1.彩色标签条形图

条形图，展示分析结果直观明了，绘制方法非常简单，在科研数据的展示中占有非常重要的地位，差不多每篇学术论文都可以看到它。可是，条形图看似简单，但有些条形图的绘制还是有一点难度的，比如下图这样的。

我们可发现上图最大特点（也是绘制难点）是“两级”刻度标签的添加，并且使坐标轴（Y轴）刻度标签的颜色是与“条形”的颜色是完全一致的，这里其实涉及到数字“0”和空值的妙用。关于这类图表的绘制，比如气泡图，箱型图，小提琴图等，其实利用ggplot2包的一个小小的“Bug”就可以完美实现。

#读入数据；
dt1<-read.table("koenrich.xls",sep = "\t",header = T)
#指定纵轴标签顺序,按照输入文件的顺序排序，否则默认按照首字母顺序,同时逆序绘制，保持与表格顺序一致；
dt1$KEGG_A_Class<-factor(dt1$KEGG_A_Class,
                         levels = rev(unique(dt1$KEGG_A_Class)),
                         ordered = TRUE)
dt1$KEGG_B_Class<-factor(dt1$KEGG_B_Class,
                         levels = rev(unique(dt1$KEGG_B_Class)),
                         ordered = TRUE)
# 加载ggplot2包；
library(ggplot2)
#建立数据(Genes.Number, KEGG_B_Class)与图形（点）的映射关系；
p1<-ggplot(dt1, aes(x=Genes_Number,
                    y=KEGG_B_Class,
                    fill=KEGG_A_Class,na.rm = FALSE))+
  geom_bar(stat="identity",na.rm = FALSE)+
 geom_text(aes(x=Genes_Number,y=KEGG_B_Class,label=label),size=2.5,hjust="left",nudge_x=0.1)+
  scale_x_continuous(limits = c(0, 25),expand=expansion(mult = c(0, .1)))+
  labs(x="Number of Gene",y="",title="KEGG pathway anotation")
p1

#获取颜色；
g <- ggplot_build(p1)
mycol<-g$data[[1]]["fill"]
col<-rev(mycol[,1])
#将A Class对应的颜色设为深黑色；
num <- rev(dt1$Genes_Number)
index <- which(num==0)
col[index] <- "grey10"

#自定义图表主题，对图表做精细调整；
top.mar=0.2
right.mar=0.2
bottom.mar=0.2
left.mar=0.2
mytheme1<-theme(plot.title = element_text(size = rel(1),hjust = 0.5,face = "bold"),
                          axis.title = element_text(size = rel(1)),
                          axis.text.y = element_text(size=rel(0.85),
                                                     colour =col,face = "bold"),
                          legend.position = "none",
                          plot.margin=unit(x=c(top.mar,right.mar,
                                               bottom.mar,left.mar),
                                           units="inches"))
#查看绘图效果；
p1+mytheme1

2.发散PCA散点图

PCA (Principal Component Analysis) 散点图，是科研文章中常见的一类散点图。下面就以PCA散点图为例，为大家介绍如何使用ggplot2绘制好看的散点图。

#读入数据；
dt <- read.csv("PCA_data.csv")
#载入ggplot2绘图包；
library(ggplot2)
library(ggh4x)

#绘制实心散点图；
p1 <- ggplot(dt,aes(x=PC1,y=PC2,fill=Diagnosis))+
  stat_centroid(aes(xend = PC1, yend = PC2, colour = Diagnosis),
                geom = "segment", crop_other = F,
                alpha=0.3,size = 1,show.legend = F)+
  geom_point(size=3,alpha=0.7,
             color="white",shape = 21,show.legend = T)+
  scale_color_manual(name="",
                     values = c("#FF9999","#c77cff"))+
  scale_fill_manual(name="",
                     values = c("#FF9999","#c77cff"))+
  scale_x_continuous(expand=expansion(add = c(0.7,0.7)),
                     limits=c(-10,5))+
  scale_y_continuous(expand=expansion(add = c(0.5,0.5)),
                     limits=c(-7.5,5))+
  guides(x = "axis_truncated",y = "axis_truncated")

p1

3.漂亮的玫瑰图

条形图（或柱状图）是科研文章中比较常见的数据展示方式。除了墨守常规的样式，其实你也可以试试南丁格尔玫瑰图，特别是当你的数据具有周期性的时候，比如四季变化、昼夜节律等，非常适合。

#读入数据；
dt <- read.csv("test_data.csv")
#实用month.abb[]将月份转换为英文缩写；
dt$Month <- month.abb[dt$Month]
#载入相关的R包；
library(dplyr)
library(ggplot2)
#转成tibble格式；
df <- as_tibble(dt)
#将月份转换成因子，固定顺序；
df$Month <- factor(df$Month,levels = unique(df$Month),ordered = T)
#将季度数值转成字符；
df$Quarter <- as.character(df$Quarter)

#提取作图数据；
df1 <- filter(df,Group=="Day")
#自定义颜色；
subcol<-rainbow(12)
mycol1<-colorRampPalette(subcol[1:4])(12)
mycol2<-colorRampPalette(c("#A5CC26","yellow","orange","tomato"))(12)

#绘制相互叠合的玫瑰图；
p1 <- ggplot(df1,aes(x = Month, y=Length,fill=Month))+
  geom_col(width = 1.2,color=NA,alpha=1)+
  geom_text(aes(label = Length),nudge_y=-2,
            colour="white",size=3)+
  ylim(-1.2,17)+
  scale_fill_manual(values = mycol1)+
  coord_polar(start = 0)+
  theme_void()
p1

