企业官网建设流程全解析

做单细胞转录组分析的人，每天打交道最多的图大概就是UMAP和热图。UMAP负责给你“讲故事”的轮廓，而热图则负责把“基因表达差异”这件事摊开了给人看。但这个热图，在单细胞数据面前往往非常“水土不服”——动不动就是上万个基因、几万个细胞，真按传统的画法糊在一张图上，基因名看不见，分组规律也出不来，最后只能截取一小块区域局部看，整体信息几乎全部丢失。

这篇是《单细胞基因可视化之热图的根本改造》系列的第二篇。上一篇聊了基础思路和简单调优，这篇我直接分享一套我目前一直在用的完整改造方案，重点解决三个问题：基因怎么筛、颜色怎么映射、细胞/聚类怎么排序，最终输出的是一张既能在组会讲清楚结论、又能直接放进论文里的“三维”热图。换句话说，这次不是换个配色、调个字体那种小打小闹，而是把热图的整个生成逻辑重新捋了一遍。

1. 改造思路：先想清楚一张热图到底要承担什么任务

1.1 传统热图在单细胞数据中为何常常失效

很多人画单细胞热图，习惯直接把表达矩阵丢给pheatmap或者ComplexHeatmap，跑完才发现几个很头疼的问题。

第一，矩阵太大了。单细胞数据动辄几千上万个基因、上万个细胞，画出来的PDF文件可能有几百兆，打开要卡半天。即便勉强渲染出来了，基因名密密麻麻叠在一起，完全无法阅读，更别说从中发现什么规律。

第二，单细胞表达矩阵极度稀疏。绝大多数基因在绝大多数细胞里压根没有表达，表达值为0的比例通常能到90%以上。如果保留0值去画热图，整个图大面积都是一个颜色的底色，真实的信息反而被淹没在“无表达”的海洋里。如果直接过滤掉0值，又等于丢掉了一个重要信息——某个基因在哪些细胞里沉默、在哪些细胞里激活，这本身就是一种规律。

第三，颜色的映射逻辑不对。传统热图对连续变量做得比较稳妥，但单细胞数据的表达值分布极度偏态，少数高表达基因的数字能到几千甚至几万，而大多数表达值集中在个位数。如果不做截断或缩放，颜色的渐变几乎会被极端值霸占，低表达的差异完全拉不开。

第四，基因没有分层。大多数热图是“一个基因一行”地平铺，但单细胞分析里，基因之间是有结构的——某些基因簇构成一个模块，共同在某个细胞亚群中激活。如果每一行都是平权摆放，这种模块结构就体现不出来，热图就退化成了一张散点大杂烩。

1.2 改造要落地的四个设计原则

我这次改造遵循了四条原则，后面所有步骤都是围绕它们展开的。

第一，空间换信息。既然所有细胞画上去看不到规律，那就换一种思路：列方向不再是“单个细胞”，而是“细胞聚类”。每个聚类先做内部基因表达均值，再画热图，整张图的横向规模一下子从几万降到十几个，信息不丢，但噪声少了很多。单个细胞的信息可以另外画一张小倍图来补充，而不是强行塞进同一张图。

第二，基因必须筛选。画热图不是把所有基因都搬上去。筛基因的核心逻辑不是“表达量高”，而是“能区分细胞/聚类状态的基因”。我习惯于用“高变基因 + 各聚类marker基因”的并集，前者保证覆盖全转录组的变异性，后者保证关键的细胞身份基因一定在场。这个组合能兼顾探索性和解释性。

第三，颜色必须受控。对表达值做行方向（基因方向）的z-score标准化，然后强制截断在 ±2.5 这个范围，再映射到颜色。这样处理之后，颜色的变化完全由“聚类间差异”驱动，而不是被某个基因在某个细胞里的绝对高表达绑架。零值和惰性值单独处理，不参与渐变映射，用灰色或特定记号标识。

第四条，也是最重要的一条：聚类排序不能随便来。细胞列的顺序、基因行的顺序，这两者的排列逻辑决定了整张图能不能“读出规律”。我自己习惯的做法是：先对矩阵做层次聚类，聚类的距离度量用correlation，聚类算法用ward.D2，然后再结合分群结果做手动微调。这样出来的顺序，既反映了数据本身的结构，又照顾到了解释的方便性。

