易算整理 | 质谱蛋白组学研究必备：生信热图类型盘点

在质谱蛋白组学研究中，热图是结果展示的重要工具。虽然许多平台分享了热图的绘制工具包，但在实际科研中哪些热图类型最常用，以及它们如何分类，还没有有系统的整理。本文梳理质谱蛋白组学中常用的生信热图类型从大框架上分为以下四类，供大家参考。

一、空间蛋白组学全网格切割切片的聚类热图

空间蛋白组学中，组织切片被划分为多个网格，每个格子代表一个特定的空间位置，包含该位置的蛋白质表达数据。绘制热图的对象可以是该位置的所有蛋白，或者某功能的蛋白，或某个特定蛋白。接下来，我们进一步讨论空间蛋白组学全网格切割切片聚类热图的具体类型和应用。

1.1 蛋白质空间表达分布热图

功能：此热图通过展示每个网格区域内蛋白质的表达强度，反映蛋白质在组织切片中的空间分布情况。可以选择展示所有检出的蛋白、某一功能相关的蛋白组，或者某个特定蛋白的表达水平。每个网格代表组织切片中的一个特定区域，展示该区域中蛋白质的相对表达量。 

https://doi.org/10.1038/s41467-023-43520-8

应用：此类热图可用于分析特定空间区域内高表达的蛋白，帮助研究者理解组织的结构与功能之间的关联。

1.2 基于蛋白表达相似性的空间聚类热图

功能：该热图通过分析蛋白质在不同空间位置的表达数据，利用聚类算法将空间上蛋白表达模式相似的区域进行分类。常见的聚类方法包括层次聚类和K近邻（KNN）聚类。这种聚类热图可以揭示空间位置上相似的区域，显示这些区域蛋白质表达的共同特征。 

https://doi.org/10.1038/s41467-023-43520-8

应用：通过此类聚类热图，可以发现组织中功能相似或具有共同特征的区域，例如肿瘤组织与周围正常组织的边界，以及肿瘤微环境中的功能性区域。

1.3 基于亲和网络融合（ANF）的空间聚类热图

功能：采用亲和网络融合（ANF）算法结合蛋白质表达相似性和空间位置数据，进行更加复杂的空间聚类分析。ANF算法不仅考虑蛋白质表达的相似性，还整合了样本之间的空间关系。这种算法能够生成更为精细的聚类结果，捕捉组织切片中的细微差异和功能特征。 

https://doi.org/10.1038/s41467-023-43520-8

应用：ANF聚类热图在肿瘤研究中很有用，可以帮助识别肿瘤组织中的微观功能区域，发现与免疫反应或肿瘤浸润相关的区域。

2.1 蛋白表达或翻译后修饰（PTM）热图

功能： 展示蛋白质表达水平，或蛋白质的翻译后修饰（PTM）水平（如磷酸化、乙酰化、糖基化）在不同组别样本中的变化。通常基于差异表达的蛋白质或差异的PTM水平绘制热图。有时为了美观或强调特定信息，这类热图会采用变形的形状，如环形热图等。

https://doi.org/10.1016/j.xcrm.2023.101166

https://doi.org/10.1016/j.celrep.2022.110955

应用： 用于直观比较不同条件下蛋白质或PTM的表达差异，识别潜在的功能相关蛋白质。

2.2 带注释的表达热图

功能： 展示蛋白质在不同样本中的表达水平，结合样本注释（如临床特征、实验条件）、蛋白质注释（如功能分类、亚细胞定位、药物靶点）和蛋白质HR（风险比）指标，提供全面的数据背景。

https://doi.org/10.1016/j.xcrm.2023.101166

应用： 用于识别差异表达蛋白质，关联表达水平与临床信息，辅助生物标志物筛选。

2.3 表达趋势聚类热图

功能： 采用层次聚类、K-means聚类等聚类算法，找到关键蛋白质。通过聚类分析，揭示蛋白质在不同条件下的表达模式和趋势，如时间序列、空间分布、处理条件差异等。此类热图常常在热图旁边附加折线图或箱线图，展示表达趋势。

