1. 先搞清楚这套流程到底能解决什么问题
如果你正在做转录组、蛋白组或者代谢组学分析，做完差异表达或富集分析后，下一步通常就是可视化。KEGG富集分析的结果，最常见的就是画个气泡图或者柱状图，展示一下富集到的通路和显著性。但有时候，你可能会想：这些通路之间有什么关系？我的差异基因是怎么在不同通路间“流动”的？这时候，桑基图（Sankey Diagram）就能很直观地展示这种“从基因到通路”的归属关系。
所以，这个主题的核心价值是：用同一套数据（通常是KEGG富集分析结果和基因-通路映射关系），一次性生成两种互补的图表——展示整体富集概况的气泡图，和展示具体归属关系的桑基流向图。这比单独画两张图更高效，也更能从宏观（哪些通路重要）和微观（基因如何分布）两个层面讲好数据故事。
适合谁看？主要是刚入门R语言生信分析，已经能跑通差异分析和富集分析，但在结果可视化和深度解读上想更进一步的研究者。你不用是R语言高手，但需要能理解data.frame、ggplot2基本操作和富集分析结果的基本结构。
最关键的一点是，我建议你不要把这两个图看成完全独立的步骤。它们的核心是共享同一份“基因-通路”关联数据。理解了这一点，后面的代码组织就会清晰很多。
2. 环境准备与核心数据理解：别急着写代码
在动手敲代码之前，先把环境和数据搞清楚。这一步做扎实了，后面能省掉80%的报错。
2.1 R环境与包管理：别让包安装卡住你
首先，确保你的R版本不要太老，R 4.0以上比较稳妥。新手最容易卡住的地方就是包安装失败。根据搜索热词里提到的“causalweight包为何装不上 r语言”，这提醒我们，有些包的安装依赖特定系统库或者需要从特定源安装。
对于我们要用到的可视化包，主要依赖如下：
ggplot2: 画气泡图的核心，基本都会装。ggsankey/networkD3/plotly: 用于绘制桑基图。ggsankey生成的是静态图，集成在ggplot2体系里，风格统一，适合放入论文。networkD3和plotly生成的是交互式HTML图表，可以在浏览器里拖动节点，适合探索性分析和汇报。这里我以ggsankey为例，因为它和ggplot2语法一致，学习成本低。dplyr/tidyr: 用于数据整理和转换，几乎是现代R数据分析的标配。clusterProfiler: 如果你是用这个神包做的KEGG富集分析，那你的结果对象直接可以用。它也是数据来源的关键。stringr: 处理通路名称、基因ID等文本信息，非常有用。
安装命令很简单，但要注意网络问题：
# 设置CRAN镜像，国内用户必备，能极大提升安装速度和成功率 options(repos = c(CRAN = "https://mirrors.tuna.tsinghua.edu.cn/CRAN/")) # 安装必要包 install.packages(c("ggplot2", "dplyr", "tidyr", "stringr", "ggsankey")) # 如果是Bioconductor的包，如clusterProfiler if (!require("BiocManager", quietly = TRUE)) install.packages("BiocManager") BiocManager::install("clusterProfiler")如果某个包（比如热词里提到的causalweight）安装失败，先别慌。错误信息通常会提示缺少什么系统依赖（比如在Linux上），或者尝试从GitHub安装(remotes::install_github)。但对于ggsankey这类流行包，直接从CRAN安装通常没问题。
2.2 理解你的数据：从富集结果到绘图数据框
这是最核心的一步。你的输入数据长什么样，决定了代码怎么写。通常，你有两种起点：
clusterProfiler的富集结果对象：这是最理想的情况。假设你的结果对象叫kegg_result。- 一个包含富集分析结果的
data.frame（通常是CSV或Excel文件读入）：很多在线工具或其它软件的分析结果会导出成表格。
无论哪种来源，你最终都需要整理出两个核心数据框：
用于气泡图的数据框 (
bubble_df)：需要至少包含以下几列：Description: KEGG通路描述。GeneRatio: 富集到该通路的基因数 / 背景基因数（例如10/100）。注意，clusterProfiler的结果里，GeneRatio列是字符型，需要转换。BgRatio: 通路中总基因数 / 背景基因数。pvalue/p.adjust/qvalue: 显著性P值或校正后的P值。Count: 富集到该通路的基因数目。这个通常由GeneRatio计算得来，但有时也会直接有一列。
用于桑基图的数据框 (
sankey_df)：需要整理成一个“长格式”数据框，至少包含两列（或三列）：source: 源节点，通常是基因ID（比如gene1,gene2）。target: 目标节点，通常是通路ID或通路描述（比如hsa04110,Cell cycle）。value: (可选) 边的权重，如果每个基因-通路连接权重为1，这列可以省略或统一设为1。但有些桑基图函数需要。
