Один из способов - прямое воспроизведение кластеризации данных. Входные параметры по умолчанию: pheatmap
определяют эвклидову дистанцию и иерархическую кластеризацию.
В приведенном ниже коде воспроизводится кластеризация, которую pheatmap
будет выполнять на тестовой матрице. Содержимое reordered
- это то, что было бы нанесено по pheatmap
.
# load clustering library
library(stats)
# example matrix from pheatmap documentation
test = matrix(rnorm(200), 20, 10)
test[1:10, seq(1, 10, 2)] = test[1:10, seq(1, 10, 2)] + 3
test[11:20, seq(2, 10, 2)] = test[11:20, seq(2, 10, 2)] + 2
test[15:20, seq(2, 10, 2)] = test[15:20, seq(2, 10, 2)] + 4
colnames(test) = paste("Test", 1:10, sep = "")
rownames(test) = paste("Gene", 1:20, sep = "")
# cluster and re-order rows
rowclust = hclust(dist(test))
reordered = test[rowclust$order,]
# cluster and re-order columns
colclust = hclust(dist(t(test)))
reordered = reordered[, colclust$order]
Если вы сохраняете карту тепла как объект, вы можете получить доступ к данным. Взгляните на структуру ('str()'), она вполне может быть там – erasmortg