从全部差异基因筛选出一定阈值（FC，P值）筛选以后得到差异基因，再从所有差异基因的表达矩阵中筛选出最终差异基因的表达矩阵操作

使用EXCEL的VLOOK函数

文章参考链接

https://blog.csdn.net/tuanzide5233/article/details/83659768?ops_request_misc=&request_id=&biz_id=102&utm_term=%E6%80%8E%E4%B9%88%E5%9C%A8%E8%A1%A8%E8%BE%BE%E7%9F%A9%E9%98%B5%E6%89%BE%E5%88%B0%E8%87%AA%E5%B7%B1%E6%83%B3%E8%A6%81%E7%9A%84%E5%9F%BA%E5%9B%A0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-1-83659768.first_rank_v2_pc_rank_v29

实操代码

##设置工作路径

getwd()

setwd()

#安装运行R包

install.packages("gplots")

install.packages("pheatmap")

library(gplots)

library(pheatmap)

##读取基因表达矩阵文件（csv表格文件，基因名放在第一列）

data <- read.table("FC>1_DEGs_Exp.csv",header = T,sep = ",",stringsAsFactors = F)

##对矩阵进行标准化，gene symbol放在rownames

row.names(data)<-data[,1]

data<-data[,-1]

##绘制图片

pheatmap(data,

        show_rownames = T,           #行名

        show_colnames = T,            #列名

        cluster_cols = T,

        cluster_rows= T,

        filename='test.pdf',          #输出文件的名称

        fontsize_row=6,               #行字体的大小

        height=10,                      #输出图片的高度

        scale = "row",

        angle_col=45,                 #调整字的角度

        color =colorRampPalette(c("#8854d0", "#ffffff","#fa8231"))(100),

        clustering_distance_rows = 'euclidean',

        clustering_method = 'single',

)