关键经验：桑基图的数据准备比气泡图麻烦。你需要从富集结果中，把“哪个基因属于哪个通路”的映射关系提取出来。clusterProfiler的结果对象中，有一个geneID列，里面是用/分隔的基因列表，这就是你的原始材料。
3. 实战第一步：从数据整理到气泡图生成
我们先从相对简单的气泡图开始，这个过程也会帮我们整理出后续桑基图需要的数据。
3.1 数据整理与清洗
假设我们有一个clusterProfiler生成的kegg_result对象（类型是enrichResult）。我们首先把它转换成数据框，并整理出气泡图所需列。
# 加载包 library(clusterProfiler) library(dplyr) library(tidyr) library(stringr) library(ggplot2) # 1. 将富集结果转为数据框，并筛选显著通路（例如 padj < 0.05） bubble_df <- as.data.frame(kegg_result) %>% filter(p.adjust < 0.05) %>% # 根据你的阈值调整 # 2. 计算富集基因数量(Count)和基因比例(GeneRatio数值) mutate( Count = as.numeric(str_split(GeneRatio, "/", simplify = TRUE)[,1]), GeneRatio_num = Count / as.numeric(str_split(GeneRatio, "/", simplify = TRUE)[,2]), # 3. 通常我们按富集因子(Enrichment Factor)或p值排序，这里按p.adjust升序（越小越显著） Description = factor(Description, levels = rev(Description[order(p.adjust)])) ) %>% # 4. 选择需要的列，并可能限制显示通路的数量（如前20条） select(Description, Count, GeneRatio_num, p.adjust) %>% head(20) # 只展示最显著的20条通路，避免图太拥挤 # 查看整理好的数据框 head(bubble_df)为什么这么操作？
str_split用于拆分GeneRatio（如”10/100″），得到分子和分母。- 将通路描述(
Description)转换为因子并排序，是为了让气泡图里的Y轴通路顺序是固定的（最显著的在顶部或底部）。 - 限制显示数量是因为通路太多会导致图上的点重叠严重，可读性变差。前20条是一个常用选择。
3.2 绘制基础气泡图
有了bubble_df，用ggplot2画气泡图就非常直接了。
p_bubble <- ggplot(bubble_df, aes(x = GeneRatio_num, y = Description)) + geom_point(aes(size = Count, color = -log10(p.adjust))) + # 点的大小代表基因数，颜色代表显著性 scale_color_gradient(low = "blue", high = "red", name = "-log10(adj.P)") + # 颜色梯度 scale_size_continuous(range = c(3, 8), name = "Gene Count") + # 点大小范围 labs( x = "Gene Ratio", y = "KEGG Pathway", title = "KEGG Pathway Enrichment Analysis" ) + theme_bw() + theme( axis.text.y = element_text(size = 10), axis.title = element_text(size = 12, face = "bold"), plot.title = element_text(hjust = 0.5, size = 14, face = "bold") ) # 显示图形 print(p_bubble) # 保存图形 ggsave("KEGG_bubble_plot.png", p_bubble, width = 10, height = 8, dpi = 300)参数解释与避坑点：
aes(size = Count, color = -log10(p.adjust)): 这是气泡图的精髓。size映射到基因数量，直观显示通路规模；color映射到-log10(p.adjust)，使得P值越小（越显著）的颜色越“热”（如红色）。scale_size_continuous(range = c(3, 8)): 调整点的大小范围。如果Count值跨度很大，可以调整这个范围让图更美观。theme_bw(): 经典的白底黑线主题，适合出版。- 常见问题：如果通路名称太长，Y轴的标签会重叠。可以用
stringr::str_wrap来截断或换行，或者调整theme(axis.text.y = element_text(...))中的size和margin。
