告别单调气泡图！用R语言ggplot2手把手绘制桑吉气泡图（附clusterProfiler数据处理代码）

用R语言打造高阶桑吉气泡图：从clusterProfiler数据到科研级可视化

在生物信息学分析中，KEGG和GO富集结果的可视化一直是展示研究发现的窗口。传统气泡图虽然能同时展示通路名称、富集倍数、p值和基因数四个维度，但关键的基因列表信息往往被压缩在表格中。桑吉气泡图（Sankey Dot Plot）的创新之处在于，它通过桑吉图的连线美学，将第五个维度——差异基因列表直观地整合到可视化中，形成信息密度与美学表现双赢的科研图表。

对于使用R语言的研究者而言，掌握这种复合图表的自定义绘制能力意味着：1) 摆脱在线工具的限制，实现完全可控的细节调整；2) 建立可重复的分析流程；3) 满足期刊对图表分辨率和格式的严苛要求。下面我们将从数据准备到图形美化，完整解析如何用ggplot2构建这种高级可视化方案。

1. 数据准备与清洗

1.1 从clusterProfiler提取五维数据

clusterProfiler的富集分析结果通常存储在enrichResult对象中，我们需要从中提取五个关键维度：

library(clusterProfiler) library(tidyverse) # 假设enrich_res是clusterProfiler的富集结果 enrich_data <- enrich_res@result %>% select(Description, GeneRatio, pvalue, geneID, Count) %>% mutate( GeneRatio = sapply(strsplit(GeneRatio, "/"), function(x) as.numeric(x[1])/as.numeric(x[2])), pvalue = -log10(pvalue), geneID = strsplit(geneID, "/") )

关键处理步骤：

• GeneRatio转换：将"5/100"格式转换为数值0.05
• p值对数化：-log10转换使颜色梯度更具生物学意义
• 基因列表拆分：将geneID列转换为列表格式，便于后续展开

1.2 数据展开与桑吉图结构构建

桑吉图需要明确"源-目标"关系，这里源是基因，目标是通路：

sankey_data <- enrich_data %>% unnest(geneID) %>% select(source = geneID, target = Description, value = Count) %>% distinct()

注意：实际绘制时需确保基因名称唯一性，对于多通路共享的基因，建议添加通路前缀或使用其他标识方法

2. 复合图表核心绘制技术

2.1 基础气泡图构建

使用ggplot2的图层叠加原理，先绘制标准气泡图：

base_plot <- ggplot(enrich_data, aes(x = GeneRatio, y = reorder(Description, GeneRatio))) + geom_point(aes(size = Count, color = pvalue), alpha = 0.8) + scale_size_continuous(range = c(3, 8), breaks = seq(5, 30, by = 5)) + scale_color_gradientn( colours = c("#4575b4", "#74add1", "#abd9e9", "#e0f3f8", "#fee090", "#fdae61", "#f46d43", "#d73027"), limits = c(1, 4), breaks = seq(1, 4, by = 0.5) ) + theme_minimal(base_size = 12) + labs(x = "Gene Ratio", y = "", color = "-log10(p-value)", size = "Gene Count")

2.2 桑吉连线集成技术

通过geom_segment实现基因-通路的流向连接：

# 计算连线位置参数 link_data <- sankey_data %>% group_by(target) %>% mutate( yend = as.numeric(factor(target, levels = levels(factor(enrich_data$Description)))), xstart = 0, xend = min(enrich_data$GeneRatio) * 0.7 ) %>% ungroup() %>% mutate( y = as.numeric(factor(source, levels = unique(source))), group = paste0(source, "_", target) ) # 添加桑吉连线层 sankey_layer <- geom_segment( data = link_data, aes(x = xstart, xend = xend, y = y, yend = yend, group = group), color = "grey70", alpha = 0.4, linewidth = 0.3 )

2.3 双坐标轴同步控制

通过coord_cartesian实现左右区域的完美拼接：

final_plot <- base_plot + sankey_layer + coord_cartesian(xlim = c(-max(enrich_data$GeneRatio)*0.5, max(enrich_data$GeneRatio)*1.1)) + theme( plot.margin = unit(c(1,1,1,3), "cm"), axis.text.y = element_text(hjust = 0.5) )

3. 高级定制技巧

3.1 动态颜色映射策略

对于大型数据集，建议采用分位数离散化颜色标尺：

library(scales) color_breaks <- quantile(enrich_data$pvalue, probs = seq(0, 1, 0.1)) final_plot <- final_plot + scale_color_gradientn( colours = viridis_pal(option = "D")(10), values = rescale(color_breaks), breaks = color_breaks[c(2,4,6,8,10)] )

3.2 智能避标签重叠算法

使用ggrepel自动处理密集标签：

library(ggrepel) final_plot <- final_plot + geom_text_repel( data = link_data %>% distinct(source, y), aes(x = -0.05, y = y, label = source), size = 2.5, direction = "y", hjust = 1, segment.size = 0.2, box.padding = 0.1, max.overlaps = 20 )

3.3 响应式布局参数

根据数据特征动态调整图形比例：

dynamic_aspect <- length(unique(enrich_data$Description)) / 15 final_plot <- final_plot + theme(aspect.ratio = ifelse(dynamic_aspect > 1, 1, dynamic_aspect))

4. 实战案例：阿尔茨海默症数据集应用

4.1 数据加载与预处理

以GSE1297数据集为例展示完整流程：

library(GEOquery) library(clusterProfiler) # 获取差异基因 gse <- getGEO("GSE1297", GSEMatrix = TRUE) exprs <- exprs(gse[[1]]) de_genes <- rownames(exprs)[which(exprs[, "AD"] > exprs[, "Control"])] # KEGG富集分析 kegg_res <- enrichKEGG( gene = de_genes, organism = "hsa", pvalueCutoff = 0.05, qvalueCutoff = 0.1 )

4.2 关键参数调试经验

根据实际绘制效果调整的核心参数：

4.3 期刊出版级输出设置

满足Cell Press等顶级期刊的要求：

ggsave( "sankey_dotplot.pdf", plot = final_plot, width = 12, height = 8, units = "in", dpi = 600, device = cairo_pdf )

在绘制复杂生物通路时，建议先用小样本测试布局参数。例如神经退行性疾病相关通路往往基因数量多，需要特别调整连线透明度和标签间距。一个实用的技巧是先用geom_density_2d检查基因-通路的分布热点，再针对性优化可视化参数。