数字人直播电脑怎么选？我花了7k买了什么
2026/6/4 2:34:27
告别杂乱！用ComplexHeatmap包搞定多热图组合排版（R语言实战）
在生物信息学和数据分析领域，热图（Heatmap）是最常用的可视化工具之一。然而，当我们需要同时展示多个相关热图时——比如基因表达矩阵、统计显著性值和样本分类标签——往往会遇到排版混乱、对齐困难、注释条不统一等问题。这些问题不仅影响图表的美观性，更会降低信息的传达效率。
ComplexHeatmap作为R语言中最强大的热图绘制包之一，其多热图组合功能可以像搭积木一样，通过简单的+和%v%操作符实现专业级的出版级图表排版。本文将带你从零开始，掌握这套工具的核心技巧。
1. 环境准备与基础概念
在开始之前，确保你已经安装了ComplexHeatmap包及其依赖：
if (!require("BiocManager")) install.packages("BiocManager") BiocManager::install("ComplexHeatmap") library(ComplexHeatmap)1.1 理解热图组合的基本原理
ComplexHeatmap的多热图组合基于以下几个关键概念：
- 主热图（Main Heatmap）：组合中的基准热图，其他热图的行顺序、聚类和分割都将与之对齐
- 水平组合（
+操作符）：多个热图水平排列，要求所有热图具有相同的行 - 垂直组合（
%v%操作符）：多个热图垂直排列，要求所有热图具有相同的列
提示：默认情况下，组合中的第一个热图会被视为主热图，但你也可以通过
main_heatmap参数手动指定。
1.2 创建示例数据集
让我们创建三个示例矩阵来演示多热图组合：
set.seed(123) # 主表达矩阵（12行10列） mat1 <- matrix(rnorm(120, mean = 0, sd = 2), nrow = 12, ncol = 10) rownames(mat1) <- paste0("Gene_", LETTERS[1:12]) colnames(mat1) <- paste0("Sample_", 1:10) # 辅助数值矩阵（如p值或fold change） mat2 <- matrix(runif(120, min = 0, max = 1), nrow = 12, ncol = 10) rownames(mat2) <- rownames(mat1) colnames(mat2) <- colnames(mat1) # 分类标签（单列字符矩阵） gene_types <- sample(c("Protein-coding", "lncRNA", "Pseudogene"), 12, replace = TRUE, prob = c(0.7, 0.2, 0.1)) names(gene_types) <- rownames(mat1)2. 基础组合与排版控制
2.1 最简单的水平组合
使用+操作符可以轻松实现三个热图的水平组合：
# 定义颜色映射 col_fun1 <- colorRamp2(c(-4, 0, 4), c("blue", "white", "red")) col_fun2 <- colorRamp2(c(0, 0.5, 1), c("white", "yellow", "red")) # 创建单个热图对象 ht1 <- Heatmap(mat1, name = "Expression", col = col_fun1, row_title = "Genes", column_title = "Samples") ht2 <- Heatmap(mat2, name = "P-value", col = col_fun2) ht3 <- Heatmap(gene_types, name = "Type") # 组合绘制 ht1 + ht2 + ht32.2 精确控制热图尺寸
在实际应用中，我们经常需要调整各个热图的相对宽度：
ht1 <- Heatmap(mat1, name = "Expression", width = unit(8, "cm")) ht2 <- Heatmap(mat2, name = "P-value", width = unit(4, "cm")) ht3 <- Heatmap(gene_types, name = "Type", width = unit(1, "cm")) # 设置热图间距 draw(ht1 + ht2 + ht3, ht_gap = unit(c(2, 5), "mm"))注意：
width参数可以使用绝对单位（如"cm"、"inch"），也可以使用相对数值。间距ht_gap可以接受单个值（统一间距）或向量（分别设置各热图间的间距）。
2.3 垂直组合与混合排版
对于需要垂直排列的热图，使用%v%操作符：
# 转置矩阵用于垂直排列 mat1_t <- t(mat1) mat2_t <- t(mat2) ht1 <- Heatmap(mat1_t, name = "Expression", col = col_fun1) ht2 <- Heatmap(mat2_t, name = "P-value", col = col_fun2) # 垂直组合 ht1 %v% ht2更复杂的混合排版可以通过组合两种操作符实现：
top_complex <- ht1 + rowAnnotation(foo = anno_barplot(1:10)) bottom_complex <- ht2 + Heatmap(gene_types, name = "Type") top_complex %v% bottom_complex3. 高级排版技巧
3.1 行列聚类与分割的同步控制