4. 实战第二步：准备桑基图数据并绘制
气泡图告诉我们“哪些通路重要”，桑基图则要展示“重要的基因具体流向了哪些通路”。所以我们需要从原始数据中提取基因-通路的对应关系。
4.1 从富集结果中提取基因-通路映射
这是最关键且稍显繁琐的一步。我们需要把geneID列（包含多个基因）拆分成多行。
# 继续使用kegg_result对象 # 1. 同样先转为数据框并筛选显著通路 sankey_raw_df <- as.data.frame(kegg_result) %>% filter(p.adjust < 0.05) %>% select(ID, Description, geneID, Count) %>% head(10) # 桑基图节点不宜过多，先取前10条显著通路演示 # 2. 拆分geneID列：将用`/`分隔的基因字符串拆分成多行 sankey_links <- sankey_raw_df %>% # 使用separate_rows将一行的多个基因拆成多行 separate_rows(geneID, sep = "/") %>% # 重命名列，形成 source (基因) -> target (通路) 的连接 rename(gene = geneID, pathway = Description) %>% select(gene, pathway) %>% # 每个连接（基因-通路对）的value设为1 mutate(value = 1) # 查看连接数据 head(sankey_links)现在sankey_links数据框里，每一行代表一个“基因-通路”连接。例如：
| gene | pathway | value |
|---|---|---|
| geneA | Cell cycle | 1 |
| geneA | p53 signaling pathway | 1 |
| geneB | Cell cycle | 1 |
注意：一个基因可能富集到多个通路（如上例的geneA），这在桑基图中表现为一个源节点连接到多个目标节点，这正是桑基图要展示的“分流”效果。
4.2 使用ggsankey绘制静态桑基图
ggsankey包提供了geom_sankey和geom_sankey_label等函数，可以无缝融入ggplot2。
library(ggsankey) # 为了绘图，需要将数据框转换为ggsankey需要的格式 # 使用make_long函数，指定节点列（这里gene是x， pathway是next_x） sankey_data_for_plot <- sankey_links %>% make_long(gene, pathway) # 这个函数会将数据转换成`x`, `next_x`, `node`, `next_node`格式 # 绘制桑基图 p_sankey <- ggplot(sankey_data_for_plot, aes(x = x, next_x = next_x, node = node, next_node = next_node, fill = node, # 按节点填充颜色 label = node)) + # 节点标签 geom_sankey(flow.alpha = 0.5, # 流线的透明度 node.color = "black", # 节点边框颜色 show.legend = FALSE) + # 通常节点太多，图例没意义 geom_sankey_label(size = 3, color = "black", fill = "white") + # 添加节点标签 theme_void() + # 清空背景和坐标轴，桑基图通常不需要 theme(plot.margin = unit(c(1, 1, 1, 1), "cm")) # 增加边距防止标签被切 # 显示图形 print(p_sankey) ggsave("KEGG_sankey_plot.png", p_sankey, width = 14, height = 10, dpi = 300)参数解释与避坑点：
make_long(): 是ggsankey的关键函数，它把“源-目标”格式的数据转换成绘图需要的长格式。flow.alpha: 调整流线（连接线）的透明度，当流线很多时，适当调低透明度（如0.5）可以避免画面过脏。theme_void(): 桑基图通常不需要坐标轴，用这个主题清空。- 最大的坑：节点过多。如果你把成百上千个基因和几十条通路都放进去，图形会变成一团乱麻，根本无法阅读。务必筛选：只保留最显著的前N条通路（比如前10或前15），并且只保留富集到这些通路里的基因。这是绘图前最重要的数据过滤步骤。
- 标签重叠：节点标签(
geom_sankey_label)可能会重叠。ggsankey对标签位置的处理有时不够智能。如果重叠严重，可以考虑使用geom_sankey_text并手动调整，或者转向交互式绘图库如plotly，它允许手动拖动节点。
4.3 （进阶）使用plotly绘制交互式桑基图
如果你需要探索性分析，交互式图表更合适。plotly库功能强大。
