我們知道，用GSEA的java軟件分析的結果之后，默認的圖是png，而且只有72 dpi，比如下面這樣的
其實顏值也還好，但是很模糊，這是很不方便用于發文章的，那么有沒有一些二次作圖的方法呢？
答案是肯定的，不僅有，而且還有很多方法，不知道你們有沒有發現本地文件夾里其實還有一個edb文件夾，而這個文件夾只有三個文件，一個rnk，一個gmt，另外就是results.edb，實際上所有的圖片信息都在results.edb里，在這里展示一些我收集的二次繪圖辦法。
Rtoolbox二次繪圖
Rtoolbox這個包目前只能在Github上安裝，里面也只有兩個函數replotGSEA()和OverviewPlot()，由于Github經常訪問不了，所以可以導入到Gitee上了，安裝起來也很簡單。
remotes::install_git('https://gitee.com/swcyo/Rtoolbox')
而關于這個包的replotGSEA()的函數使用也很簡單
replotGSEA(path, gene.set, class.name, metric.range, enrichment.score.range)
比如我的本地結果都在~/my_analysis.GseaPreranked.1664378586466 這個文件夾里，里面有很多結果，我們只需要提取相應的通路名稱，設置一些簡單的函數就可以出一個pdf的圖了，比如我要提取PPAR通路的結果，只需要一個函數即可
library(Rtoolbox) ##加載R包
replotGSEA(path = '~/my_analysis.GseaPreranked.1664378586466', ##設置本地文件夾路徑
gene.set = "KEGG_PPAR_SIGNALING_PATHWAY%HSA03320", ## 提取PPAR通路
class.name = "PPAR_SIGNALING_PATHWAY", ##定義圖中間的名稱
## enrichment.score.range= c(-1, 1) ###設置富集分數范圍，一般默認即可
)
這時候會再彈出一個R的窗口（Mac系統可能提示要安裝Quartz），這時候會顯示一個圖，顯示了一個比自帶更好看的圖，還能顯示p、FDR和NES的值，我們適當的拉伸圖片的長寬，然后點Save可以保存為pdf，之后再自己編輯結果，見下圖所示。與原始圖比較簡直就是天壤之別吧。
然而，這個方案有兩個缺陷
- 不能在一張圖片上設置多條通路
- 不能使用代碼自由保存圖片格式和大小
gseaplot_modified函數二次繪圖
使用這個函數其實純屬于不講武德的方法，完完全全就是調用Rtoolbox這個包的replotGSEA()繪圖，唯一的區別就是這個函數不需要安裝Rtoolbox這個包，而是直接定義函數，要說區別吧，我仔細對比了一些源代碼R/ReplotGSEA.R，也就是在圖片的設置上有非常非常非常細微的差距而已。。。
因為兩個函數沒有本質差異，所以我也就不放結果了，需要的還不如直接復制R/ReplotGSEA.R這個鏈接里的函數，這沒有什么好說的了。。。
基于ggplot2的繪圖
這個教程來自于GSEA自定義做圖 - 簡書 (jianshu.com)，當然最好看的肯定是使用clusterProfiler計算好的結果，然后使用enrichplot包的gseaplot2()函數來繪圖，當然我們也是可以借鑒Y叔的畫圖思路要成圖，但這個要求太高。這個教程其實還是在Rtoolbox的基礎上進行二次修改，將replotGSEA()函數的作圖取消，改成單獨提取rank和ES的值，然后使用ggplot2拼圖。原理無非就是在結果文件夾中有個edb文件夾，里面又有一個.edb 和 .rank文件，這個文件就是做圖的原始文件，如果你動手能力強，可以封裝成一個函數，也可以自己開發一個包。
使用修改的函數直接提取數據作圖。然而對于單個GSEA而已，GSEA的文件夾里還有png圖和tsv的表格（很久以前是xls），網上當然也有一些教程，我們可以先看看tsv的結果，比如我們繼續使用PPAR通路的表格，可以看到表格里有SYMBOL，RANK.IN.GENE.LIST，RANK.METRIC.SCORE，RUNNING.ES等信息。
我們先把表格讀進來
data<-read.delim("~/my_analysis.GseaPreranked.1664378586466/KEGG_PPAR_SIGNALING_PATHWAY%HSA03320.tsv")
## 看看數據分布
head(data)
## NAME SYMBOL RANK.IN.GENE.LIST RANK.METRIC.SCORE RUNNING.ES CORE.ENRICHMENT
## 1 row_0 MMP1 265 0.4223908 0.03071519 No
## 2 row_1 ME1 368 0.3963699 0.06376065 No
## 3 row_2 OLR1 567 0.3652790 0.09122010 No
## 4 row_3 SCD5 1024 0.3145396 0.10664627 No
## 5 row_4 UBC 1589 0.2741413 0.11529607 No
## 6 row_5 FABP5 2359 0.2328998 0.11430056 No
## X
## 1 NA
## 2 NA
## 3 NA
## 4 NA
## 5 NA
## 6 NA
GSEA二次繪圖，主要是三部分拼圖，第一部分是曲線，第二部分是網格線，第三部分是底下的曲線，可以使用的辦法很多，重點是知道圖的x軸和y軸是什么，推薦使用ggplot2畫圖，當然如果你想省事，用ggpubr更簡單
我們先畫最上面的圖，可以使用geom_line畫出，見下面所示。
library(ggplot2)
p1<-ggplot(data) +
aes(x = RANK.IN.GENE.LIST, y = RUNNING.ES) + #x軸是rank值，y軸是ES值
geom_line(size = 1, colour = "#f87669") +
labs( y = "Enrichment score (ES)", title = "PPAR SIGNALING PATHWAY",x=NULL) +
theme_bw(base_size = 12)+ #設置主題和字體大小
theme(axis.title.x=element_blank(),axis.text.x=element_blank(), axis.ticks.x=element_blank(),## 將x軸文字清空
plot.title=element_text(hjust=0.5))+ #設置標題居中
scale_x_continuous(expand = c(0, 0)) + #取消x軸左右的空白
geom_hline(yintercept = 0, linetype = "dashed") #添加ES為0的基準線
p1
![]()
GSEA上部分的曲線圖
接著我們畫中間的部分，見下圖所示。
p2<-ggplot(data, aes(x = RANK.IN.GENE.LIST)) +
geom_linerange(aes(ymin=-min(RANK.IN.GENE.LIST), ymax=max(RANK.IN.GENE.LIST))) +
xlab(NULL) + ylab(NULL) + theme_bw()+
theme(legend.position = "none",
plot.margin = margin(t=-.1, b=0,unit="cm"),
axis.ticks = element_blank(),
axis.text = element_blank(),
axis.line.x = element_blank()) +
scale_x_continuous(expand=c(0,0)) +
scale_y_continuous(expand=c(0,0))
p2
最后下面的rank部分，見下圖所示。
p3<-ggplot(data) +
aes(x = RANK.IN.GENE.LIST, y = RANK.METRIC.SCORE) +
geom_area(size = 1.5,fill='gray30') +
theme_bw(base_size = 12)+ ylab("Ranked List Metric")+xlab("Rank in Ordered Dataset") +
scale_x_continuous(expand=c(0,0))
![]()
GSEA下面部分
最后，將三張圖拼成一張圖即可，見最終所示。
library(patchwork)
p1/p2/p3+plot_layout(heights = c(0.5,0.2,0.3))
最后，三張圖其實都是一樣的
