常用生信SCI图绘制代码（R语言）

# 加载R包，没有安装请先安装  install.packages("包名") 
library(ggplot2)
library(ggbiplot)
# ggbiplot包需要从github上下载
# install.packages("devtools")
# library(devtools)
# install_github("vqv/ggbiplot")
# 读取PCA数据文件
df = read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/PCA/data.txt",# 这里读取了网络上的demo数据，将此处换成你自己电脑里的文件
                header = T,    # 指定第一行是列名
                row.names = 1  # 指定第一列是行名
df=t(df) # 对数据进行转置，如果想对基因分组则不用转置
# 读取样本分组数据文件
dfGroup = read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/PCA/sample.class.txt",
                     header = T,
                     row.names = 1
# PCA计算
pca_result <- prcomp(df,
                     scale=T  # 一个逻辑值，指示在进行分析之前是否应该将变量缩放到具有单位方差
ggbiplot(pca_result, 
         var.axes=F,            # 是否为变量画箭头
         obs.scale = 1,         # 横纵比例 
         groups = dfGroup[,1],  # 添加分组信息，为分组文件的第一列
         ellipse = T,           # 是否围绕分组画椭圆
         circle = F)+ 
  geom_text(                      # geom_text一个在图中添加标注的函数
    aes(label=rownames(df)),   # 指定标注的内容为数据框df的行名
    vjust=1.5,            # 指定标记的位置，vjust=1.5 垂直向下1.5个距离。   负数为位置向上标记，正数为位置向下标记
    size=2                # 标记大小
  theme_bw()

# 加载R包，没有安装请先安装  install.packages("包名") 
library(ggplot2)
library(ggrepel)  #用于标记的包
# 读取火山图数据文件
data = read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/Volcano/Volcano.txt",# 这里读取了网络上的demo数据，将此处换成你自己电脑里的文件
                  header = T    # 指定第一行是列名
# 建议您的文件里对应的名称跟demo数据一致，这样不用更改后续代码中的变量名称
FC = 1.5 # 用来判断上下调，一般蛋白质组的项目卡1.5
PValue = 0.05 #用来判断上下调
# 判断每个基因的上下调,往数据框data里新增了sig列
data$sig[(-1*log10(data$PValue) < -1*log10(PValue)|data$PValue=="NA")|(log2(data$FC) < log2(FC))& log2(data$FC) > -log2(FC)] <- "NotSig"
data$sig[-1*log10(data$PValue) >= -1*log10(PValue) & log2(data$FC) >= log2(FC)] <- "Up"
data$sig[-1*log10(data$PValue) >= -1*log10(PValue) & log2(data$FC) <= -log2(FC)] <- "Down"
# 标记方式（一）
# 根据数据框中的Marker列，1的为标记，0的为不标记
data$label=ifelse(data$Marker == 1, as.character(data$Name), '')
# （或）标记方式（二）
# 根据PValue小于多少和log[2]FC的绝对值大于多少筛选出合适的点
# PvalueLimit = 0.0001
# FCLimit = 5
# data$label=ifelse(data$PValue < PvalueLimit & abs(log2(data$FC)) >= FCLimit, as.character(data$Name), '')
ggplot(data,aes(log2(data$FC),-1*log10(data$PValue))) +    # 加载数据，定义横纵坐标
  geom_point(aes(color = sig)) +                           # 绘制散点图，分组依据是数据框的sig列
  labs(title="volcanoplot",                                # 定义标题，x轴，y轴名称
       x="log[2](FC)", 
       y="-log[10](PValue)") + 
  # scale_color_manual(values = c("red","green","blue")) + # 自定义颜色，将values更改成你想要的三个颜色
  geom_hline(yintercept=-log10(PValue),linetype=2)+        # 在图上添加虚线
  geom_vline(xintercept=c(-log2(FC),log2(FC)),linetype=2)+ # 在图上添加虚线
  geom_text_repel(aes(x = log2(data$FC),                   # geom_text_repel 标记函数
                      y = -1*log10(data$PValue),          
                      label=label),                       
                  max.overlaps = 10000,                    # 最大覆盖率，当点很多时，有些标记会被覆盖，调大该值则不被覆盖，反之。
                  size=3,                                  # 字体大小
                  box.padding=unit(0.5,'lines'),           # 标记的边距
                  point.padding=unit(0.1, 'lines'), 
                  segment.color='black',                   # 标记线条的颜色
                  show.legend=FALSE)+
  theme_bw()