library(plotly) # 为plotly准备数据：需要定义节点列表和连接列表 # 1. 获取所有唯一的节点（基因名+通路名） nodes <- unique(c(sankey_links$gene, sankey_links$pathway)) # 创建节点数据框，plotly需要索引 node_df <- data.frame(name = nodes, id = 0:(length(nodes)-1)) # 2. 创建连接数据框，将基因和通路名称映射到索引 links_df <- sankey_links %>% left_join(node_df, by = c(“gene” = “name”)) %>% rename(source = id) %>% left_join(node_df, by = c(“pathway” = “name”)) %>% rename(target = id) %>% select(source, target, value) # 3. 绘制交互式桑基图 fig <- plot_ly( type = “sankey”, orientation = “h”, # 水平流向 node = list( label = node_df$name, pad = 15, thickness = 20, line = list(color = “black”, width = 0.5) ), link = list( source = links_df$source, target = links_df$target, value = links_df$value ) ) # 显示图形（在RStudio的Viewer或浏览器中） fig # 保存为独立的HTML文件 htmlwidgets::saveWidget(as_widget(fig), “KEGG_sankey_interactive.html”)交互式图的优势：你可以用鼠标悬停查看每个节点或连接的详细信息，拖动节点来重新布局，这对于理解复杂的关系网络非常有帮助。生成的HTML文件可以单独打开，方便在报告或网页中展示。
5. 将两图生成流程封装与通用化
上面是分步演示。在实际项目中，我们肯定希望有一个函数或一套脚本，输入富集结果，就能输出两张图。这里提供一个简化的流程框架。
5.1 创建一个整合绘图函数
你可以创建一个R脚本（例如plot_kegg_dual.R），里面包含一个主函数。
#' 生成KEGG气泡图和桑基图 #' #' @param enrich_obj clusterProfiler的富集结果对象 #' @param padj_cutoff 显著性阈值，默认0.05 #' @param top_n_pathway 用于绘图的前N条通路，气泡图默认20，桑基图默认10 #' @param bubble_outfile 气泡图输出文件名 #' @param sankey_outfile 桑基图输出文件名（静态） #' @param sankey_interactive_outfile 交互式桑基图输出文件名（可选） #' #' @return 一个列表，包含气泡图对象和桑基图连接数据 generate_kegg_dual_plots <- function(enrich_obj, padj_cutoff = 0.05, top_n_bubble = 20, top_n_sankey = 10, bubble_outfile = “kegg_bubble.png”, sankey_outfile = “kegg_sankey.png”, sankey_interactive_outfile = NULL) { library(dplyr); library(tidyr); library(stringr); library(ggplot2); library(ggsankey) # 1. 数据准备 df_raw <- as.data.frame(enrich_obj) # 2. 生成气泡图数据并绘图 bubble_df <- df_raw %>% filter(p.adjust < padj_cutoff) %>% mutate( Count = as.numeric(str_split(GeneRatio, “/“, simplify = TRUE)[,1]), GeneRatio_num = Count / as.numeric(str_split(GeneRatio, “/“, simplify = TRUE)[,2]), Description = factor(Description, levels = rev(Description[order(p.adjust)])) ) %>% arrange(p.adjust) %>% head(top_n_bubble) p_bubble <- ggplot(bubble_df, aes(x = GeneRatio_num, y = Description)) + geom_point(aes(size = Count, color = -log10(p.adjust))) + scale_color_gradient(low = “blue”, high = “red”, name = “-log10(adj.P)”) + scale_size_continuous(range = c(3, 8), name = “Gene Count”) + labs(x = “Gene Ratio”, y = “”, title = “KEGG Pathway Enrichment”) + theme_bw() + theme(axis.text.y = element_text(size = 9), plot.title = element_text(hjust = 0.5)) ggsave(bubble_outfile, p_bubble, width = 9, height = 6, dpi = 300) message(“Bubble plot saved to: “, bubble_outfile) # 3. 生成桑基图数据并绘图 sankey_raw_df <- df_raw %>% filter(p.adjust < padj_cutoff) %>% arrange(p.adjust) %>% head(top_n_sankey) %>% select(ID, Description, geneID) sankey_links <- sankey_raw_df %>% separate_rows(geneID, sep = “/“) %>% rename(gene = geneID, pathway = Description) %>% select(gene, pathway) %>% mutate(value = 1) # 如果连接数据为空，则跳过桑基图绘制 if (nrow(sankey_links) == 0) { warning(“No significant pathways found for Sankey diagram after filtering.”) return(list(bubble_plot = p_bubble, sankey_links = NULL)) } sankey_data <- sankey_links %>% make_long(gene, pathway) p_sankey <- ggplot(sankey_data, aes(x = x, next_x = next_x, node = node, next_node = next_node, fill = node, label = node)) + geom_sankey(flow.alpha = 0.5, node.color = “black”, show.legend = FALSE) + geom_sankey_label(size = 2.5, color = “black”, fill = “white”) + theme_void() + theme(plot.margin = unit(c(1, 1, 1, 1), “cm”)) ggsave(sankey_outfile, p_sankey, width = 12, height = 8, dpi = 300) message(“Static Sankey plot saved to: “, sankey_outfile) # 4. 可选：生成交互式桑基图 if (!is.null(sankey_interactive_outfile)) { library(plotly) # … (此处插入前面plotly的代码逻辑，生成fig并保存为HTML) … message(“Interactive Sankey plot saved to: “, sankey_interactive_outfile) } # 返回结果 return(list(bubble_plot = p_bubble, sankey_plot = p_sankey, links_data = sankey_links)) } # 使用示例 # result <- generate_kegg_dual_plots(kegg_result, # top_n_sankey = 8, # bubble_outfile = “my_bubble.pdf”, # 支持pdf, png等格式 # sankey_outfile = “my_sankey.pdf”)5.2 通用化建议：处理非clusterProfiler的输入数据
如果你的数据不是来自clusterProfiler，而是一个普通的data.frame，比如列名是Pathway,PValue,Genes（基因列表用逗号分隔）。你需要调整数据整理的代码。
核心修改点在数据提取部分：
