本文转载自嘉因微信公众号，已获得授权。查看最新文章，敬请关注嘉因，微信ID：rainbow-genome

作者：小哈   来源：嘉因

大家都会做方便面，有人做辛拉面，有人做三鲜伊面，工艺有何不同？

大家都会做RNA-seq，有人能筛出有意义的基因，有人能找出有价值的线索，有人。。。差别在哪？

前两期介绍了数据均一化处理和差异基因筛选的合理方法：

数据预处理：同一套RNA-seq，为什么公司做的跟师兄跑的结果不一样？ | TPM、read counts、RPKM/FPKM你选对了吗？

差异基因筛选：同一套RNA-seq，公司筛出的差异基因跟师兄筛出的为什么不一样？| Pvalue, FDR, cutoff

本文一起看RNA-seq数据画heatmap有啥讲究？

同一套数据，用不同的方法得到的heatmap差别能有多大？

举个栗子，左边一坨mass不能看，右边出现明显的一块一块才好看

把heatmap画好看就行了？NO，数据处理方法要合适。

前年介绍过批次效应对实验结果的影响：人和小鼠心脏之间的差异远大于人的心肝脾肺？

下图是每两个samples相关性的heatmap，一大块一大块的聚到一起，挺好看的吧？仔细一看，发现同一物种的各个器官聚到了一起：

后来发现是实验设计出了问题，两个物种是分批测的：

把批次效应batch effect考虑进去，同一器官聚到一起：

具体去读这篇paper，这种反驳类的文章都很精彩，数据处理的细节都描述的很清楚，还给出了文中用的code。点击左下角“阅读原文”直达paper页面，拖到末尾看F1000最宝贵的comment。

下面是画heatmap的原理视频。statQuest总能把貌似高深的算法清晰的讲解出来，易懂。

heatmap是可视化，把数字变成彩色的图块。让heatmap好看的关键在于聚类。

具体讲HCL

K-means