 查看结果文件
## 画图
library(factoextra)
# 设置分组：
group=c(rep("Zebu",5),rep("Holstein",5))     ## 样本
fviz_pca_ind(dat.pca, col.ind=group, 
             mean.point=F,  # 去除分组的中心点
             label = "none", # 隐藏样本标签
             addEllipses = T, # 添加边界线
             legend.title="Groups",
               ellipse.type="confidence", # 绘制置信椭圆 
              ellipse.level=0.9,
             palette = c("#CC3333", "#339999"))+  #Cell配色哦 
  theme(panel.border = element_rect(fill=NA,color="black", size=1, linetype="solid"))#加个边框