理清楚这些原则，接下来的所有参数调整、代码细节，其实都是在为这四条原则服务。

2. 核心细节解析：基因筛选、颜色映射与零值处理

2.1 基因筛选的第一原则：高变不等于有用

很多教程教你先用Seurat::FindVariableFeatures()挑2000个高变基因，然后直接画热图。这是一个可行的起点，但单靠高变基因当热图的行，有一个非常明显的问题。

高变基因反映的是“在细胞间表达变异大”，但它既包括真实的细胞类型差异，也包括那些随机噪声大、或者只在少数细胞内非特异波动的基因。换句话说，高变基因集合里常常混杂着不少“和分群结果无关”的基因。画到热图里，这些基因的条纹一团乱，会严重干扰看图视线，把真正关键的分类基因的条纹湮没掉。

我的做法是高变基因和marker基因联合，分两步。

第一步，用FindVariableFeatures取特征基因，通常取3000个。

第二步，用各个聚类群的marker基因来“补充”。具体说，跑完FindAllMarkers之后，对每个cluster取avg_log2FC最高的前20~30个基因，所有cluster的marker取并集。然后和3000个高变基因再取并集。

这里有一个细节：marker基因中如果有表达量极低、只在零星几个细胞里有信号的基因，建议过滤掉。判断标准可以看pct.1，如果一个marker在目标cluster里也只有不到10%的细胞表达，那它作为marker的可靠性就要打问号了，画出来也多半是一坨淡色块，看着热闹实则没有信息量。

如果样本分组复杂、一次要画几组对照，也可以进一步对基因数量做约束。我自己一般控制在120~200个基因之间。太少了缺少全局感，太多了图又回到拥挤状态。值得一提的是，这个数量跟聚类数有关系，10个聚类和5个聚类，marker并集的大小差异是很大的，所以这个数量不是死数，是一个经验区间。

2.2 颜色映射的数学细节：为什么要做z-score截断

热图的颜色本质上是一个从数值到色标的映射函数。如果不做标准化，表达量数值范围是0到几千甚至上万，映射函数只能把大部分区间分配给高表达的少数基因，低表达区间的颜色过渡极其粗糙。

标准做法是行方向z-score。

对每个基因（每行）计算所有细胞（或者所有聚类）表达值的均值和标准差，然后(x - mean) / sd。这样每行基因的均值是0，标准差是1，颜色渐变就可以以0为中间点向两边展开。

但z-score之后还有一个坑：个别基因的z-score可能达到5甚至10以上。如果不做截断，这些极端值仍会霸占色标两端，低到中等差异的基因还是看不出颜色差异。所以必须做截断，我一般用 ±2.5，极端的情况用 ±3。截断后再映射颜色，大部分基因的色差才能拉开。

颜色渐变的方向上，我习惯用“蓝-白-红”不连续映射函数（相当于RColorBrewer的RdBu反向）。下调用蓝色，上调用红色，零差异是白色。这样一张图扫过去，上调基因和下调基因一眼就能分清。如果你喜欢viridis那种连续色阶，也可以，但从生物学阅读习惯来说，“红上调、蓝下调”是最自然的认知习惯。

需要注意，颜色映射这件事必须分清楚“展示型”和“分析型”。分析阶段可以用viridis等连续色阶看趋势；最终汇报或文章里，原则上选择分档明确、色觉友好、打印出来也清晰的方案，不要选那些需要在屏幕上反光才能看清的颜色。

2.3 零表达值的处理：既是噪声，也是信息

单细胞数据零表达比例高，这是一个绕不开的问题。传统的连续色阶会把0值映射为蓝色或某种冷色调，然后真正低表达、中等表达的细胞也都挤在类似冷色调区域，导致整张图的下半部分全是颜色污染。

我的处理策略是：将基因表达层和“是否检测到”信息拆成两层来看。

在做聚类水平热图的时候，这个问题的严重性会小很多，因为求均值之后，一个聚类只要有部分细胞表达了某基因，平均表达值就会大于0。但如果画单细胞水平的热图，零值占比大，就必须考虑掩码方案。