# 加载R包，没有安装请先安装  install.packages("包名") 
library(venn)         #韦恩图（venn 包，适用样本数 2-7）
library(VennDiagram) 
# 读取数据文件
venn_dat <- read.delim('https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/Venn/flower.txt')                      # 这里读取了网络上的demo数据，将此处换成你自己电脑里的文件
venn_list <- list(venn_dat[,1], venn_dat[,2], venn_dat[,3], venn_dat[,4], venn_dat[,5], venn_dat[,6], venn_dat[,7])   # 制作韦恩图搜所需要的列表文件
names(venn_list) <- colnames(venn_dat[1:7])    # 把列名赋值给列表的key值
venn(venn_list,
     zcolor='style', # 调整颜色，style是默认颜色，bw是无颜色，当然也可以自定义颜色
     opacity = 0.3,  # 调整颜色透明度
     box = F,        # 是否添加边框
     ilcs = 0.5,     # 数字大小
     sncs = 1        # 组名字体大小
# 更多参数 ?venn查看
# 查看交集详情,并导出结果
inter <- get.venn.partitions(venn_list)
for (i in 1:nrow(inter)) inter[i,'values'] <- paste(inter[[i,'..values..']], collapse = '|')
inter <- subset(inter, select = -..values.. )
inter <- subset(inter, select = -..set.. )
write.table(inter, "result.csv", row.names = FALSE, sep = ',', quote = FALSE)

# 加载R包，没有安装请先安装  install.packages("包名") 
library(UpSetR)         #Upset图（upset 包，适用样本数 2-7）
library(VennDiagram) 
# 读取数据文件
upset_dat <- read.delim('https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/Venn/flower.txt')                      # 这里读取了网络上的demo数据，将此处换成你自己电脑里的文件
upset_list <- list(upset_dat[,1], upset_dat[,2], upset_dat[,3], upset_dat[,4], upset_dat[,5], upset_dat[,6], upset_dat[,7])   # 制作Upset图搜所需要的列表文件
names(upset_list) <- colnames(upset_dat[1:7])    # 把列名赋值给列表的key值
upset(fromList(upset_list),  # fromList一个函数，用于将列表转换为与UpSetR兼容的数据形式。
      nsets = 100,     # 绘制的最大集合个数
      nintersects = 40, #绘制的最大交集个数，NA则全部绘制
      order.by = "freq", # 矩阵中的交点是如何排列的。 "freq"根据交集个数排序，"degree"根据
      keep.order = F, # 保持设置与使用sets参数输入的顺序一致。默认值是FALSE，它根据集合的大小排序。
      mb.ratio = c(0.6,0.4),   # 左侧和上方条形图的比例关系
      text.scale = 2 # 文字标签的大小
# 更多参数 ?upset查看
# 查看交集详情,并导出结果
inter <- get.venn.partitions(upset_list)
for (i in 1:nrow(inter)) inter[i,'values'] <- paste(inter[[i,'..values..']], collapse = '|')
inter <- subset(inter, select = -..values.. )
inter <- subset(inter, select = -..set.. )
write.table(inter, "result.csv", row.names = FALSE, sep = ',', quote = FALSE)

# 加载R包，没有安装请先安装  install.packages("包名") 
library(scatterplot3d)
# 读取PCA数据文件
df = read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/PCA/data.txt",# 这里读取了网络上的demo数据，将此处换成你自己电脑里的文件
                header = T,    # 指定第一行是列名
                row.names = 1  # 指定第一列是行名
df=t(df) # 对数据进行转置，如果想对基因分组则不用转置
# 读取样本分组数据文件
dfGroup = read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/PCA/sample.class.txt",
                     header = T,
                     row.names = 1
# PCA计算
pca_result <- prcomp(df,
                     scale=T  # 一个逻辑值，指示在进行分析之前是否应该将变量缩放到具有单位方差
pca_result$x<-data.frame(pca_result$x)
# 设置颜色，有几个分组就写几个颜色
colors <- c("red","blue","green")
colors <- colors[as.numeric(as.factor(dfGroup[,1]))]
# 设置点形状，仅供参考
# shape<-16:18
# shape<-shape[as.numeric(as.factor(dfGroup[,1]))]
# 计算PC值，并替换列名，用来替换坐标轴上的标签
# pVar <- pca_result$sdev^2/sum(pca_result$sdev^2)
# pVar = round(pVar,digits = 3)
# colnames(pca_result$x) = c(
#   paste0("PC1 (",as.character(pVar[1] * 100 ),"%)"),
#   paste0("PC2 (",as.character(pVar[2] * 100 ),"%)"),
#   paste0("PC3 (",as.character(pVar[3] * 100 ),"%)"),
#   "PC4",
#   "PC5",
#   "PC6",
#   "PC7",
#   "PC8",
#   "PC9"
s3d <- scatterplot3d(pca_result$x[,1:3],
                     pch = 16,       # 点形状
                     color=colors,   # 点颜色
                     cex.symbols = 2 # 点大小
# 设置图例
legend("top",
       legend = unique(dfGroup[,1]),
       col =  c("red","blue","green"),
       pch = 16,
       inset = -0.1,
       xpd = TRUE,
       horiz = TRUE)
# 设置文字标注
text(s3d$xyz.convert(pca_result$x[,c(1,2,3)] + 2),
     labels = row.names(pca_result$x),
     cex = 0.8,col = "black")

