CasADi SUNDIALS接口详解：求解微分代数方程的最佳实践
2026/5/2 13:23:32
超越基础图表：用ggplot2为你的CIBERSORT免疫浸润结果打造高级可视化
免疫细胞浸润分析已成为肿瘤微环境研究的标配工具，而CIBERSORT作为最常用的反卷积算法之一，其输出结果往往以数据表格形式呈现。当研究者拿到这份包含22种免疫细胞比例数据的"CIBERSORT-Results.txt"时，如何将冰冷的数字转化为直观、美观且具有发表质量的图表，成为提升研究成果展示效果的关键环节。
传统条形图和饼图早已无法满足高水平期刊的审美需求，而R语言的ggplot2包以其强大的定制化能力，能够帮助我们从多个维度展现免疫浸润特征。本文将手把手教你如何从原始结果文件出发，通过数据清洗、图形设计、配色优化等步骤，打造令人眼前一亮的可视化作品。
1. 数据预处理：从原始结果到整洁数据框
CIBERSORT输出的结果文件通常包含样本名称、22种免疫细胞比例、P值、相关系数和RMSE等多项指标。直接使用这样的数据进行可视化会遇到诸多问题：
# 读取原始结果文件 cibersort_raw <- read.delim("CIBERSORT-Results.txt", row.names=1) # 查看数据结构 str(cibersort_raw)典型的数据整理步骤包括：
- 提取有效列：通常只需要保留22种免疫细胞的比例数据
- 转换数据格式：从宽格式变为长格式，便于ggplot2处理
- 添加分组信息：根据样本名称或额外提供的metadata添加临床分组
library(tidyr) library(dplyr) # 选择免疫细胞比例列(假设前22列为细胞类型) cell_types <- colnames(cibersort_raw)[1:22] # 转换为长格式并添加样本ID列 cibersort_long <- cibersort_raw %>% select(all_of(cell_types)) %>% mutate(Sample = rownames(.)) %>% pivot_longer(cols = -Sample, names_to = "CellType", values_to = "Proportion") # 添加分组信息示例(假设样本名中包含分组信息) cibersort_long <- cibersort_long %>% mutate(Group = case_when( grepl("Normal", Sample) ~ "Normal", grepl("Tumor", Sample) ~ "Tumor", TRUE ~ "Unknown" ))2. 基础可视化：从堆叠条形图到分组箱线图
2.1 堆叠条形图展示样本组成
堆叠条形图能直观展示每个样本中各类免疫细胞的相对比例，是呈现CIBERSORT结果最直接的方式：
library(ggplot2) ggplot(cibersort_long, aes(x = Sample, y = Proportion, fill = CellType)) + geom_bar(stat = "identity", position = "stack") + labs(x = "Sample", y = "Immune Cell Proportion", fill = "Cell Type") + theme_minimal() + theme(axis.text.x = element_text(angle = 45, hjust = 1))常见问题与优化方案：
- 样本过多导致x轴标签重叠：可考虑只标注关键样本或使用分面(facet)
- 细胞类型过多导致图例混乱：可合并稀有细胞类型或使用交互式图表
- 颜色区分度不足：使用专业配色方案(后文详细介绍)
2.2 分组箱线图比较组间差异
当需要比较不同临床组别(如肿瘤vs正常)间特定免疫细胞的差异时，箱线图是更合适的选择：
# 筛选特定细胞类型进行分析 selected_cells <- c("Macrophages M1", "Macrophages M2", "T cells CD8") cibersort_long %>% filter(CellType %in% selected_cells) %>% ggplot(aes(x = Group, y = Proportion, fill = Group)) + geom_boxplot() + facet_wrap(~CellType, scales = "free_y") + labs(x = "Group", y = "Proportion") + theme_bw()提示：对于组间比较，建议添加统计学检验结果(p值)到图表中，可使用ggpubr包的stat_compare_means()函数
3. 高级可视化技术
3.1 热图展示样本-细胞类型矩阵
热图能同时展示多个样本和细胞类型的模式，特别适合中等规模的数据集：
library(pheatmap) # 准备矩阵数据(样本×细胞类型) heatmap_data <- cibersort_raw[,1:22] %>% as.matrix() # 基本热图 pheatmap(heatmap_data, scale = "row", # 按行标准化 clustering_method = "complete", color = colorRampPalette(c("navy", "white", "firebrick3"))(100), show_rownames = TRUE, fontsize_row = 8)高级定制技巧：
- 添加样本注释：通过annotation_row参数添加临床分组信息
- 优化颜色映射：使用viridis等感知均匀的色标
- 调整聚类方法：尝试ward.D、average等不同算法获取最佳分组
3.2 相关性网络图揭示细胞类型互作
免疫细胞间存在复杂的相互作用关系，通过相关性网络可以直观展示这些关系：
