企业官网建设流程全解析

大家好，我是专注于R语言数据可视化的技术博主。在阅读生物信息学或组学相关的文献时，我们常常会被那些设计精美、信息密度极高的热图所吸引，尤其是那些突破传统矩形布局的圆形热图（Circular Heatmap），它们不仅能展示矩阵数据，还能揭示层次结构或周期规律，视觉冲击力十足。然而，当自己动手想复现时，却往往卡在复杂的布局调整和细节美化上，资料零散不成体系。

本文将以R语言中功能强大的ComplexHeatmap包为核心，手把手带你完整复现一篇文献中常见的圆形热图。从环境搭建、数据模拟、核心绘图到高级美化，每一步都提供可运行的代码和避坑指南。无论你是刚接触ComplexHeatmap的新手，还是想提升图表出版级颜值的老手，都能从这篇实战笔记中找到清晰的路径。

1. 背景与核心概念：为何选择ComplexHeatmap绘制圆形热图？

在数据可视化领域，热图是展示矩阵型数据（如基因表达矩阵、相关系数矩阵）的利器。传统的pheatmap或ggplot2的geom_tile虽然基础，但在处理复杂注释、多图联动和自定义布局时往往力不从心。

ComplexHeatmap包由Zuguang Gu开发，是R语言中绘制高度定制化热图的“终极武器”。它的核心优势在于：

• 模块化设计：将热图主体、行/列注释、图例等视为独立对象，自由组合。
• 无缝拼接：可以轻松将多个热图、点图、条形图甚至网络图拼接在一起。
• 极致定制：几乎每个图形元素（颜色、字体、边框、间距）都可以精细控制。
• 支持环形布局：通过circos.heatmap等功能，可以天然地支持圆形热图的绘制，这对于展示周期性数据（如昼夜节律）、系统发育关系或仅仅是追求更美观的布局非常有用。

圆形热图不仅仅是把矩形热图弯曲成环。它通常与轨道（Track）的概念结合，在环状区域内分层展示不同类型的数据（如热图、条形图、点图），使得多维度数据能在同一幅图中协调呈现，极大提升了信息传达的效率。

本文的目标是：使用ComplexHeatmap，模拟一份类似文献中的基因表达数据（行是基因，列是样本或时间点），并为其添加样本分组注释和基因聚类信息，最终绘制成一幅具有多个注释轨道的出版级圆形热图。

2. 环境准备与版本说明

工欲善其事，必先利其器。首先确保你的R环境准备就绪。

2.1 R与RStudio

• R语言：版本需不低于4.0.0。本文示例在R 4.2.0环境下测试通过。
• RStudio：推荐使用最新版的RStudio Desktop作为集成开发环境，其图形设备对ComplexHeatmap的渲染支持更好。

你可以通过以下命令检查R版本：

R.version.string

2.2 安装必要的R包

我们将主要使用ComplexHeatmap包，同时会用到circlize包（它提供了底层的环形绘图框架）以及一些数据生成和处理的辅助包。

在R控制台中运行以下命令进行安装：

# 设置CRAN镜像，加速下载（可选） options(repos = c(CRAN = "https://mirrors.tuna.tsinghua.edu.cn/CRAN/")) # 安装核心绘图包 if (!requireNamespace("BiocManager", quietly = TRUE)) install.packages("BiocManager") BiocManager::install("ComplexHeatmap") # 安装circlize包及其依赖 install.packages("circlize") # 安装用于数据模拟和处理的辅助包（如未安装） install.packages("dplyr") install.packages("tibble")

安装完成后，加载它们：

library(ComplexHeatmap) library(circlize) library(dplyr) library(tibble)

重要提示：ComplexHeatmap的安装方式是通过BiocManager，因为它托管在Bioconductor上。如果遇到安装问题，请检查网络连接或Bioconductor的镜像设置。

2.3 验证安装

运行一个最简单的命令，确保包加载成功且图形设备正常：

# 创建一个简单的矩阵 mat <- matrix(rnorm(100), 10, 10) # 绘制一个基础热图 Heatmap(mat)

如果弹出一个图形窗口并显示热图，说明环境配置成功。

3. ComplexHeatmap核心语法与圆形布局原理

在进入实战前，我们需要理解ComplexHeatmap绘制圆形热图的核心函数与流程。

3.1 从矩形热图到圆形热图

ComplexHeatmap绘制标准热图的核心函数是Heatmap()。而要实现圆形布局，关键在于两点：

1. 使用circos.heatmap()函数：这个函数专门用于在环形布局中绘制热图矩阵。
2. 配合circlize包的环形初始化：需要在绘图前使用circlize::circos.par()设置环形画布的全局参数，并在最后用circlize::circos.clear()重置。