# 加载R包，没有安装请先安装  install.packages("包名") 
library(pROC)
library(ggplot2)
# 读取ROC数据文件
df = read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/ROC/demo.txt",# 这里读取了网络上的demo数据，将此处换成你自己电脑里的文件
                header = T    # 指定第一行是列名
# ROC计算
rocobj <- roc(df[,1], df[,2],
              # controls=df[,2][df[,1]=="Good"],  # 可以设置实验组或对照组
              # cases=df[,2][df[,1]=="Poor"],
              smooth = F       # 曲线是否光滑，当光滑时，无法计算置信区间
# 计算临界点/阈值
cutOffPoint <- coords(rocobj, "best")
cutOffPointText <- paste0(round(cutOffPoint[1],3),"(",round(cutOffPoint[2],3),",",round(cutOffPoint[3],3),")")
# 计算AUC值
auc<-auc(rocobj)[1]
# AUC的置信区间
auc_low<-ci(rocobj,of="auc")[1]
auc_high<-ci(rocobj,of="auc")[3]
# 计算置信区间
ciobj <- ci.se(rocobj,specificities=seq(0, 1, 0.01))
data_ci<-ciobj[1:101,1:3]
data_ci<-as.data.frame(data_ci)
x=as.numeric(rownames(data_ci))
data_ci<-data.frame(x,data_ci)
ggroc(rocobj,
      color="red",
      size=1,
      legacy.axes = F # FALSE时 横坐标为1-0 specificity；TRUE时 横坐标为0-1 1-specificity
  theme_classic()+
  geom_segment(aes(x = 1, y = 0, xend = 0, yend = 1),        # 绘制对角线
               colour='grey', 
               linetype = 'dotdash'
  geom_ribbon(data = data_ci,                                # 绘制置信区间
              aes(x=x,ymin=X2.5.,ymax=X97.5.),               # 当legacy.axes=TRUE时， 把x=x改为x=1-x
              fill = 'lightblue',
              alpha=0.5)+
  geom_point(aes(x = cutOffPoint[[2]],y = cutOffPoint[[3]]))+ # 绘制临界点/阈值
  geom_text(aes(x = cutOffPoint[[2]],y = cutOffPoint[[3]],label=cutOffPointText),vjust=-1) # 添加临界点/阈值文字标签

# 加载R包，没有安装请先安装  install.packages("包名") 
library(ggradar) # 此包需要从github安装 devtools::install_github("ricardo-bion/ggradar")
library(ggplot2)
# 读取雷达图数据文件
df = read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/radarChart/demo.csv",# 这里读取了网络上的demo数据，将此处换成你自己电脑里的文件
                  sep = ",",    # 指定文件分隔符
                  header = T    # 指定第一行是列名
ggradar(df,
       grid.max = max(df[,-1]),                 # 设置坐标轴的最大值
       grid.mid = max(df[,-1])/2,               # 设置坐标轴的中间值
       grid.min = 0,                            # 设置坐标轴的最小值
       grid.label.size = 4,                     # 坐标轴百分比标签大小
       axis.label.size = 5,                     # 组名标签字体大小
       group.colours = rainbow(length(df[,1])), # 设置颜色，数量跟第一列的个数相同
       background.circle.colour = "white",      # 设置背景颜色
       group.point.size = 2,                    # 点大小
       group.line.width = 2,                    # 线条粗细
       plot.legend = T,                         # 是否显示图例
       legend.position = "right",               # 图例位置"top", "right", "bottom", "left"
       legend.title = "",                       # 图例标题
       legend.text.size = 10,                   # 图例文字大小
       plot.title   = "Title",                  # 标题名称
       plot.extent.x.sf = 1.2,                  # 设置图片横向延伸空间，防止外圈文字显示不全
       plot.extent.y.sf = 1.2,                  # 设置图片纵向延伸空间，防止外圈文字显示不全
# 更多选项?ggradar查看，支持ggplot2其他函数扩展

