R 语言绘制 10 种精美火山图：转录组差异基因可视化

在转录组 Bulk 测序数据分析中，差异基因的筛选与可视化是关键步骤，而火山图作为直观展示基因表达差异的工具，其美观度与信息传递效率直接影响分析结果的呈现质量。本文将分享 10 种基于 R 语言的火山图绘制方法，涵盖从数据准备到代码实战的完整流程，适用于不同场景下的差异基因可视化需求。

一、火山图的应用场景与价值

火山图通过横轴（log2 Fold Change）展示基因在两组样本中的表达差异倍数，纵轴（-log10 P-value）展示差异的统计学显著性，能快速区分显著上调、显著下调及无显著差异的基因。在期刊论文、项目汇报中，高质量的火山图不仅能清晰传递分析结果，更能提升内容的专业性与可读性。

二、数据准备：基因表达矩阵格式要求

绘制火山图的前提是正确的基因表达矩阵，需满足以下格式规范：

第一列：基因名称（如 GeneSymbol）；
第二列及以后：各样本的基因表达值（FPKM、TPM 或 Counts 均可）；
第一行：样本名称（需按分组顺序排列，如 Normal 组在前，Disease 组在后）。

示例数据格式如下（简化版）：

Gene	Normal1	Normal2	Disease1	Disease2
GeneA	12.3	11.8	25.6	24.1
GeneB	8.7	9.2	3.1	2.8

三、核心代码框架与使用说明

3.1 数据读取与预处理

首先需读取基因表达矩阵，代码中已内置差异基因分析流程（基于 DESeq2 或 edgeR 原理），无需额外预处理。核心读取代码如下：

复制代码

# 读取基因表达矩阵（替换为你的文件路径）
data <- read.csv("gene_expression_matrix.csv", row.names = 1, check.names = FALSE)

3.2 样本信息配置

需根据实际样本分组情况配置样本信息，关键参数为each（每组样本数量），示例如下：

复制代码

# 配置样本分组（Normal组与Disease组，需与表达矩阵列顺序一致）
sample_info <- data.frame(
  sample = colnames(data),
  # 若Normal组3个样本、Disease组3个样本，each分别为3
  condition = factor(rep(c("Normal", "Disease"), each = 3)) 
)

注意：表达矩阵样本顺序需与分组严格对应（如 Normal1、Normal2、...、Disease1、Disease2...），否则会导致差异分析结果错误。

四、10 种火山图风格及代码示例

以下为部分代表性风格的实现代码，完整 10 种风格可按需获取。所有代码基于 ggplot2 绘制，支持自定义颜色、标签及主题。

4.1 半透明密度风格

特点：通过密度轮廓线展示基因分布密度，点的半透明效果避免重叠遮挡，适合样本量较大的数据集。

复制代码

# 半透明密度风格火山图
p6 <- ggplot(res_df, aes(x = log2FoldChange, y = log10p, color = sig)) +
  geom_point(alpha = 0.3, size = 2) +  # 点半透明，大小适中
  geom_density_2d(color = "black", alpha = 0.5) +  # 密度轮廓线
  scale_color_manual(values = c("dodgerblue", "grey", "firebrick")) +  # 下调、无差异、上调颜色
  geom_hline(yintercept = -log10(0.05), linetype = "dashed") +  # 显著性P值阈值线
  geom_vline(xintercept = c(-1, 1), linetype = "dashed") +  # 差异倍数阈值线
  labs(title = "Density Contour Style", x = "Log2 Fold Change", y = "-Log10(p-value)") +
  custom_theme  # 自定义主题（包含字体、背景等设置）
print(p6)

4.2 杂志封面风格

特点：通过点的大小映射 P 值显著性（P 值越小，点越大），配色沉稳专业，适合期刊配图。

复制代码

# 杂志封面风格火山图
p7 <- ggplot(res_df, aes(x = log2FoldChange, y = log10p, color = sig, size = -log10(pvalue))) +
  geom_point(alpha = 0.7) +  # 适度透明，避免视觉拥挤
  scale_color_manual(values = c("#377eb8", "#999999", "#e41a1c")) +  # 期刊常用配色
  scale_size(range = c(1, 5)) +  # 点大小范围控制
  geom_hline(yintercept = -log10(0.05), linetype = "dashed") +
  geom_vline(xintercept = c(-1, 1), linetype = "dashed") +
  labs(title = "Magazine Cover Style", x = "Log2 Fold Change", y = "-Log10(p-value)") +
  custom_theme +
  theme(text = element_text(color = "black"))  # 确保文本清晰可见
print(p7)

4.3 荧光霓虹风格

特点：高对比度荧光配色，适合用于汇报展示，突出关键差异基因。

复制代码

# 荧光霓虹风格火山图
p8 <- ggplot(res_df, aes(x = log2FoldChange, y = log10p, color = sig)) +
  geom_point(size = 2, alpha = 0.8) +
  scale_color_manual(values = c("#00ffff", "#555555", "#ff00ff")) +  # 霓虹蓝、灰色、霓虹粉
  geom_hline(yintercept = -log10(0.05), linetype = "dashed") +
  geom_vline(xintercept = c(-1, 1), linetype = "dashed") +
  labs(title = "Neon Glow Style", x = "Log2 Fold Change", y = "-Log10(p-value)") +
  custom_theme +
  theme(text = element_text(color = "black"))
print(p8)

五、关键参数调整与自定义技巧

1. 阈值调整 ：默认以log2FoldChange ±1和P-value < 0.05为显著差异阈值，可通过修改geom_vline和geom_hline的xintercept/yintercept参数自定义。

2. 基因标签添加 ：如需在图中标记关键基因（如 Top 10 上调 / 下调基因），可通过geom_text或ggrepel包实现，示例代码框架：

复制代码

# 标记显著上调的Top5基因
top_up <- res_df %>% filter(sig == "up") %>% arrange(pvalue) %>% head(5)
p + geom_text(data = top_up, aes(label = Gene), size = 3, vjust = -1)

3. 图片保存 ：使用ggsave函数保存高清图片，支持 png、pdf 等格式：

复制代码

ggsave("volcano_magazine_style.png", p7, width = 10, height = 8, dpi = 300)

六、总结

本文提供的 10 种火山图风格覆盖了期刊发表、汇报展示等多种场景，代码内置差异基因分析流程，无需额外预处理，仅需按实际数据格式调整参数即可快速使用。若在使用过程中遇到数据格式、样本分组或风格自定义问题，欢迎在评论区交流探讨。