一个最简流程如下：

library(circlize) library(ComplexHeatmap) # 1. 初始化环形画布 circos.par(gap.after = c(10)) # 设置扇形间隙 # 2. 使用 circos.heatmap 绘图 circos.heatmap(your_matrix, ...) # ... 代表各种美化参数 # 3. 添加其他轨道（如注释） circos.track(...) # 4. 清除环形布局设置 circos.clear()

3.2 circos.heatmap核心参数解析

circos.heatmap函数控制着热图在环上的呈现，以下是一些关键参数：

• mat: 输入的数值矩阵，行和列分别对应环的扇区和径向层次。
• split: 一个因子向量，用于对行进行分割，不同组会显示在不同的扇形区域。
• col: 颜色映射函数，用于将数值映射到颜色。通常使用colorRamp2()函数创建。
• cluster: 是否对行进行聚类。可以是逻辑值，也可以是hclust对象。
• dend.side: 聚类树状图绘制的位置（“inside” 或 “outside”）。
• rownames.side: 行名（如基因名）绘制的位置。
• track.height: 该热图轨道的高度（占整个环的比例）。

3.3 颜色映射函数colorRamp2

这是定义热图颜色渐变的核心。它允许你指定在哪些断点（break）使用哪些颜色（color）。

# 示例：定义从蓝色（低值）到白色（中值）再到红色（高值）的渐变 col_fun <- colorRamp2(c(-2, 0, 2), c("blue", "white", "red")) # 测试颜色函数 col_fun(c(-1, 0, 1)) # 会返回对应的颜色值

在热图中，矩阵中的每个值都会通过这个函数找到对应的颜色。

4. 完整实战：复现文献级圆形热图

现在，我们模拟一个经典的基因表达数据集来完整演练。假设我们有50个基因在12个时间点下的表达量，并且基因属于3个不同的功能模块（Pathway）。

4.1 创建模拟数据集

set.seed(123) # 设置随机种子保证结果可重复 # 1. 模拟基因表达矩阵：50个基因 x 12个时间点 n_genes <- 50 n_timepoints <- 12 expr_mat <- matrix(rnorm(n_genes * n_timepoints, mean = 0, sd = 1), nrow = n_genes, ncol = n_timepoints) # 为了让模式更明显，我们为其中一些基因添加时间趋势 for(i in 1:10) { expr_mat[i, ] <- expr_mat[i, ] + seq(-2, 2, length.out = n_timepoints) # 上升趋势 } for(i in 11:20) { expr_mat[i, ] <- expr_mat[i, ] + seq(2, -2, length.out = n_timepoints) # 下降趋势 } rownames(expr_mat) <- paste0("Gene", 1:n_genes) colnames(expr_mat) <- paste0("T", 1:n_timepoints) # 2. 创建基因分组信息（例如功能通路） gene_groups <- factor(rep(c("Pathway_A", "Pathway_B", "Pathway_C"), length.out = n_genes)) names(gene_groups) <- rownames(expr_mat) # 3. 创建样本（时间点）分组注释（例如实验阶段） sample_annotation <- data.frame( Stage = rep(c("Early", "Mid", "Late"), each = n_timepoints/3), row.names = colnames(expr_mat) ) # 查看数据前几行 head(expr_mat[, 1:4]) table(gene_groups) head(sample_annotation)

4.2 定义颜色方案与初始化环形画布

出版级图表的美观度很大程度上取决于协调的颜色方案。

# 1. 定义热图主色调（表达量高低） # 假设表达量标准化后，范围在-3到3之间 breaks <- seq(-3, 3, length.out = 100) # 使用 viridis 或 RColorBrewer 的色系更专业，这里用蓝-白-红经典色 library(RColorBrewer) heatmap_colors <- colorRamp2(breaks = c(-3, 0, 3), colors = c("#4575B4", "#FFFFBF", "#D73027")) # 2. 定义基因分组颜色 group_colors <- c("Pathway_A" = "#E69F00", "Pathway_B" = "#56B4E9", "Pathway_C" = "#009E73") # 3. 定义样本阶段颜色 stage_colors <- c("Early" = "#F0E442", "Mid" = "#0072B2", "Late" = "#D55E00") # 4. 初始化环形画布 # 清除可能存在的旧设置 circlize::circos.clear() # 设置环形参数：起始角度、扇形间隙等 circlize::circos.par(start.degree = 90, # 从12点钟方向开始 gap.after = c(rep(2, length(unique(gene_groups))-1), 10), # 最后一个间隙大一些，用于放图例 track.margin = c(0.01, 0.01)) # 轨道边距