我的做法是额外构建一个布尔矩阵——表达量等于0的位置标记为NA，非0的位置保留原值。然后在Heatmap函数里设置na_col参数为浅灰色或白色，这样零表达区域就不会参与颜色映射，而是以独立的背景色呈现。这种处理的直接效果是：基因如果有表达，标的颜色是有意义的；没表达的区域则清清楚楚地告诉你“这个基因在这里没启动”，而不是假装是一个很低的连续值。

这层处理还有一个进阶用法。在最终展示的图中，我会在热图主体之外，额外交代一个“百分表达率”图，按聚类展示每个基因在有表达细胞中的阳性比例。把这个信息放到主热图的右侧或者下方，读者能同时看到“表达有多强”和“有多少细胞在表达”两个维度，也就是我标题里说的“三个视角的热图”——强度、广度、差异方向。

3. 实操过程与核心环节实现：从Seurat对象到一张可发表的图

3.1 数据准备：矩阵、基因筛选、聚类因子

所有的可视化改造都离不开一个结构清晰、经过质控的Seurat对象。假设你已经有了一个seu对象，已经跑过NormalizeData、FindVariableFeatures、ScaleData、RunPCA、RunUMAP、FindClusters。

第一步是提取表达矩阵。这里有一个容易被忽略的细节：如果你已经执行过ScaleData，那么GetAssayData提取到的数据已经是scale后的数据。画热图时我通常重新提取原始归一化数据，自己做后续处理，因为ScaleData对全部基因强制定中心化，而且数值会被scale.max截断，再用来做热图的z-score会失真。

# 原始归一化矩阵，行是基因，列是细胞 expr_mat <- GetAssayData(seu, assay = "RNA", layer = "data") expr_mat <- as.matrix(expr_mat)

第二步筛选基因：

set.seed(42) hvgs <- VariableFeatures(seu, nfeatures = 3000) markers <- FindAllMarkers(seu, only.pos = TRUE, min.pct = 0.25, logfc.threshold = 0.5) top_markers <- markers %>% group_by(cluster) %>% top_n(25, wt = avg_log2FC) %>% pull(gene) %>% unique() genes_use <- unique(c(hvgs, top_markers)) genes_use <- intersect(genes_use, rownames(expr_mat))

这里set.seed很重要，因为有些步骤会涉及随机抽样，设置种子可以保证结果可复现。

第三步，把细胞按照聚类信息准备好：

cell_info <- data.frame( cell = colnames(seu), cluster = as.character(Idents(seu)), stringsAsFactors = FALSE )

3.2 构建聚类均值矩阵：大规模单细胞热图的关键压缩

这是整个改造最核心的一步。全细胞热图如果你坚持要画，也不是不行，但那是一张“细节图”，需要在几十万像素的大画布上慢慢看。大多数场景下，我们要的是“规律图”——聚类与基因之间的关联。

先做聚类均值矩阵：

cluster_level <- lapply(unique(cell_info$cluster), function(cl) { cells_in <- cell_info$cell[cell_info$cluster == cl] Matrix::rowMeans(expr_mat[genes_use, cells_in, drop = FALSE]) }) cluster_mat <- do.call(cbind, cluster_level) colnames(cluster_mat) <- unique(cell_info$cluster)

这个矩阵的行是筛选出来的基因，列是聚类。每个数值是某个聚类中某个基因的平均表达量。

然后做行方向的z-score：

scale_rows <- function(x) { rm <- rowMeans(x) rs <- apply(x, 1, sd) rs[rs == 0] <- 1 (x - rm) / rs } mat_scaled <- scale_rows(cluster_mat) mat_scaled[mat_scaled > 2.5] <- 2.5 mat_scaled[mat_scaled < -2.5] <- -2.5

这个步骤里面有一个极其重要的细节：sd为0的基因必须把分母换成1，否则会出现NaN。这些基因通常是那些在样本中表达恒定、或完全不表达的基因，如果不处理，后面聚类会直接报错或者断层。

3.3 三层面的排序与注释：让热图可解释的关键一步

热图的列（聚类）顺序，我不建议直接用自动聚类的输出。而是先跑一个层次聚类，再根据聚类数和分群做调整。

hc_col <- hclust(dist(t(mat_scaled)), method = "ward.D2") col_order <- hc_col$order