# 加载R包，没有安装请先安装  install.packages("包名") 
library(ggplot2)
library(reshape2)  # 用于转换数据
library(ggsignif)  # 用于添加显著性标签
# 读取箱线图数据文件
df = read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/BoxPlot/boxplot.txt",# 这里读取了网络上的demo数据，将此处换成你自己电脑里的文件
                header = T    # 指定第一行是列名
# 把数据转换成ggplot常用的类型（长数据）
df = melt(df)
ggplot(df,aes(x=variable,y=value,fill=variable))+
  # stat_boxplot(geom = "errorbar",    # 添加误差线
  #  width=0.3)+
  geom_boxplot(alpha = 1,              # 透明度
               outlier.color = "black" # 外点颜色
  theme_bw()+                          # 白色主题
  theme(
    axis.text.x = element_text(angle = 90,
                               vjust = 0.5
    )       # x轴刻度改为倾斜90度，防止名称重叠
  geom_signif(                         # 添加显著性标签
    comparisons=list(c("Sample1","Sample2"),c("Sample3","Sample4")), # 选择你想在哪组上添加标签
    step_increase = 0.1,
    test="t.test",                     # "t 检验，比较两组（参数）" = "t.test","Wilcoxon 符号秩检验，比较两组（非参数）" = "wilcox.test"
    map_signif_level=F                 # 标签样式F为数字，T为*号
  )

# 加载R包，没有安装请先安装  install.packages("包名") 
library(ggplot2)
library(reshape2)
library(ggsignif)
# 读取小提琴图数据文件
df = read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/BoxPlot/boxplot.txt",# 这里读取了网络上的demo数据，将此处换成你自己电脑里的文件
                header = T    # 指定第一行是列名
# 把数据转换成ggplot常用的类型（长数据）
df = melt(df)
ggplot(df,aes(x=variable,y=value,fill=variable))+
  geom_violin(alpha = 1,              # 透明度
              trim = T,               # 是否修剪尾巴，即将数据控制到真实的数据范围内
              scale = "area",         # 如果“area”(默认)，所有小提琴都有相同的面积(在修剪尾巴之前)。如果是“count”，区域与观测的数量成比例。如果是“width”，所有的小提琴都有相同的最大宽度。
  theme_bw()+                          # 白色主题
  theme(
    axis.text.x = element_text(angle = 90,
                               vjust = 0.5
                               )       # x轴刻度改为倾斜90度，防止名称重叠
  geom_signif(                         # 添加显著性标签
    comparisons=list(c("Sample1","Sample2"),c("Sample3","Sample4")), # 选择你想在哪2组上添加标签
    step_increase = 0.1,
    test="t.test",                     # "t 检验，比较两组（参数）" = "t.test","Wilcoxon 符号秩检验，比较两组（非参数）" = "wilcox.test"
    map_signif_level=F                 # 标签样式F为数字，T为*号
    )

# 加载R包，没有安装请先安装  install.packages("包名") 
library(ggplot2)
library(reshape2)
# 读取核密度图数据文件
df = read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/BoxPlot/boxplot.txt",# 这里读取了网络上的demo数据，将此处换成你自己电脑里的文件
                header = T       # 指定第一行是列名
# 把数据转换成ggplot常用的类型（长数据）
df = melt(df)                    # melt出自reshape2包
head(df)                         # 查看转换完成的数据的前几行
ggplot(df,aes(x=value,   
              fill=variable,     # fill填充颜色，根据变量名赋值
              colour=variable))+ # colour图形边界颜色，根据变量名赋值
  geom_density(alpha=0.2,        # 填充颜色透明度
               size=1,           # 线条粗细
               linetype = 1      # 线条类型1是实线，2是虚线
  theme_bw()                     # 白色主题
# 补充知识：
# fill   一般是指填充颜色
# color  一般是指线和点的颜色
# colour 一般是指图形边界颜色