library(corrplot) library(igraph) # 计算细胞类型间相关系数矩阵 cor_matrix <- cor(cibersort_raw[,1:22]) # 只保留显著相关性(示例阈值|r|>0.5) cor_matrix[abs(cor_matrix) < 0.5] <- 0 # 创建网络图 network <- graph_from_adjacency_matrix(cor_matrix, weighted = TRUE, mode = "undirected", diag = FALSE) # 设置可视化参数 V(network)$size <- 15 V(network)$label.cex <- 0.8 E(network)$width <- abs(E(network)$weight)*3 E(network)$color <- ifelse(E(network)$weight > 0, "red", "blue") # 绘制网络图 plot(network, layout = layout_with_fr)4. 图表美化与出版级优化
4.1 专业配色方案选择
免疫细胞类型众多，选择合适的配色方案至关重要。以下是几种推荐方案：
| 配色类型 | 适用场景 | R实现 |
|---|---|---|
| 离散型色板 | 区分不同细胞类型 | scale_fill_brewer(palette = "Set3") |
| 渐变双色 | 高低表达对比 | scale_fill_gradient(low = "blue", high = "red") |
| 渐变三色 | 中性值重要时 | scale_fill_gradient2(low = "blue", mid = "white", high = "red") |
| Viridis | 色盲友好/印刷安全 | scale_fill_viridis_d(option = "D") |
细胞类型特异性配色示例：
# 自定义免疫细胞配色 immune_colors <- c( "B cells" = "#1F77B4", "T cells CD4" = "#FF7F0E", "T cells CD8" = "#2CA02C", "NK cells" = "#D62728", "Monocytes" = "#9467BD", "Macrophages M1" = "#8C564B", "Macrophages M2" = "#E377C2", "Dendritic cells" = "#7F7F7F" # 其他细胞类型继续添加 ) ggplot(cibersort_long, aes(x = Sample, y = Proportion, fill = CellType)) + geom_bar(stat = "identity") + scale_fill_manual(values = immune_colors) + theme_minimal()4.2 主题与文字优化
ggplot2的主题系统允许我们对图表的所有非数据元素进行精细控制：
# 自定义主题 custom_theme <- function(base_size = 12) { theme_minimal(base_size = base_size) %+replace% theme( panel.grid.major = element_line(color = "grey90", size = 0.2), panel.grid.minor = element_blank(), axis.line = element_line(color = "black", size = 0.5), axis.text = element_text(color = "black"), axis.title = element_text(face = "bold"), legend.title = element_text(face = "bold"), plot.title = element_text(face = "bold", hjust = 0.5), plot.margin = unit(c(1,1,1,1), "cm") ) } # 应用自定义主题 ggplot(cibersort_long, aes(x = CellType, y = Proportion)) + geom_boxplot(fill = "lightblue") + labs(title = "Immune Cell Composition", x = "Immune Cell Type", y = "Proportion") + custom_theme(14) + theme(axis.text.x = element_text(angle = 45, hjust = 1))4.3 组合图表与输出设置
使用patchwork包可以轻松组合多个ggplot2图表：
library(patchwork) # 创建两个单独图表 p1 <- ggplot(filter(cibersort_long, Group %in% c("Tumor", "Normal")), aes(x = CellType, y = Proportion, fill = Group)) + geom_boxplot() + theme(axis.text.x = element_text(angle = 45, hjust = 1)) p2 <- cibersort_long %>% group_by(CellType, Group) %>% summarise(Mean = mean(Proportion)) %>% ggplot(aes(x = CellType, y = Mean, fill = Group)) + geom_bar(stat = "identity", position = "dodge") # 组合图表 (p1 | p2) + plot_annotation(title = "Immune Cell Analysis") & theme(text = element_text(size = 10))出版级图表输出建议：
# 保存为PDF(矢量图，适合投稿) ggsave("immune_profile.pdf", width = 10, height = 6, dpi = 300) # 保存为TIFF(高分辨率位图，满足期刊要求) ggsave("immune_profile.tiff", width = 180, height = 120, units = "mm", dpi = 600)在实际项目中，我通常会先探索数据分布，然后根据目标期刊的图表风格要求进行调整。例如，Nature系列期刊偏好简洁的图表风格，而某些临床期刊则接受更丰富的色彩表达。记住，好的可视化不仅要美观，更要准确传达科学发现的核心信息。