这里用t(mat_scaled)做列聚类，是因为我们要对聚类（列）之间的距离做衡量。距离度量默认是欧氏距离，实际效果还可以，但如果你希望更稳健一点，可以换成as.dist(1 - cor(mat_scaled))来做相关性距离。两种我都试过，correlation距离的聚类结果更稳定，不容易被单个基因的噪声影响；欧氏距离对表达尺度更敏感，有时候会把表达丰度相近而模式不同的聚类强硬归到一起。

行（基因）的排序同样重要。按层次聚类结果排序后，可以手动再把几个关键的“明星基因”调整到显眼位置，必要时用row_split把基因按模块分隔开。这个分隔动作在ComplexHeatmap里很简单，在语义上却很重要——它把“基因模块”的概念实体化了，读者能直接看到一条一条的功能模块竖切信号。

注释信息我一般加三层：顶部放聚类标签，左侧放基因类别注释（marker基因、高变基因等），右侧放每个基因在每个聚类中的“表达率”。

top_anno <- HeatmapAnnotation( cluster = colnames(mat_scaled), col = list(cluster = cluster_colors), annotation_height = unit(6, "mm") )

注意，聚类颜色必须和UMAP图中用的颜色保持一致。这是组会和三方沟通时最容易被质问的问题：为什么热图的聚类颜色和UMAP对应不上？这个很讨厌，务必一开始就统一。

3.4 主热图、表达率副图、富集条目的三联拼装

这是我做这个热图改造之后形成的一个固定套路。我把它叫做“三联拼装”，实际使用的ComplexHeatmap用户可以理解成多个Heatmap对象拼在同一个画布上。

第一联：主热图，就是上面生成的聚类均值z-score热图。

第二联：表达率热图。同样的基因和聚类组合，数值换成该聚类中表达该基因的细胞百分比。注意这里的数值范围是0到1，不需要再走z-score，直接用连续色阶（比如白到深紫，或白到深绿）就行。

pct_mat <- lapply(unique(cell_info$cluster), function(cl) { cells_in <- cell_info$cell[cell_info$cluster == cl] expr_sub <- expr_mat[genes_use, cells_in, drop = FALSE] rowMeans(expr_sub > 0) }) pct_mat <- do.call(cbind, pct_mat) colnames(pct_mat) <- colnames(mat_scaled)

第三联：富集条目面板。对每一行的基因，在其所属的模块里标注对应的富集条目（比如GO term或KEGG通路），或者至少把marker基因的来源标注出来。这一联可以用文本注释或板块色块实现。实际做法是：根据基因模块的划分结果，把模块对应的富集条目写在右侧，如果一个模块有多条注释，就选最显著的2~3条。

拼装代码大致长这样：

ht_list <- Heatmap( mat_scaled, name = "z-score", col = col_fun, cluster_rows = hc_row, cluster_columns = hc_col, show_row_names = TRUE, row_names_gp = gpar(fontsize = 6), top_annotation = top_anno, column_split = col_split_factor, border = TRUE ) + Heatmap( as.matrix(pct_mat), name = "pct", col = c("white", "darkgreen"), cluster_rows = FALSE, cluster_columns = FALSE, show_row_names = FALSE, width = unit(2, "cm"), border = TRUE ) + rowAnnotation( module = module_anno, col = list(module = module_colors), width = unit(2, "cm") )

画完以后别忘了出矢量图：

pdf("heatmap_three_dimension.pdf", width = 12, height = 10) draw(ht_list) dev.off()

这套流程跑通后，从数据处理到出图基本稳定在15分钟以内，而且图的信息量非常大，组会上放出来，别人通常第一反应是“这个数据结构很清楚”。

4. 常见问题与排查技巧实录

4.1 z-score之后出现NaN或者整行全空

这是最常踩的坑。原因基本都出在sd = 0的基因上。这类基因通常是“在所有聚类中表达量完全一样”的基因，它们对可视化没有任何贡献，直接删掉就好。我的经验是：在取交集之后顺便加一步filter，把标准差为0的基因剔除掉，避免后面所有步骤连环报错。

