### 火山图绘制代码示例 #### 使用 Python Matplotlib 和 Seaborn 库绘制火山图 为了更好地展示基因表达差异分析的结果，火山图是一种常用的数据可视化工具。这种图形能够直观地显示大量数据点之间的显著性和变化幅度。 ```python import numpy as np import pandas as pd import seaborn as sns import matplotlib.pyplot as plt # 创建模拟数据集 np.random.seed(0) data = { 'logFC': np.random.randn(100), # 对数倍数变化 (Log Fold Change) 'pvalue': np.random.uniform(low=1e-8, high=1, size=(100,)) } df = pd.DataFrame(data) # 调整 p 值为负对数值 (-log10(p)) df['neg_log_p'] = -np.log10(df['pvalue']) plt.figure(figsize=(10, 6)) # 设置颜色映射 colors = ['blue' if abs(x) < 2 or y < -np.log10(0.05) else 'red' for x, y in zip(df['logFC'], df['neg_log_p'])] # 绘制散点图 sns.scatterplot( data=df, x='logFC', y='neg_log_p', hue=[abs(x) >= 2 and y >= -np.log10(0.05) for x, y in zip(df['logFC'], df['neg_log_p'])], palette=['blue', 'red'], legend=False ) # 添加轴标签和标题 plt.xlabel('Log Fold Change') plt.ylabel('-Log10(P-value)') plt.title('Volcano Plot') # 显示图表 plt.show() ``` 此段代码首先导入必要的库并生成一些随机测试数据来代表基因表达的变化情况及其统计学意义。接着计算 P 值对应的-log₁₀转换值以便于在 Y 轴上表示，并定义了一个简单的逻辑用来区分哪些点应该被标记出来作为显著性的改变（红色）。最后利用 `seaborn` 的 `scatterplot()` 函数完成实际的作图工作[^1]。 对于那些更倾向于使用 R 语言的人来说，在 ggplot2 中实现类似的火山图也非常简单： #### 使用 R ggplot2 库绘制火山图 ```r library(ggplot2) set.seed(0) n <- 100 volcano_data <- data.frame( logFC = rnorm(n), pvalue = runif(n, min = 1e-8, max = 1) ) # 计算-log10(p value) volcano_data$neg_log_p <- -log(volcano_data$pvalue, base = 10) ggplot(volcano_data, aes(x = logFC, y = neg_log_p)) + geom_point(aes(color = ifelse(abs(logFC) > 2 & neg_log_p > -log10(0.05), "Significant", "Not Significant"))) + scale_color_manual(values = c("Significant" = "red", "Not Significant" = "blue")) + labs(title = "Volcano Plot", subtitle = paste("Total Genes:", nrow(volcano_data)), caption = "Data simulated using random numbers.", color = "") + theme_minimal() + theme(plot.title = element_text(hjust = 0.5)) ``` 这段 R 代码同样构建了一组虚拟数据集，并通过 `-log10(p)` 来增强视觉效果。这里采用了条件判断语句给不同的点分配不同颜色，从而突出显示出具有统计显著性的区域。最终调用了 `geom_point()` 方法来进行绘图操作，并设置了自定义的颜色方案以及美化后的主题样式[^2]。