# 加载R包，没有安装请先安装  install.packages("包名") 
library(ggplot2)
library(reshape2)
# 读取双向柱形图数据文件
df= read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/model/ggplot2/DoublePositionBarPlot/demo.txt")   # 这里读取了网络上的demo数据，将此处换成你自己电脑里的文件
# 把数据转换成ggplot常用的类型（长数据）
df = melt(df)                    # melt出自reshape2包
head(df)                         # 查看转换完成的数据的前几行
#   X         variable   value
# 1 Pathway1       Up    35
# 2 Pathway2       Up    27
# 3 Pathway3       Up    58
# 4 Pathway4       Up    24
# 5 Pathway5       Up     4
# 6 Pathway6       Up    58
ggplot(df, aes(
                x = factor(X,levels = unique(X)),             # 将第一列转化为因子，目的是显示顺序与文件顺序相同，否则按照字母顺序排序
                y = ifelse(variable == "Up", value, -value),  # 判断分组情况，将两个柱子画在0的两侧
                fill = variable)) +
  geom_bar(stat = 'identity')+                                # 画柱形图
  coord_flip()+                                               # x轴与y轴互换位置
  geom_text(                                                  # 在图形上加上数字标签
    aes(label=value,                                          # 标签的值（数据框的第三列）
        # vjust = ifelse(variable == "Up", -0.5, 1),          # 垂直位置。如果没有coord_flip()，则可以取消这行注释
        hjust = ifelse(variable == "Up", -0.4, 1.1)           # 水平位置
    size=2                                                    # 标签大小
  scale_y_continuous(                                         # 调整y轴
    labels = abs,                                             # 刻度设置为绝对值
    expand = expansion(mult = c(0.1, 0.1)))                   # 在y轴的两侧，留下一部分的空白位置，防止加标签的时候，显示不全

# 加载R包，没有安装请先安装  install.packages("包名") 
library(pheatmap)
# 读取相关性热图数据文件
df= read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/Cor/demo.txt",# 这里读取了网络上的demo数据，将此处换成你自己电脑里的文件
               header = T,
               row.names = 1
# 计算相关性
r <- cor(df,
         method = "pearson",           # 计算相关性的方法有"pearson", "spearman", "kendall"
         use = "pairwise.complete.obs" # 缺失值处理的方式
# 绘制热图
pheatmap(r, 
         show_colnames = TRUE,   # 是否显示列名
         show_rownames=TRUE,     # 是否显示行名
         fontsize=5,             # 字体大小
         color = colorRampPalette(c('#0000ff','#ffffff','#ff0000'))(50), # 指定热图的颜色
         annotation_legend=TRUE, # 是否显示图例
         border_color=NA,        # 边框颜色 NA表示没有
         scale="none",           # 指定归一化的方式。"row"按行归一化，"column"按列归一化，"none"不处理
         cluster_rows = TRUE,    # 是否对行聚类
         cluster_cols = TRUE     # 是否对列聚类
)

# 加载R包，没有安装请先安装  install.packages("包名") 
library(corrgram)
# 读取相关性矩阵数据文件
df= read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/Cor/demo2.txt",# 这里读取了网络上的demo数据，将此处换成你自己电脑里的文件
               header = T,
               row.names = 1
corrgram(df,
         cex.labels = 0.8,          # 样本文字大小
         lower.panel="panel.pts",   # 指定下方面板的形状，具体参数看下方注释
         upper.panel="panel.cor",   # 指定上方面板的形状，具体参数看下方注释
         diag.panel="panel.density",# 指定中间面板的形状，具体参数看下方注释
         cor.method="pearson")      # 计算相关性的方法有"pearson", "spearman", "kendall"
# 上、下面板可供选择的图形
# "散点" = "panel.pts"
# "柱形" = "panel.bar"
# "相关系数(带置信区间)"="panel.conf"
# "相关系数（带颜色）"="panel.cor"
# "ellipse"="panel.ellipse"
# "填充"="panel.fill"
# "饼图"="panel.pie"
# "阴影"="panel.shade"
# "空"=NULL
# 中间面板可供选择的图形
# "核密度图" = "panel.density"
# "最大最小值" = "panel.minmax"
# "空"=NULL
# 更多参数可以输入 ?corrgram 查看

library(ggplot2)
# 读取富集气泡图数据文件
df= read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/bubble/data.txt")# 这里读取了网络上的demo数据，将此处换成你自己电脑里的文件
ggplot(df,aes(x = Ratio, 
              y = reorder(Term,Enrichment,sum), # 按照富集度大小排序
              size = Size,
              colour=Enrichment)) +
  geom_point(shape = 16) +                    # 设置点的形状
  labs(x = "Ratio", y = "Pathway")+           # 设置x，y轴的名称
  scale_colour_continuous(                    # 设置颜色图例
    name="Enrichment",                        # 图例名称
    low="green",                              # 设置颜色范围
    high="red")+
  scale_radius(                               # 设置点大小图例
    range=c(2,4),                             # 设置点大小的范围
    name="Size")+                             # 图例名称
  guides(   
    color = guide_colorbar(order = 1),        # 决定图例的位置顺序
    size = guide_legend(order = 2)
  theme_bw()                                  # 设置主题

