# 畫一張基因表現分群熱圖

> 上傳 RNA-Seq 或微陣列的表現矩陣，Yila 會先濾掉幾乎不表現的基因，挑出變異最大的基因，對基因和樣本進行分群，並標註各組別。

URL: https://yila.ai/zh-TW/playbooks/gene-expression-heatmap

## 你會得到

- **分群熱圖** (PNG + SVG): 基因和樣本皆依階層式分群排序，使用雙向色階，並附樣本註記色條與圖例。
- **基因列表** (CSV): 熱圖中的基因及其在各組的平均表現量，方便查詢或引用。
- **可寫進方法的篩選條件** (研究方法): 表現量門檻與排除的基因類別都明確寫在程式碼中，方便在研究方法中說明基因是怎麼選出來的。
- **分析程式碼** (Python 程式碼): 從原始矩陣到成圖的完整 Python 流程（需要的話也可以是 R）。

## 運作方式

1. **上傳矩陣，說明分組**: 把每列一個基因、每欄一個樣本的表現量資料表交給 Yila，並說明樣本要怎麼分組。組別和捐贈者通常可以直接從樣本名稱讀出。
2. **Yila 先過濾，再排序**: 它會先移除幾乎不表現的基因，以及這種檢測方法量不準的基因座，確保選出的高變異基因是真實訊號，而不是接近零的雜訊。
3. **取得熱圖、列表和程式碼**: 熱圖畫好並檢查後，會與基因列表和程式碼一起儲存。想放入更多基因、換一種距離量度、固定樣本順序，或只看差異表現基因，在同一個對話裡提出即可。

## 適用情境

- **初步檢視 RNA-Seq 資料**: 在正式做差異分析之前，先看樣本是依處理、依捐贈者還是依批次聚在一起。
- **論文用圖**: 以期刊接受的版面，呈現關鍵基因的表現模式。
- **重新分析公開資料**: 幾分鐘內把 GEO 或 ArrayExpress 的矩陣畫成熱圖，核對已發表的結論。

## 常見問題

### 為什麼要先過濾基因，再挑變異最大的？

表現量接近零的基因可能只因隨機因素而大幅波動，較短的小 RNA 基因座在 poly-A RNA-Seq 中也量不準。不過濾的話，它們會擠掉你真正關心的基因。先前用同一份資料、未經過濾的一次執行就是如此：前 50 名大多是 snoRNA 和 miRNA 基因座。

### z 分數有什麼作用？

每個基因在各樣本間被轉換為平均值 0、標準差 1，因此顏色呈現的是這個基因相對於自身的高低。不做這一步，豐度最高的基因會主宰整個色階。

### 可以自己指定基因嗎？

可以。上傳或貼上基因列表，或要求從差異分析結果表中取出差異最顯著的基因，熱圖就會依這些基因來畫。

### 支援哪些輸入數值？

FPKM、TPM、標準化計數或微陣列訊號強度都可以。如果是原始計數，Yila 會先做標準化與對數轉換，並說明做法。

### 樣本可以維持固定順序嗎？

可以。要求只對基因分群，樣本就會維持你指定的順序，例如依處理方式分組排列。

### 用 R 還是 Python？

兩者皆可。範例使用 Python 的 seaborn；用 R 時，Yila 會使用 pheatmap 或 ComplexHeatmap。

### 範例資料從哪裡來？

來自公開的 GEO 資料系列 GSE52778，也就是 Himes 等人 2014 年發表於 PLOS ONE 的研究所使用的 RNA-Seq 資料。Yila 從不拿使用者的資料當作範例。

---

- [畫一張基因表現分群熱圖](https://yila.ai/zh-TW/playbooks/gene-expression-heatmap)
- [llms.txt](https://yila.ai/zh-TW/llms.txt)
