Диаграмма Венна из списка кластеров и сопутствующих факторов

Question

У меня есть входной файл со списком ~50000 кластеров и наличием ряда факторов в каждом из них (всего ~10 миллионов записей), см. Меньший пример ниже:

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)

С небольшой помощью другого вопроса, я получил его, чтобы создать круговую диаграмму для одновременного появления таких факторов:

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

Но теперь я хотел бы иметь диаграмму Венна для одновременного появления факторов. В идеале также таким образом, чтобы можно было принять пороговое значение для минимального количества для каждого фактора. Например, диаграмма Венна для различных факторов, так что каждый из них должен присутствовать n>10 в каждом кластере, который должен быть принят во внимание.

Я пытался найти способ произвести подсчет таблиц с помощью агрегата, но не смог заставить его работать.

Answer 1

Я предоставил два решения, используя два разных пакета с возможностями диаграммы Венна. Как вы и ожидали, оба включают начальный шаг с использованием aggregate() функция.

Я склонен предпочесть результаты из venneuler пакет. Это положение меток по умолчанию не идеально, но вы можете изменить их, посмотрев на plot метод (возможно, с использованием locator() выбрать координаты).

Решение 1-е:

Одна из возможностей заключается в использовании venneuler() в venneuler пакет, чтобы нарисовать вашу диаграмму Венна.

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)

Несколько замечаний о выборе, который я сделал при написании этого кода:

• Я изменил названия факторов из "factor-a" в "a", Вы можете изменить это обратно.

• Я только требовал, чтобы каждый фактор присутствовал>=2 раза (вместо>10) для подсчета в каждом кластере. (Это должно было продемонстрировать код с этим небольшим подмножеством ваших данных.)

• Если вы посмотрите на промежуточный объект countsвы увидите, что он содержит начальный безымянный элемент. Этот элемент представляет собой количество кластеров, которые содержат менее 2 любой буквы. Вы можете решить лучше, чем я, хотите ли вы включить их в расчет последующих ps ("пропорции") объект.

Решение 2-е:

Другая возможность состоит в том, чтобы нанять vennCounts() а также vennDiagram() в пакете Биокондуктор limma, Чтобы скачать пакет, следуйте инструкциям здесь. в отличие от venneuler Решение выше, перекрытие в результирующей диаграмме не пропорционально фактической степени пересечения. Вместо этого он аннотирует диаграмму фактическими частотами. (Обратите внимание, что это решение не требует внесения изменений в data$factor колонка.)

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")