# 假设你的数据框叫 my_df bubble_df <- my_df %>% filter(PValue < 0.05) %>% mutate( # 计算Count，可能需要从Genes列数逗号 Count = str_count(Genes, “,”) + 1, GeneRatio_num = Count / background_gene_count, # 你需要知道背景基因总数 Pathway = factor(Pathway, levels = rev(Pathway[order(PValue)])) ) # 桑基图连接数据 sankey_links <- my_df %>% filter(PValue < 0.05) %>% head(10) %>% separate_rows(Genes, sep = “,”) %>% # 按逗号拆分 rename(gene = Genes, pathway = Pathway) %>% select(gene, pathway) %>% mutate(value = 1)关键：确保你能从数据中准确提取出“基因列表”和“通路”的对应关系，以及计算或获取GeneRatio和Count。
6. 常见问题排查与图形优化
在实际运行中，你可能会遇到以下问题。按照这个顺序排查，大部分都能解决。
6.1 图形渲染或保存问题
报错：
Error in geom_sankey()或could not find function “make_long”- 原因：
ggsankey包没有正确安装或加载。 - 解决：确认已安装(
install.packages(“ggsankey”))并加载(library(ggsankey))。注意包名是ggsankey，不是sankey。
- 原因：
桑基图节点/标签重叠严重，看不清
- 原因：数据太多，超过了静态图的表达能力。
- 解决：
- 严格筛选：这是最有效的办法。将
top_n_sankey参数调小，比如只画最显著的5-8条通路。桑基图不适合展示太多节点。 - 调整图形尺寸：保存时增加
width和height（如width=16, height=12），给标签更多空间。 - 改用交互式图：这是解决重叠问题的终极方案。用
plotly生成HTML，然后手动拖动和缩放查看。
- 严格筛选：这是最有效的办法。将
气泡图通路名称太长，Y轴标签重叠
- 解决：在
theme(axis.text.y = …)中使用element_text(angle = 0, hjust = 1)调整，或者用stringr::str_wrap(Description, width = 40)在绘图前将长通路名自动换行。
- 解决：在
6.2 数据相关问题
桑基图数据
sankey_links为空，画不出图- 原因：
top_n_sankey设置过大，但显著通路没那么多；或者padj_cutoff太严格，没有显著通路。 - 解决：检查
df_raw %>% filter(p.adjust < padj_cutoff) %>% nrow()有多少行。确保筛选后有数据。可以先画气泡图确认有多少条显著通路。
- 原因：
geneID列是空的或是NA- 原因：有些富集分析结果可能不包含具体的基因列表，或者你在运行
enrichKEGG时没有设置universe或gene参数导致。 - 解决：确保你的富集分析步骤包含了基因ID信息。对于
clusterProfiler，检查enrichKEGG()函数的参数是否正确，结果对象的geneID列是否有内容。
- 原因：有些富集分析结果可能不包含具体的基因列表，或者你在运行
一个基因出现在过多通路中，导致桑基图像“扫把”
- 现象：某个基因节点伸出大量流线，连接几乎所有通路，图形失去重点。
- 原因：该基因可能是一个广泛表达的“管家基因”，或者富集分析本身不够特异。
- 解决：这更多是生物学问题。可以从分析角度，在富集前过滤掉低表达或变化不显著的基因。从绘图角度，可以尝试在桑基图中过滤掉连接数超过某个阈值（比如>5）的基因，但需谨慎，因为这可能掩盖真实生物学信息。
6.3 性能与美化
数据量很大时，绘图速度慢
- 解决：对于气泡图，限制
top_n_bubble。对于桑基图，必须限制top_n_sankey。这是保证可读性和性能的关键。交互式plotly图在处理数百个节点时也可能变慢，需要权衡。
- 解决：对于气泡图，限制
想自定义颜色
- 气泡图：使用
scale_color_gradient2或scale_color_viridis_c等函数可以更换颜色渐变方案。 - 桑基图(ggsankey)：
aes(fill = node)会根据节点自动分配颜色。你可以通过scale_fill_manual(values = my_colors)来手动指定颜色向量my_colors，但需要颜色数量与节点数匹配，操作较复杂。一个更简单的方法是aes(fill = x)，这样只根据层级（基因层或通路层）来分配两种颜色。
- 气泡图：使用
这套“一码出两图”的流程，其核心思想在于数据驱动的可视化。一旦你整理好了标准的富集结果数据框，生成气泡图是水到渠成。而桑基图所需的核心映射关系（基因-通路），其实已经蕴含在同一个数据源里，只需要一次separate_rows的转换就能提取出来。我建议你在自己的项目上，先确保富集分析结果本身是可靠的，然后用前5-10条最显著的通路来尝试桑基图。先跑通，再调整，最后考虑封装成可复用的函数。这样，你的下一次KEGG可视化，就不仅仅是发一张图，而是讲一个更有层次的数据故事了。