4.2 聚类顺序每次跑都不一样

层次聚类的顺序有时候会因为平局处理、数据微小变化导致分支顺序变化。如果希望结果稳定，一个是在聚类前固定随机种子；另一个是保存一次聚类结果，后续直接复用hc_col$order和hc_row$order，不要每次重新跑。我在项目里一般都会把hc_col、hc_row这两个对象保存成RDS，方便调试阶段反复出图而不改变版面结构。

4.3 颜色映射被几个高表达基因绑架

如果某几个基因的表达量特别高，其他基因全部挤在色标的一端，基本可以判断是没有做z-score截断。把mat_scaled[mat_scaled > 2.5] <- 2.5这步加上去就好了。如果做完截断后还是偏，看看是不是行列方向搞反了——z-score必须是按行（基因）做，不能按列做。

4.4 想做单细胞水平大图但矩阵太稀疏、太卡

如果真的需要看单个细胞级别的热图，我的建议是换一个作图思路：不要用完整的热图库去渲染几万乘几万的矩阵，而是先做降采样，从一个聚类中随机抽50~100个细胞，控制总量在一万以内再画。否则就算出图了，文件巨大，AI或者PDF软件打开都费劲，细节也完全看不清。展示单细胞水平的 “原始样貌” 和展示聚类水平的 “规律模式”，这两件事分开来处理，是最省心的分工。

4.5 富集条目不匹配或者注释位置跑偏

富集条目的位置偏移大多数是因为行数不匹配。因为做了基因筛选和去重，基因数量和富集分析输入的背景基因数量经常对不上。我的解决方法是：所有注释信息在筛选之后统一重新排列，用match()对齐基因名，而不是直接相信cbind之后的天然顺序。这一点在做rowAnnotation时特别容易出问题，建议养成用match(genes_use, rownames(expr_mat))保底的习惯。

4.6 聚类数量和颜色映射不匹配导致美术灾难

有些聚类数一多，默认配色就会非常相近，打印出来几乎无法区分。建议提前备好一套超过20种颜色的自定义色板，按顺序取。同时，把列注释中的聚类标签和UMAP中的标签颜色严格绑定，不同图之间保持一致，这一点在投稿时会被审稿人看得非常仔细。

5. 从“能看”到“能讲”：目前我在用的完整流程清单

最后把整套流程再串一遍，方便你直接对着做。这套流程我目前已经用在了两个单细胞项目里，稳定性和解释力都经住了组会和外部合作的检验。

第一步，确定分析目标。是展示细胞类型之间的差异，还是展示某个处理条件引起的变化。目标不同，基因筛选的侧重会不一样，前者偏重marker基因，后者可能更适合差异表达基因。

第二步，整理数据对象。确认Seurat对象的聚类、注释信息是否准确，这一步需要结合UMAP、marker列表、先验知识综合判断。聚类注释错误，后面画得再漂亮也是错的。

第三步，筛选基因。FindVariableFeatures取3000个，叠加各个聚类的top marker基因，对标准差为0的基因做剔除。

第四步，构建聚类均值矩阵并z-score处理。记住截断 ±2.5，这是核心。

第五步，聚类和排序。列用相关性距离加ward.D2，行用同样的方式聚类，再根据基因模块做切分和手动调整。

第六步，组装注释和副图。列注释放聚类标签和样本来源，行注释放基因模块，副图放表达率热图，最后用富集条目收尾。

第七步，导图输出。先出PDF或SVG矢量图，再根据目标期刊或汇报屏幕的需求转成300dpi以上的PNG。

第八步，反馈迭代。把图发给合作者看，收集“这块看不懂”“这个颜色什么意思”之类的反馈，回到第三步调整基因列表或注释方式。

坦白说，热图可视化这个事，真正难的不是运行代码，而是清楚自己想展示什么信息。单细胞数据的信息密度太高，一张图不可能塞下所有内容。改造的本质，就是有选择地舍弃一部分信息，突出另一部分信息。我踩了很多坑之后最大的体会是，一张好的单细胞热图，并不是把所有数据都画出来，而是让看的人只需要三秒钟就能读出你要讲的结论——哪个基因在哪个细胞类群中特异表达、趋势是什么、可信度如何。能做到这一步，这张图就算是改造成功了。