library(jiebaRD) 
library(jiebaR)                 
library(wordcloud2)
# 先将一段文字转成词频
text = "蛋白质组(Proteome)的概念最先由Marc Wilkins提出，指由一个基因组(genome)，或一个细胞、组织表达的所有蛋白质(Protein). 蛋白质组的概念与基因组的概念有许多差别，它随着组织、甚至环境状态的不同而改变. 在转录时，一个基因可以多种mRNA形式剪接，并且，同一蛋白可能以许多形式进行翻译后的修饰. 故一个蛋白质组不是一个基因组的直接产物，蛋白质组中蛋白质的数目有时可以超过基因组的数目. 蛋白质组学(Proteomics)处于早期“发育”状态，这个领域的专家否认它是单纯的方法学，就像基因组学一样，不是一个封闭的、概念化的稳定的知识体系，而是一个领域. 蛋白质组学集中于动态描述基因调节，对基因表达的蛋白质水平进行定量的测定，鉴定疾病、药物对生命过程的影响，以及解释基因表达调控的机制. 作为一门科学，蛋白质组研究并非从零开始，它是已有20多年历史的蛋白质(多肽)谱和基因产物图谱技术的一种延伸. 多肽图谱依靠双向电泳(Two-dimensional gel electrophoresis, 2-DE)和进一步的图象分析；而基因产物图谱依靠多种分离后的分析，如质谱技术、氨基酸组分分析等."
initialize = worker(stop_word="stopwords.txt")
# 停止词文件可以在这里下载https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/wordcloud/stopwords.txt
df<-freq(initialize[text]) # 计算词频
wordcloud2(df, 
           size = 1,                  # 字体大小
           fontFamily = 'Segoe UI',   # 字体
           fontWeight = 'bold',       # 字体粗细
           color = 'random-dark',     # 字体颜色
           backgroundColor = "white", # 背景颜色
           minRotation = -pi/4,       # minRotation和maxRotation控制文本旋转角度的范围
           maxRotation = pi/4,
           rotateRatio = 0.4,         # 文本旋转的概率 0.4表示大约有40%的词发生了旋转
           shape = "circle"           # 轮廓形状
          )

# voronoiTreemap包的安装方式为
# devtools::install_github("uRosConf/voronoiTreemap")
library(voronoiTreemap)
# 读取多边形树状图数据文件
df= read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/treemap/2.txt")# 这里读取了网络上的demo数据，将此处换成你自己电脑里的文件
# 生成层次结构
data_int = vt_input_from_df(df, 
                            hierachyVar0 = "h1",     # 定义哪列是第1个层次
                            hierachyVar1 = "h2",     # 定义哪列是第2个层次
                            hierachyVar2 = "h3",     # 定义哪列是第3个层次
                            colorVar = "color",      # 定义每个多边形的颜色
                            weightVar = "size",      # 定义每个多边形的大小
                            labelVar = "abbreviation"# 定义每个多边形的缩写标签
vt_d3(vt_export_json(data_int),
     legend= T, # 是否显示图例
     label = T  # 是否显示文字标签
)

# Mfuzz包的安装方式为：BiocManager::install("Mfuzz")
library(Mfuzz)
# 读取时间序列分析数据文件
df = read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/mfuzz/all_gene_fpkm.xls",# 这里读取了网络上的demo数据，将此处换成你自己电脑里的文件
               row.names = 1
# 构建对象，填补缺失值，标准化等
dm <- data.matrix(df)                   # 数据框转换为矩阵
ESet <- new("ExpressionSet",exprs = dm) # 构建对象
ESet <- filter.NA(ESet, thres=0.25)     # 过滤缺失值超过“25%”的基因
ESet <- fill.NA(ESet,mode="knn")        # knn算法填补缺失值
ESet <- filter.std(ESet,min.std=0)      # 根据标准差去除样本间差异太小的基因
gene.s <- standardise(ESet)             # 标准化
exprs(gene.s)                           # 查看处理后的数据
c <- 6                 # 设置聚类个数
m <- mestimate(gene.s) # 评估出最佳的m值
set.seed(123)          # 设置随机种子，防止每次聚类的结果都不一样，无法复现
cl <- mfuzz(gene.s, c = c, m = m)
cl                     # 查看每个基因聚到哪个类当中
cl$size                # 查看每个cluster中的基因个数
cl$membership          # 查看基因和cluster之间的membership。如果两个基因对于一个特定的cluster都有高的membership score，那么他们通常来说表达模式是相似的
mfuzz.plot(
  gene.s,
  mfrow=c(2,3),# 图形排列方式，2行3列
  new.window= FALSE) # 是否在新窗口打开