4.富集分析圈图

OmicShare的GO、KEGG富集分析工具非常强大，只需上传目的基因文件，即可进行常见物种的GO、KEGG富集分析。分析结果中，直接包含数据可视化结果，比如柱状图、圈图、网络图等。

工具链接：

https://www.omicshare.com/tools/Home/Soft/gogseasenior

https://www.omicshare.com/tools/Home/Soft/pathwaygseasenior

5.相关性网络热图

网络热图，应用于多组学关联分析，可展示组学内（热图）和组学间（网络图）的相关性结果。其中，组学内相关性热图，用于展示每两个元素（环境因子、代谢物、性状等）之间相关系数；组学间相关性网络图，可展示16S-OTU、宏基因组-物种、基因等丰度信息与相关性数据文件每个元素之间的相关性。

工具链接：

https://www.omicshare.com/tools

6.漂亮的桑基图

桑基图（SanKey Plot）非常适合展示数据的流动变化，输入关联分析数据或其他数据绘制桑基图，查看数据的流向，或展示数据间的关联。

工具链接：

https://www.omicshare.com/tools/home/report/report_sankey.html

7.多组差异散点图

多组差异散点图，以组间差异倍数的对数值log2FC为纵坐标，以比较组的名称为横坐标，可一次性展示多个比较组的差异基因。一般而言，对于传统的火山图，一张图一次只能展示一个比较组的差异基因，而多组差异散点图可视作多组“火山图”，可一次性展示多个比较组的差异基因。

工具链接：

https://www.omicshare.com/tools/home/report/report_diff_scatter_chart.html

8.自定义标签热图

热图，主要使用渐变颜色来展现数据在不同样本中的变化规律，工具除了支持为热图添加分组注释条，也可以指定展示特定的文字标签，即使绘制上百个基因的热图，基因标签也不会重叠在一起。

工具链接：

https://www.omicshare.com/tools/Home/Soft/heatmap

9.动态交互韦恩图

韦恩图（Venn diagram）用于展示不同数据集之间的交集情况，在韦恩图中一般以椭圆、正圆等图形代表不同的数据集，以图形之间的重叠区域代表数据集之间的交集情况。下面为大家推荐一个强大的韦恩图在线工具，可以轻松完成多分组韦恩图的绘制。

工具链接：

https://www.omicshare.com/tools/home/report/reportvenn.html

该工具支持通过“筛选后”的元素数据文件或“筛选前”的丰度数据文件绘制韦恩图，并支持查看和提取子集部分的元素信息。

10.环状网络图

环状网络绘制方法其实比较简单，除了使用Cytoscape软件，使用ggraph包可实现网络图的绘制。

#载入所需的绘图包；
library(ggraph)
library(tidygraph)
library(igraph)
library(ggplot2)
#读入边文件和节点信息文件；
net <- read.csv("edge_data.csv")
info <- read.csv("node_info.csv")
#预览数据；
head(net)
head(info)

#创建网络图对象；
g <- tbl_graph(nodes = info,edges = net,directed = F)
#计算网络图的degree属性；
V(g)$degree <- degree(g)
#自定义颜色；
mycol <- c("#FF8901","#00C5FF","#FF5485")

#绘制环状网络图(曲线连线)；
p1 <- ggraph(g, layout = 'linear',circular = TRUE)+
  geom_edge_arc(colour="grey50",width=1,alpha=0.3)+
  geom_node_point(aes(color=class),size=6,alpha=0.8)+
  scale_colour_manual(values = mycol)+
  geom_node_text(aes(x = 1.05 * x,y = 1.05 * y,
                     angle = -((-node_angle(x, y) + 90) %% 180) + 90,
                     label=name),
                 nudge_y = 0,
                 hjust = 'outward',
                 repel = F,
                 size=2.5)+
  coord_fixed(clip = "off")+
  theme_graph()
p1

11.星号标记热图

一般在绘制常规的相关性热图后，根据pvalue数值继续在热图上添加显著性标记（星号），如下图。

12.正负号标记热图

除了在热图上添加显著性标记，我们也可以使用“正负号”标记正相关和负相关，如下图，或者仅显示某一范围的相关性系数值。

13.环形热图

环状热图可与环形聚类树结合使用，看起来很整洁美观，特别适合展示不同分组基因的表达数据。

14.网络韦恩图

网络韦恩图，用以展示不同分组之间共有或特有的基因，特别是当分组元素数量较少时，数据展示效果更加直观。

15.好看的火山图

火山图（Volcano plot）是一种比较“远古”的一种散点图，广泛应用于转录组、蛋白组等组间差异分析结果的展示。图表的横轴一般展示差异倍数的变化，而纵轴表示差异分析结果的可靠性。

我这里对传统的火山图做了进一步的优化，比如通过调整点的大小突出展示感兴趣基因对应的点，并将感兴趣基因的名称以标签的方式展示出来。那么，如何绘制这般个性又好看的火山图呢？我这里主要用到的还是最常见的ggplot2包。

16. t-SNE散点图

在单细胞转录组数据分析中，t-SNE散点图是展示细胞亚群图谱的重要手段，而Seurat的标准绘图效果并不能做更多调整，不过我们可以提取数据使用ggplot2重新绘制！

17.双坐标轴图表

转录组测序后，往往需要用qPCR结果去验证，我们常常需要绘制双坐标轴图表进行比较，如下图，左侧的坐标轴对应Q-PCR的结果（柱状图），右侧的坐标轴对应RNA-seq的测序结果（折线图）。

18.上下对称组合图

上下对称图表适合展示两组量纲不同却具有一定相关性的数据，如下图。图表的下部分表示一段时间内的降雨量（mm）变化，而上部分则表示相应时段对应的蒸发量（m3/s）。