4.3 绘制核心热图轨道

这是最关键的一步，我们将表达矩阵绘制到环形上，并按基因分组进行分割。

# 绘制热图轨道 ht <- circos.heatmap( mat = expr_mat, split = gene_groups, # 按基因分组分割扇形 col = heatmap_colors, # 应用颜色映射函数 dend.side = "inside", # 聚类树画在扇形内侧 rownames.side = "outside", # 基因名显示在外侧 track.height = 0.3, # 热图轨道高度 bg.border = "grey60", # 背景边框色 # 聚类方法配置 clustering.method = "complete", clustering_distance_rows = "euclidean", show.sector.labels = TRUE # 显示扇区标签（即分组名） )

4.4 添加样本注释轨道

在热图轨道的外围，我们可以添加轨道来展示样本（时间点）的属性，如实验阶段。

# 为每个扇区（基因分组）添加样本注释轨道 for(sn in get.all.sector.index()) { # 获取当前扇区对应的数据列索引 sector_data <- get.cell.meta.data("cell.xlim", sector.index = sn) # 这里简化处理，假设所有扇区的样本顺序一致 # 在实际中，可能需要根据`split`逻辑映射 # 添加一个轨道用于绘制样本分组条形 circos.track(ylim = c(0, 1), track.height = 0.05, bg.border = NA, panel.fun = function(x, y) { # 获取当前轨道的扇区信息 sector.index <- get.cell.meta.data("sector.index") # 绘制样本分组颜色条 n_samples <- ncol(expr_mat) col_assign <- stage_colors[sample_annotation$Stage] circos.rect(1:n_samples - 1, rep(0, n_samples), 1:n_samples, rep(1, n_samples), col = col_assign, border = NA) }) } # 添加轨道标签 circos.trackText(factors = get.all.sector.index(), track.index = get.current.track.index(), labels = "Stage", facing = "downward", niceFacing = TRUE)

4.5 添加图例并完成绘图

一个完整的图表离不开清晰的图例。

# 1. 创建热图（表达量）图例 lgd_heatmap <- Legend(title = "Expression Z-score", col_fun = heatmap_colors, at = c(-3, -1.5, 0, 1.5, 3)) # 2. 创建基因分组图例 lgd_gene_group <- Legend(title = "Gene Pathway", at = names(group_colors), legend_gp = gpar(fill = group_colors)) # 3. 创建样本阶段图例 lgd_stage <- Legend(title = "Time Stage", at = names(stage_colors), legend_gp = gpar(fill = stage_colors)) # 将所有图例组合在一起 pd <- packLegend(lgd_heatmap, lgd_gene_group, lgd_stage, direction = "vertical", max_height = unit(10, "cm")) # 在图形设备上绘制图例（需要先打开或指定一个图形设备） # 例如，使用grid图形系统绘制 library(grid) grid.draw(pd) # 最后，务必清除环形布局设置，以免影响后续绘图 circlize::circos.clear()

注意：上述circos.track部分是一个简化示例。在实际的ComplexHeatmap高级用法中，更常见的做法是先使用HeatmapAnnotation函数创建复杂的注释对象，然后利用Heatmap对象的top_annotation或left_annotation参数进行添加，最后通过draw函数并指定heatmap_legend_side等参数来统一绘制热图和图例。对于极其复杂的环形多轨道图，可能需要更底层的circlize编程。

为了更直观、更符合ComplexHeatmap哲学地完成圆形热图，下面提供一个更完整、更实用的替代方案，它利用Heatmap对象本身强大的注释系统，然后通过draw函数的circular参数实现环形布局：

# 方案二：使用Heatmap对象的circular参数（更推荐） library(ComplexHeatmap) # 1. 创建列注释（样本注释） ha_column <- HeatmapAnnotation( Stage = sample_annotation$Stage, col = list(Stage = stage_colors), annotation_name_side = "left", show_annotation_name = TRUE ) # 2. 创建行注释（基因分组注释） ha_row <- rowAnnotation( Pathway = gene_groups, col = list(Pathway = group_colors), show_annotation_name = FALSE, width = unit(0.5, "cm") ) # 3. 绘制热图，并指定为环形布局 ht_obj <- Heatmap( expr_mat, name = "Z-score", # 图例标题 col = heatmap_colors, # 行设置 row_split = gene_groups, # 行分割 cluster_rows = TRUE, # 行聚类 clustering_distance_rows = "euclidean", clustering_method_rows = "complete", row_title = NULL, # 环形布局时不显示默认的行标题 # 列设置 column_split = sample_annotation$Stage, # 列分割 cluster_columns = FALSE, # 时间点通常不聚类 column_title = NULL, # 环形布局时不显示默认的列标题 # 注释 top_annotation = ha_column, left_annotation = ha_row, # 环形布局关键参数 rect_gp = gpar(col = NA), # 去除单元格边框 row_dend_side = "right", # 行聚类树位置 column_dend_side = "bottom", # 热图外观 show_row_names = TRUE, # 显示行名 row_names_side = "left", show_column_names = TRUE, # 显示列名 column_names_side = "bottom", row_names_gp = gpar(fontsize = 8), column_names_gp = gpar(fontsize = 8) ) # 4. 绘制图形，启用环形布局 draw(ht_obj, heatmap_legend_side = "right", # 图例位置 annotation_legend_side = "right", row_dend_side = "right", column_dend_side = "bottom", # 关键：启用环形布局并设置参数 circular = TRUE, gap = unit(5, "mm"), # 扇区间隙 start_degree = 90) # 起始角度