https://doi.org/10.1038/s41467-023-39514-1

https://doi.org/10.1016/j.celrep.2022.110955

应用： 识别在特定条件下呈现相似表达趋势的蛋白质，帮助理解生物过程的动态变化。

2.4 多组学整合聚类热图

功能： 整合蛋白质组、转录组、代谢组等多组学数据，对样本或分子进行联合聚类分析，揭示跨组学的表达关联。往往会使用典型相关分析（CCA）、非负矩阵分解（NMF）等算法进行多组学聚类，或根据某一维度的分类将其他组学数据映射于该分类。

https://doi.org/10.1016/j.ccell.2021.01.006

应用： 揭示不同组学层面之间的关联，帮助理解生物系统的全局特性和复杂调控机制。

2.5 一致性聚类热图

功能： 通过一致性聚类（Consensus Clustering）方法，评估聚类结果的稳定性和可靠性，确定最优的聚类数目。

https://doi.org/10.1038/s41467-021-25202-5

特点：根据一致性矩阵结果，将样本划分到不同的聚类类别，这些类别作为新的分组信息。展示的仍然是样本自身的表达量，便于比较不同聚类类别间的表达差异。

应用：用于癌症亚型划分、疾病分层；识别与特定亚型相关的关键蛋白质或基因。

2.6 突变谱热图

功能： 在蛋白质水平上展示基因突变的频率和类型，热图显示不同样本中的突变位点和类型（如错义突变、拷贝数变异（CNV）等）。同时展示蛋白质的表达水平，便于观察突变对蛋白质丰度的影响。

https://doi.org/10.1038/s41586-024-07769-3

应用：评估突变和表达模式对药物疗效的影响；研究耐药相关突变对蛋白质表达的影响。

3.1 带功能富集的表达热图

功能： 在表达热图旁边添加功能富集分析结果，如GO、KEGG通路的富集信息，通过气泡图或柱状图表示富集程度，区分上调和下调蛋白质的功能类别。

DOI 10.15252/emmm.202114713

应用： 帮助理解差异表达蛋白质的生物学功能，指导后续功能验证或挑选关键蛋白。

3.2 通路活性评分热图

功能： 利用单样本基因集富集分析（ssGSEA）或基因集变异分析（GSVA），计算每个样本在特定通路或生物过程中的活性评分，热图展示不同样本间的通路活性差异，而非直接的表达量。这也包括免疫浸润分析，通过ssGSEA方法评估样本中各类免疫细胞的浸润程度。

https://doi.org/10.1016/j.ccell.2021.12.006

应用：快速识别显著富集的生物学过程和免疫特征；评估肿瘤微环境中的免疫状态，指导免疫治疗策略。

4.1 单蛋白质与临床指标相关性热图

功能： 展示每个蛋白质与各临床生化指标之间的相关性，颜色表示相关系数或p值的大小和方向。方法往往是计算Pearson、Spearman相关系数或进行回归分析，评估相关性显著性。

https://doi.org/10.1038/s41467-021-23494-1

应用： 帮助识别与临床特征密切相关的蛋白质，辅助生物标志物的发现。

4.2 蛋白质与蛋白质或其他组学单分子相关性热图

功能： 展示蛋白质之间的相关性，或者蛋白质与其他组学数据（如基因表达、代谢物水平）的相关性，构建跨组学的分子关联网络。

https://doi.org/10.1038/s41467-021-23494-1

应用：探索潜在的调控关系，识别协同变化的分子模块

4.3 WGCNA模块与临床指标关联热图

功能： 利用加权基因共表达网络分析（WGCNA），将蛋白质划分为共表达模块，展示模块特征值与临床指标之间的相关性。

https://doi.org/10.1038/s41467-023-38376-x

应用：识别与临床特征密切相关的功能模块

总结

以上是质谱蛋白组学研究中常用的生信热图类型的全面收集和分类。希望这些内容能帮助您在科研过程中选择和应用适合的热图类型，更有效地展示研究结果，深入挖掘数据背后的生物学意义。

如果您还有其他疑问，或者需要更详细的指导，欢迎与我讨论。