# 加载R包，没有安装请先安装  install.packages("包名") 
library(ggpubr)
library(ggplot2)
# 读取棒棒糖图数据文件
df = read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/lolly/demoData.txt")
ggdotchart(df, 
           x = colnames(df)[1],
           y = colnames(df)[2],
           color = colnames(df)[1],
           palette = rainbow(dim(df)[1]), # 修改颜色
           sorting = "none",              # 排列方式 sorting = c("ascending", "descending", "none"),
           add = "segments",              # 添加线条add = c("none", "segment")
           dot.size = 10,                 # 点大小
           add.params = list(color = "lightgray", size = 5),  #修改线条参数，颜色，粗细
           position = position_dodge(0.1),                    #调整位置
           label = round(df[[2]]),                            #添加数字标签
           font.label = list(color = "white",                 # 设置数字标签参数，颜色，大小，位置
                             size = 9, 
                             vjust = 0.5)
)

# 加载R包，没有安装请先安装  install.packages("包名") 
library(ggplot2)
library(reshape2)
# 读取累积曲线数据文件
df = read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/ecdf/demo.txt",
                row.names = 1)
df = melt(df)            # reshape2中的函数，宽数据转换为长数据
df$value = log(df$value) # 为方便观察，做log变化，以实际数据是否需要为准
ggplot(df,
         x=value,
         color=variable
  stat_ecdf( # ggplot2中的经验累积分布函数
    size=2   # 线条粗细
    )

library(ggplot2)
# 创建数据框1到100的随机数100个
random = sample(1:100, 100, replace = T)
df = data.frame(random)
seq = seq(0,100,10)             # 提前设置区间
ggplot(df,
       aes(x=df[,1],
           fill=cut(df[,1],seq) # 添加颜色，填充依据是seq
  geom_histogram(breaks=seq,    # 设置break区间
                 color="white", # 柱子的边框颜色
                 size=0.5,      # 边框大小
                 stat="bin")+
  geom_text(                    #加标签
    aes(label=gsub("^0$", "", as.character(..count..))), # 内容为统计数字并去除0
    stat="bin",
    vjust=-0.5,                 # 垂直位置
    size=4,                     # 标签大小
    breaks=seq)+                # 标签位置
  theme_classic()+
  theme(
    legend.position = "none",   # 隐藏图例
    plot.title = element_text(  # 标题居中并加粗
      face = "bold",
      hjust = 0.5)
  labs(                         # 调整坐标轴名称
    x = "x轴标题",
    y = "y轴名称",
    title = "标题名称"
  )

library(tidyverse)
library(networkD3)
# 读取连线文件和节点文件
MisLinks = read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/Network/link.csv",sep = ",")
MisNodes = read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/Network/node.csv",sep = ",")
# 处理数据
# 因为networkD3需要的连线数据，是节点文件里的名称的索引。所以，需要做一个名称到索引的转化
Node2index = list()
Node2index[MisNodes$name] = 0:length(MisNodes$name)
MisLinks = MisLinks %>%
  mutate(source2 = unlist(Node2index[source])) %>%
  mutate(target2 = unlist(Node2index[target]))
# 定义颜色
group2project = paste(unique(MisNodes$group),collapse = '","')
color2project = paste(unique(MisNodes$group_color),collapse = '","')
my_color <- paste0('d3.scaleOrdinal().domain(["',group2project,'"]).range(["',color2project,'"])')
forceNetwork(Links = MisLinks, 
             Nodes = MisNodes,
             Source = "source2", 
             Target = "target2",
             Value ="value",
             NodeID = "name",
             Group = "group", 
             opacity= 1,        # 透明度
             Nodesize="size",
             zoom = TRUE,       # 是否可以缩放
             opacityNoHover=1,  # 鼠标没有悬浮在节点上时，文字的透明度(0-1)
             colourScale = JS(my_color),   # 节点颜色，JavaScript
             legend=T, 
             fontSize = 10,
             linkColour= MisLinks$colour
             )