这种方法的代码更清晰，更易于管理多个注释，并且能自动处理图例的绘制和摆放，是复现文献中复杂圆形热图的更佳实践。

5. 常见问题与排查思路

在使用ComplexHeatmap绘制圆形热图时，你可能会遇到以下典型问题：

6. 最佳实践与工程建议

要将此类分析融入实际的生物信息学或数据分析项目，遵循以下最佳实践能提升效率与可重复性。

6.1 项目组织与代码规范

• 脚本模块化：将数据准备、颜色定义、绘图函数、保存输出分别写成独立的R脚本或函数，通过source()调用。例如，01_prepare_data.R,02_plot_functions.R,03_main_analysis.R。
• 使用R Markdown或Jupyter Notebook：将分析过程、代码和结果（图形）整合在一个动态文档中，便于记录和分享。
• 设置随机种子：任何涉及随机数生成的操作（如rnorm,sample）前，务必使用set.seed()，确保结果可重现。

6.2 数据处理与可视化

• 数据标准化：在绘制表达热图前，通常需要对行（基因）或列（样本）进行标准化（如Z-score标准化），以消除量纲影响，使模式更清晰。可以使用scale()函数。

  expr_mat_scaled <- t(scale(t(expr_mat))) # 对行（基因）进行Z-score标准化

• 颜色选择：优先使用色盲友好的调色板（如viridis,RColorBrewer的Set2、Set3、Paired等）。避免使用红绿对比，可以使用dichromat包模拟色盲视图进行检查。
• 图形输出：用于出版的图形，建议使用矢量格式（如PDF、SVG），以保证无限缩放不失真。使用pdf()或svg()函数，并指定高分辨率。

  pdf("circular_heatmap.pdf", width = 10, height = 8) draw(ht_obj, circular = TRUE, ...) dev.off()

6.3 性能优化

• 大数据集处理：当基因数（行数）超过数千时，聚类和绘图可能变慢。可以考虑：
  1. 在绘图前先对数据进行子集筛选（如选择差异表达最显著的基因）。
  2. 使用cluster_rows = FALSE关闭实时聚类，预先使用fastcluster::hclust等快速算法生成聚类对象，再传递给cluster_rows参数。
  3. 关闭行/列名的显示（show_row_names = FALSE）。
• 内存管理：极大规模矩阵绘图可能消耗大量内存。确保R会话有足够的内存，并考虑将中间结果保存为RData文件。

6.4 版本控制与协作

• 使用sessionInfo()记录完整的R环境信息，包括所有包的版本。这能帮助他人或未来的你复现结果。

  sessionInfo()

• 将关键的绘图参数（如颜色函数、图形尺寸、字体大小）集中定义为变量或列表，方便统一调整和维护。

通过本文的梳理，你应该已经掌握了使用R语言ComplexHeatmap包复现文献中精美圆形热图的完整流程。从环境搭建、数据模拟、核心绘图函数解读，到一步步完成一个多轨道的环形热图，并添加了专业的注释和图例。更重要的是，我们探讨了更符合ComplexHeatmap设计哲学的circular参数绘制方法，以及实践中会遇到的各种问题与解决方案。

复现文献图表是提升数据可视化能力的绝佳途径。下一步，你可以尝试：

1. 应用真实数据：将本例中的模拟矩阵替换为你自己的基因表达矩阵、相关系数矩阵或任何数值矩阵。
2. 探索更多注释类型：ComplexHeatmap支持点图、条形图、箱线图、折线图等多种注释图形，尝试将它们添加到环形轨道中。
3. 深度定制：研究ComplexHeatmap和circlize的官方文档，调整扇区大小、轨道顺序、标签旋转角度等，实现完全符合你审美的定制化图表。
4. 组合其他图形：尝试将环形热图与传统的矩形热图、密度图等组合在一张画布上，利用ComplexHeatmap的%v%和%h%操作符。

如果在实践中遇到新的问题，多查阅?ComplexHeatmap、?circlize的帮助文档，以及在Bioconductor和GitHub上的官方Issue区寻找灵感。动手实践，不断调试，你也能创造出令人惊艳的科学可视化作品。