在生信分析、临床统计或分子实验数据处理中，相关性分析几乎无处不在。无论你是在研究基因表达与免疫细胞浸润的关系，还是探索代谢物与临床指标之间的联系，一张高质量的相关性热图，往往能让你的科研成果“一图胜千言”。

但问题是——

相关性热图到底该怎么选？
各种配色、聚类、显著性标记怎么看？
不同软件绘出来的热图为什么差这么多？

别慌！今天我们就来一次**“热图进阶全攻略”，手把手带你了解生信分析中最常用、最实用的五类相关性热图类型**，并告诉你——每种热图该用在什么场景、怎么做才高级。

一、基础款：皮尔森/斯皮尔曼相关系数矩阵热图

这是最常见的相关性热图类型，几乎是所有科研文章的入门级标配。

🧩 适用场景

• 探索多个变量（如基因、代谢物、免疫细胞）之间的整体关系
• 展示样本之间的表达相似度
• 初步筛选高相关指标

💡 技术要点

1. 常用函数

• R语言：cor()（可选Pearson/Spearman），配合corrplot或pheatmap绘图
• Python：pandas.DataFrame.corr() + seaborn.heatmap()
  2. 关键参数设置
• method = “pearson”：线性关系
• method = “spearman”：非参数、稳健性强
• cluster_rows = TRUE：层次聚类展示相似模式
• display_numbers = TRUE：在格子中显示r值
  3. 色彩选择
• 常用调色板：RdBu, PuOr, coolwarm
• 建议中性颜色代表r=0，正相关用暖色，负相关用冷色

🎨 示意风格

一张红蓝渐变、带聚类树的方形矩阵图，左上角与右下角对称。

✅ 优点

直观、通用、可扩展。

⚠️ 缺点

难以体现显著性水平和复杂层次信息。

二、增强款：带显著性标记的相关热图

有时，仅仅展示r值还不够。你需要告诉读者，这些相关性到底有没有统计学意义。

🧩 适用场景

• 论文发表时展示统计严谨性
• 对比显著 vs 不显著的关系

💡 技术要点

1. 添加显著性标志

• R语言可用corrplot的p.mat参数（结合Hmisc::rcorr()生成p值矩阵）
• 设置insig = “blank”或pch = “*”, p.mat < 0.05显示星号
  2. 绘图技巧
• 用空白或灰色隐藏不显著格子
• 使用不同星号表示显著性：* <0.05, ** <0.01, *** <0.001
  3. 代码示例

4. corrplot(cor_matrix, method=”color”, type=”upper”,
5. mat=p_matrix, sig.level=0.05, insig=”blank”)

🎨 示意风格

格子中有星号标记显著性，颜色反映r值，非显著区域留白。

✅ 优点

兼具美观与严谨，最常用于发表级图表。

⚠️ 缺点

当变量很多时，星号会堆叠显得杂乱。

三、聚类款：层次聚类 + 热图组合

单纯的r值并不能揭示复杂关系，而聚类分析可以帮助我们从整体上理解数据模式。

🧩 适用场景

• 基因表达、代谢组、微生物群落等多变量数据
• 想展示“哪几组变量聚在一起”

💡 技术要点

1. 常用函数

• R语言：pheatmap() 或 ComplexHeatmap
• Python：seaborn.clustermap()
  2. 关键参数
• scale = “row”：行标准化，突出相对变化趋势
• clustering_method = “ward.D2″：常用层次聚类算法
• annotation_row/col：添加分组注释
  3. 图形解读
• 树状图显示相似性层次结构
• 热图颜色展示相关程度

🎨 示意风格

左侧与顶部附带树状聚类结构的彩色热图。

✅ 优点

能发现潜在分组关系，非常适合“探索性分析”。

⚠️ 缺点

聚类方法不同可能影响结果，需明确算法。

四、双变量可视化款：带散点 + 热图混合图

当变量较少时（例如10×10以内），可以用更具交互性的**“相关性散点+热图组合图”**。

🧩 适用场景

• 样本量较少但变量重要
• 需要直观展示相关趋势（如线性或非线性）

💡 技术要点

1. 推荐工具

• R语言：GGally::ggpairs()
• Python：seaborn.pairplot()
  2. 图形特征
• 主对角线显示变量分布
• 上三角为r值热图
• 下三角为散点图带拟合线
  3. 技巧
• 可结合分组变量(hue或color)增强信息密度
• 设置透明度避免点重叠

🎨 示意风格

矩阵式布局：每对变量都有一个散点或相关值。

✅ 优点

信息量丰富，可展示趋势、显著性、分布一体化。

⚠️ 缺点

变量过多会导致图像冗余。

五、高级可视化款：相关网络热图（Correlation Network Heatmap）

当你面对的是几十上百个基因或代谢物时，单纯的方阵已难以解释复杂关系，此时就需要——网络型热图。

🧩 适用场景

• 多组学整合分析
• 模块识别（如WGCNA共表达模块）
• 探索关键节点和调控关系

💡 技术要点

1. 构建步骤

• 计算相关矩阵（Pearson/Spearman）
• 设定阈值（如 |r|>0.6, p<0.05）筛选显著相关对
• 使用igraph或Cytoscape可视化网络结构
  2. 热图形式
• 同时展示模块间相关性（如MEs correlation heatmap）
• R语言可用WGCNA::labeledHeatmap()生成模块热图
  3. 视觉优化
• 色彩反映相关方向与强度
• 方格大小或透明度代表显著性

🎨 示意风格

模块化方块分布、色彩分明、带有显著性标识。

✅ 优点

结构清晰、可展示系统层级关系，是高水平文章常用图。

⚠️ 缺点

绘制复杂、参数敏感。

📊 如何选择适合你的热图？

目标类型	推荐热图	工具	特点
简单探索	基础相关热图	corrplot/pheatmap	快速、简洁
论文展示	显著性标记热图	corrplot + p值矩阵	严谨、美观
模式发现	聚类热图	pheatmap / ComplexHeatmap	可揭示分组关系
小样本可视化	散点+热图混合图	GGally / Seaborn	丰富直观
多组学整合	网络热图	WGCNA / Cytoscape	高级表达

🎯 实战小结：提升热图质量的三大秘诀

1. 先清洗数据再算相关
   异常值会极大影响r值！请先去掉异常点或使用稳健相关系数（如biweight midcorrelation）。
2. 色彩是信息传达的关键
   避免刺眼的纯红纯蓝，推荐使用感知均匀调色板（如viridis、coolwarm）。
3. 加注释让图更“说话”
   用分组条、星号、聚类树、数值标注等方式，让图既美观又有解释力。

✳️ 写在最后

相关性热图不仅仅是展示结果的“图形工具”，更是数据逻辑的“视觉表达”。

一张好热图，能让评审一眼看出你的结果有条理、可信赖、有故事。

所以，下次再做生信分析时，别再随便扔个corrplot()了。
选对热图类型、搭配合适参数，你的图不止漂亮，还能“说服人”。