来自集群和共现因素列表的维恩图

Question

我有一个输入文件，其中包含约 50000 个集群的列表，并且每个集群中都存在许多因素（总共约 1000 万个条目），请参见下面的较小示例：

set.seed(1)
x = paste("cluster-",sample(c(1:100),500,replace=TRUE),sep="")
y = c(
  paste("factor-",sample(c(letters[1:3]),300, replace=TRUE),sep=""),
  paste("factor-",sample(c(letters[1]),100, replace=TRUE),sep=""),
  paste("factor-",sample(c(letters[2]),50, replace=TRUE),sep=""),
  paste("factor-",sample(c(letters[3]),50, replace=TRUE),sep="")
)
data = data.frame(cluster=x,factor=y)

在另一个问题的帮助下，我得到了一个饼图，用于同时出现这样的因素：

counts = with(data, table(tapply(factor, cluster, function(x) paste(as.character(sort(unique(x))), collapse='+'))))
pie(counts[counts>1])

但是现在我想要一个维恩图来表示因素的共现。理想情况下，也可以采用每个因素的最小计数阈值的方式。例如，不同因素的维恩图，这样每个因素都必须在每个集群中出现 n>10 才能被考虑在内。

我试图找到一种方法来使用聚合生成表计数，但无法使其工作。

Answer 1

我提供了两个解决方案，使用两个具有维恩图功能的不同包。如您所料，两者都涉及使用aggregate() 函数的初始步骤。

我更喜欢 venneuler 包中的结果。它的默认标签位置并不理想，但您可以通过查看关联的plot 方法来调整它们（可能使用locator() 来选择坐标）。

解决方法一：

一种可能性是使用venneuler 包中的venneuler() 来绘制你的维恩图。

library(venneuler)

## Modify the "factor" column, by renaming it and converting
## it to a character vector.
levels(data$factor) <- c("a", "b", "c")
data$factor <- as.character(data$factor)

## FUN is an anonymous function that determines which letters are present
## 2 or more times in the cluster and then pastes them together into 
## strings of a form that venneuler() expects.
##
inter <- aggregate(factor ~ cluster, data=data,
                   FUN = function(X) {
                       tab <- table(X)
                       names <- names(tab[tab>=2])
                       paste(sort(names), collapse="&")
                   })            
## Count how many clusters contain each combination of letters
counts <- table(inter$factor)
counts <- counts[names(counts)!=""]  # To remove groups with <2 of any letter
#  a   a&b a&b&c   a&c     b   b&c     c 
# 19    13    12    14    13     9    12 

## Convert to proportions for venneuler()
ps <- counts/sum(counts)

## Calculate the Venn diagram
vd <- venneuler(c(a=ps[["a"]], b = ps[["b"]], c = ps[["c"]],
                  "a&b" = ps[["a&b"]],
                  "a&c" = ps[["a&c"]],
                  "b&c" = ps[["b&c"]],
                  "a&b&c" = ps[["a&b&c"]]))
## Plot it!
plot(vd)

关于我在编写此代码时所做的选择的几点说明：

• 我已将因子名称从 "factor-a" 更改为 "a"。你显然可以把它改回来。

• 我只要求在每个集群中计算每个因素 >=2 次（而不是 >10）。 （那是用你的这个小数据子集来演示代码。）

• 如果您查看中间对象counts，您会发现它包含一个初始的未命名元素。该元素是包含少于 2 个任何字母的簇的数量。您可以比我更好地决定是否要将它们包含在后续 ps ('proportions') 对象的计算中。

解决方案二：

另一种可能性是在 Bioconductor 包limma 中使用vennCounts() 和vennDiagram()。要下载包，follow the instructions here. 与上面的venneuler 解决方案不同，结果图中的重叠与实际相交程度不成比例。相反，它用实际频率注释图表。 （请注意，此解决方案不涉及对data$factor 列的任何编辑。）

library(limma)

out <- aggregate(factor ~ cluster, data=data, FUN=table)
out <- cbind(out[1], data.frame(out[2][[1]]))

counts <- vennCounts(out[, -1] >= 2)
vennDiagram(counts, names = c("Factor A", "Factor B", "Factor C"),
            cex = 1, counts.col = "red")