今天小编和大家分享一个在KEGG通路分析中可能会经常用到的一个R包，名字叫Pathview。我将分五期进行，从快速上手，再到高级用法，最后在用实例对这个包做一个较全面的讲解。下面我们先简单了解一下这个包并学会快速使用它吧。
1. 简单介绍
Pathview包是最早在2013年发布的一个生信工具，该包的主要功能是基于基因通路的数据整合和可视化。它可以将用户的数据映射到特定的通路图上并显示出来。用户只需要提供自定义的数据并指定目标通路，Pathview就可以自动下载相应的kegg路径图数据，解析数据文件，将用户数据映射和整合到通路上，并显示出通路图。虽然Pathview是作为一个独立的R包 ，但它可以与其它通路和功能分析工具无缝集成，用于大规模和完全自动化的分析。
Pathview包是一个独立的生信分析R包，主要功能是基于基因通路的数据整合和可视化。该包可以被分为四个功能模块：
-
Downloader，下载KEGG通路图
-
Parser， 解析数据
-
Mapper， 将基因数据映射到通路图上
-
Viewer， 浏览结果
此外Pathway在数据整合方面有很强大的功能，包括：
-
它适用于基本上所有类型的映射到基因通路上的生物学数据
-
超过10种类型的基因或蛋白质ID，以及20种类型的化合物或代谢物ID
-
约4800个物种的路径以及KEGG词条
-
多种数据属性和格式，即连续/离散数据、矩阵/矢量、单个/多个样本数据等
2. 下载和安装
Pathview包是发布在BioConductior上的一个包，所以我们按照相应的方法安装即可。现在在BioConductor上可以下载到的是1.34.0版本
if (!requireNamespace("BiocManager", quietly = TRUE))
install.packages("BiocManager")
BiocManager::install("pathview")3. 快速上手
Pathview包中的主函数是pathview()，有着各种参数，使我们用到最多的函数。
Pathview在通路图数据的可视化时有两种输出格式，分别是原始的KEGG视图和Graphviz视图。前者将用户的数据呈现在原始的KEGG路径图上，因此很自然，更容易阅读。后者使用Graphviz引擎布置路径图；因此可以更好地控制节点或边的属性和路径拓扑结构。在使用时可以根据实际需要选择合适的输出格式。
我们下面举例会使用微阵列数据作为基因数据的例子，但Pathview同样适用于RNA-Seq数据和其他类型的基因/蛋白质的高通量数据。
3.1 加载基因数据
我们先以一个实例芯片数据为例，来快速上手Pathview。开始先加载我们的R包和一个包里自带的数据
library(pathview)
data("gse16873.d")数据是6个乳腺癌样本的基因芯片数据，列名为基因的ENTREZ ID。例子中的芯片数据是经过log2转化过的。
3.2 加载通路数据
下面加载一个包内自带的通路数据
data("demo.paths")观察一下通路数据的结构，是长度为5的列表。包含了通路的ID以及画图的一些参数数据。当然，我们在实际使用时没有必要将通路数据和画图参数做成一个列表，只需要在主函数内设置相应参数就好了。
> str(demo.paths)
List of 5
$ sel.paths: chr [1:3] "04110" "00620" "00640"
$ kpos1 : chr [1:3] "topright" "bottomright" "topright"
$ kpos2 : chr [1:3] "topright" "topright" "bottomright"
$ spos : chr [1:3] "bottomleft" "bottomleft" "topright"
$ offs : num [1:3] -1 -1 -0.83.3 使用pathview函数画通路图
我们先来看一下单个样本的基因表达量在“Cell Cycle”这条通路上的变化情况，只需要明确gene.data 和 pathway.id 两个参数即可。我们选择第一个样本的数据做展示，即DISC_1。一些细节如下：
-
pathview()函数是该包中的核心函数，拥有众多参数来调节通路图的细节
-
我们现在只提供基因数据和通路id，画一个最基本的形式
#KEGG view: gene data only
i <- 1
pv.out <- pathview(gene.data = gse16873.d[, 1], #取第一个样本
pathway.id = demo.paths$sel.paths[i], #选择第一个通路的id
species = "hsa", #人类样本
out.suffix = "gse16873", #输出文件的后缀
kegg.native = TRUE) #输出的图片形式为kegg画好后图片会被保存在当前的工作目录，我们可以找到并打开画好的图像
图像如下，可以看出：
-
这是我们看到的经典的KEGG通路图
-
该样本在该通路上基因的表达量映射在了相应基因处，此时展示的是基因的KEGG名称，而不是常规的Symbol
我们将主函数的结果赋值给了pv.out，我们不妨来看一下它的结构：
-
是一个长度为2的列表：
-
-
一个是plot.data.gene，储存画图用到的基因数据
-
一个是plot.data.cpd，储存的是药物或化合物节点的数据，我们之后会用到
-
-
plot.data.gene储存量我们画图的各种参数，是一个数据框。我们也可以对数据框中的数据做个性化的修改
-
#看一下pv.out的组成结构 > str(pv.out) List of 2 $ plot.data.gene:'data.frame': 92 obs. of 10 variables: ..$ kegg.names: chr [1:92] "1029" "51343" "4171" "4998" ... ..$ labels : chr [1:92] "CDKN2A" "FZR1" "MCM2" "ORC1" ... ..$ all.mapped: chr [1:92] "1029" "51343" "4171,4172,4173,4174,4175,4176" "4998,4999,5000,5001,23594,23595" ... ..$ type : chr [1:92] "gene" "gene" "gene" "gene" ... ..$ x : num [1:92] 532 919 553 494 919 919 188 432 123 77 ... ..$ y : num [1:92] 124 536 556 556 297 519 519 191 704 687 ... ..$ width : num [1:92] 46 46 46 46 46 46 46 46 46 46 ... ..$ height : num [1:92] 17 17 17 17 17 17 17 17 17 17 ... ..$ mol.data : num [1:92] 0.129 -0.404 -0.42 0.986 0.936 ... ..$ mol.col : chr [1:92] "#BEBEBE" "#5FDF5F" "#5FDF5F" "#FF0000" ... $ plot.data.cpd : NULL
4. 实例
除了上面普通的KEGG信号通路，Pathview包也可以在那些炫酷的KEGG通路图上进行映射，这里我们以人类的氧化磷酸化通路为例，我们先去到KEGG官网，查询得到氧化磷酸化通路的KEGG ID为00190，如下：
我们可以看到这幅通路图原本的样子就很好看
得到了通路ID后，我们就可以利用pathview()函数将我们的基因数据映射到通路图上啦。函数的参数不用变，只要改变pathway.id参数就可以了。
pv.out <- pathview(gene.data = gse16873.d[, 1],
pathway.id = "00190",
species = "hsa", #人类样本
out.suffix = "gse16873", #输出文件的后缀
kegg.native = TRUE)得到的结果如下，我们就将我们的单样本在该通路上的数据映射了上去：
5. 小结
我们简单回顾一下，我们用到的主要函数便是pathview()，再提供了一个样本的基因数据和一个指定的KEGG通路的ID后，我们就得到了一副经典的KEGG通路图，并且通路图映射着该样本的基因表达量。