library(networkD3)
library(tidyverse)
# 读取连线文件和节点文件
MisLinks = read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/sankeyNetwork/link.csv",sep = ",")
MisNodes = read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/sankeyNetwork/node.csv",sep = ",")
# 处理数据
# 因为networkD3需要的连线数据，是节点文件里的名称的索引。所以，需要做一个名称到索引的转化
Node2index = list()
Node2index[MisNodes$name] = 0:length(MisNodes$name)
MisLinks = MisLinks %>%
  mutate(source2 = unlist(Node2index[source])) %>%
  mutate(target2 = unlist(Node2index[target]))
# 定义颜色
color2project = paste(unique(MisNodes$group_color),collapse = '","')
my_color <- paste0('d3.scaleOrdinal().domain(["',color2project,'"]).range(["',color2project,'"])')
sankeyNetwork(Links = MisLinks, 
              Nodes = MisNodes,
              Source = "source2", 
              Target = "target2",
              Value ="value",
              NodeID = "name",
              NodeGroup = "group_color", 
              colourScale = JS(my_color),
              fontSize = 10
)

library(ggpointdensity)
library(ggplot2)
# 读文件
df = read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/scatterDensity/demo.txt")
ggplot(df,aes(x=df[,1],
              y=df[,2])
  geom_pointdensity(adjust = 4)+                              # adjust：设置neighbors范围
  theme_bw()+ 
  scale_color_distiller(palette = "Spectral", direction = -1) # 设置连续型颜色

# 加载R包，没有安装请先安装  install.packages("包名") 
library(ggplot2)
library(ade4)   # 用于计算PcoA
library(vegan)  # 用于计算距离
# 读取PCoA数据文件
df = read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/PCoA/data.txt",# 这里读取了网络上的demo数据，将此处换成你自己电脑里的文件
                header = T,    # 指定第一行是列名
                row.names = 1  # 指定第一列是行名
df=t(df) # 对数据进行转置，如果想对基因分组则不用转置
# 读取样本分组数据文件
dfGroup = read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/demoData/PCoA/class.txt",
                     header = T,
                     row.names = 1
# PCoA计算
df.dist = vegdist(df,method='euclidean')    #基于euclidean距离
pcoa =  dudi.pco(df.dist,
                 scannf = F,   # 一种逻辑值，指示是否应该显示特征值条形图
                 nf=2)         # 保留几个维度的坐标信息
# 整理绘图所需的数据
data = pcoa$li
data$name = rownames(data)
data$group = dfGroup$Group
ggplot(data,aes(x = A1,
                y = A2,
                color = group,
                group = group,
                fill = group
  geom_point()+
  theme_classic()+
  geom_vline(xintercept = 0, color = 'gray', size = 0.4) +   # 在0处添加垂直线条
  geom_hline(yintercept = 0, color = 'gray', size = 0.4) +
  stat_ellipse(aes(x=A1,    # 添加置信区间圈
                   y=A2,
  geom = "polygon",
  level = 0.95,
  alpha=0.4)+
  geom_text(                # 添加文本标签
    aes(label=name),   
    vjust=1.5,            
    size=2,
    color = "black"
  labs(  # 更改x与y轴坐标为pcoa$eig/sum(pcoa$eig)
    x = paste0("PCoA1 (",as.character(round(pcoa$eig[1] / sum(pcoa$eig) * 100,2)),"%)"),
    y = paste0("PCoA2 (",as.character(round(pcoa$eig[2] / sum(pcoa$eig) * 100,2)),"%)")
  )

library(ggseqlogo)
df = read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/model/bioladder1/seqLogo/demoData.txt",header = F)
csl = c()
# # 自定义每个字母的颜色
# csl <- make_col_scheme(chars = c("A"), cols = c("red"))
ggseqlogo(df,
          method = "prob",   # 定义统计方式"prob"百分比；bits；“custom”
          col_scheme = csl)  # 定义颜色方案
# 其他基于ggplot2的代码也可以用，略

# 转载所需要的包
library(tidyverse)    # 用于数据处理
library(GOplot)       # 用于绘图  安装方式 devtools::install_github("wencke/wencke.github.io")
library(RColorBrewer) # 颜色
# 读取数据
dfTerm =  read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/model/bioladder1/GOplot/demoData1.txt")
dfFC =  read.delim("https://www.bioladder.cn/shiny/zyp/bioladder2/model/bioladder1/GOplot/demoData2.txt")
# 整理数据
dfClean = dfTerm %>% 
  separate_rows(Genes,sep = ",") %>%
  left_join(dfFC,by=c("Genes"="Gene"))
dfPlot = chord_dat(data.frame(dfClean),  process=unique(dfClean$Term))
GOChord(dfPlot,
        title="GOChord plot",      # 标题名称
        space = 0.02,              # 基因方格之间的空隙
        gene.order = "logFC",      #  基因的排序方式，可以按照"logFC", "alphabetical", "none",