当组合多个热图时，行聚类和分割会自动与主热图同步：
# 主热图进行行聚类和分割 ht_main <- Heatmap(mat1, name = "Expression", row_km = 2, # 将行分为2簇 cluster_rows = TRUE) # 辅助热图不设置聚类 ht_aux <- Heatmap(mat2, name = "P-value", cluster_rows = FALSE) # 组合后，辅助热图的行顺序与主热图一致 ht_main + ht_aux3.2 注释条的统一管理
ComplexHeatmap会自动调整组合热图中注释条的高度和样式：
# 添加顶部注释 ha <- HeatmapAnnotation( Group = sample(c("Control", "Treatment"), 10, replace = TRUE), Score = anno_barplot(runif(10)) ) # 添加行注释 ra <- rowAnnotation( Length = anno_points(rnorm(12)), GC = runif(12) ) ht1 <- Heatmap(mat1, name = "Expression", top_annotation = ha) ht2 <- Heatmap(mat2, name = "P-value") ht3 <- Heatmap(gene_types, name = "Type", left_annotation = ra) # 组合后注释条自动对齐 ht_list <- ht1 + ht2 + ht3 draw(ht_list)3.3 子集提取与复杂重组
可以从组合热图中提取特定行列的子集：
# 创建复杂组合 ht_full <- ht1 + ht2 + ht3 # 提取前5行，只显示Expression和Type热图 ht_subset <- ht_full[1:5, c("Expression", "Type")] draw(ht_subset)4. 实战案例：基因表达分析可视化
让我们通过一个完整的基因表达分析案例，整合前面学到的所有技巧。
4.1 数据准备与预处理
# 模拟差异表达分析结果 de_genes <- data.frame( Gene = rownames(mat1), logFC = rnorm(12, mean = c(rep(1, 6), rep(-1, 6))), pvalue = c(runif(6, 0, 0.01), runif(6, 0.05, 1)), FDR = p.adjust(c(runif(6, 0, 0.01), runif(6, 0.05, 1)), method = "BH") ) # 添加显著性标记 de_genes$Significant <- ifelse(de_genes$FDR < 0.05, "Yes", "No") # 创建行注释 row_anno <- rowAnnotation( LogFC = anno_barplot(de_genes$logFC, gp = gpar(fill = ifelse(de_genes$logFC > 0, "red", "green"))), Significance = de_genes$Significant, col = list(Significance = c("Yes" = "black", "No" = "lightgray")) )4.2 构建完整可视化
# 主表达热图 ht_exp <- Heatmap(mat1, name = "Z-score", col = colorRamp2(c(-2, 0, 2), c("blue", "white", "red")), row_title = "Differentially Expressed Genes", column_title = "Expression Profile", row_names_side = "left", show_row_names = TRUE) # p值热图 ht_pval <- Heatmap(-log10(de_genes$pvalue), name = "-log10(p)", col = colorRamp2(c(0, 2), c("white", "purple")), width = unit(5, "mm")) # FDR热图 ht_fdr <- Heatmap(-log10(de_genes$FDR), name = "-log10(FDR)", col = colorRamp2(c(0, 2), c("white", "darkred")), width = unit(5, "mm")) # 组合绘制 final_plot <- ht_exp + row_anno + ht_pval + ht_fdr draw(final_plot, column_title = "Differential Expression Analysis Results", column_title_gp = gpar(fontsize = 14, fontface = "bold"), ht_gap = unit(c(2, 1, 1), "mm"))4.3 输出高质量图表
为了发表级图表输出，建议使用pdf()或png()设备：
pdf("DE_analysis_heatmap.pdf", width = 10, height = 8) draw(final_plot) dev.off()或者直接使用ComplexHeatmap提供的交互式功能：
InteractiveComplexHeatmap::makeInteractiveComplexHeatmap()