批量相关分析，听说你找好久了？

基本概念

相关关系：当一个或几个相互联系的变量取一定的数值时，与之相对应的另一变量的值虽然不确定，但它仍按某种规律一定的范围内变化。变量间的这种相互关系，称为具有不确定性的相关关系。

按程度分类

⑴完全相关：两个变量之间的关系，一个变量的数量变化由另一个变量的数量变化所惟一确定，即函数关系。

⑵不完全相关：两个变量之间的关系介于不相关和完全相关之间。

⑶不相关：如果两个变量彼此的数量变化互相独立，没有关系。

按方向分类

⑴正相关：两个变量的变化趋势相同，从散点图可以看出各点散布的位置是从左下角到右上角的区域，即一个变量的值由小变大时，另一个变量的值也由小变大。

⑵负相关：两个变量的变化趋势相反，从散点图可以看出各点散布的位置是从左上角到右下角的区域，即一个变量的值由小变大时，另一个变量的值由大变小。

• 相关系数

相关系数是最早由统计学家卡尔·皮尔逊设计的统计指标，是研究变量之间线性相关程度的量，一般用字母 r 表示。由于研究对象的不同，相关系数有多种定义方式，较为常用的是皮尔逊相关系数。

相关表和相关图可反映两个变量之间的相互关系及其相关方向，但无法确切地表明两个变量之间相关的程度。相关系数是用以反映变量之间相关关系密切程度的统计指标。相关系数是按积差方法计算，同样以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度；着重研究线性的单相关系数。

绘图实例解读

了解了原理，下面我们来看看相关性散点图。先来看看我们所用的测试数据：

这个数据非常简单，为了能够给大家演示批量的相关性分析，我们在这里制作了这样一个测试数据，首先因变量有6个，自变量1个，我们要做的就是分别计算这6个因变量和自变量的相关性。好了，看了数据，我们再来看看图，大家在文章中见到的比较高级的散点图一般长这样：

图上有什么呢？散点，趋势线，95%置信区间，相关系数，p值。好，接下来让我们自己来画一画！在这里我们用的是ggpubr包，这个是一个极力推荐的绘图包，希望大家能够收藏。

#首先加载包，准备好数据
library(ggpubr)
#读入数据
data<-read.csv("data.csv",header=T,row.names=1)
#画图，一句话就搞定
ggscatter(data,x="x",y="t3",
size=3, 
rug=T, 
add="reg.line",
conf.int=T,
conf.int.level=0.95,
cor.coef=T,
cor.method="pearson",
ggtheme=theme_pubr()
)

#再看看其他变量
ggscatter(data,x="x",y="t1",
size=3, 
rug=T, 
add="reg.line",
conf.int=T,
conf.int.level=0.95,
cor.coef=T,
cor.method="pearson",
ggtheme=theme_pubr()
)

发现上面的代码是如何工作的了吗？只要改下参数y的变量名就可以了（这里我们可以分别定义y为t1,t2,t3等），是不是很简单呢！但是这时候你可能要问了，要是我想进行批量的相关分析，而且把这么多个散点图拼在一起，比如文件中的六个变量。按照上面的方法，岂不是要做6张图，还得导出矢量图，然后用AI拼接在一起吗？这显然工作量就大了，而且，这似乎和用Graphpad也没啥区别嘛。怎么办呢？我们当然不能把大量的时间浪费在拼图（美图秀秀）上，那么这个问题让我来帮你解决吧！

library(cowplot)
colnames(data)
names = c("t1", "t2", "t3", "t4", "t5", "t6")

#创建plot列表
plist<-list()
#循环
for(i in names){
  p<-ggscatter(data,x="x",y=i,
               size=1, 
               rug=T, 
               add="reg.line",
               conf.int=T,
               conf.int.level=0.95,
               cor.coef=T,
               cor.method="pearson",
               ggtheme=theme_pubr()
  )
  plist[[i]]<-p
}

plot_grid(plotlist=plist,labels = LETTERS[1:length(names)])

在这里，我们用到了一个比较神奇的R包，叫做cowplot，它会帮我们自动拼图，自动排版，非常方便，直接提交一个图形的列表就可以了，是不是一下子就搞定了呢！

此外，在实际科研中大家可能还会有这样一个需求，比如我想要看下某一个基因在不同亚组（比如上面的t1,t2, t3）中表达是不是都是正相关的，那我该怎么画图呢？一种做法就是把数据分开，分别画几个图（t1, t2, t3), 就像上面的图形一样。不过，如果要比较不同的分组，绘制在不同的图形中，可能比较起来会不太方便。当然啦，大家也可以其他的方法啦，比如我可能会选择用这种表达方式：

是不是一目了然呢！赶快联系客服小姐姐获取代码吧！