在多组学分析中，经常需要绘制多组学相关性热图，用于展示不同组学数据(如转录组学、蛋白组学、代谢组学、微生物组学等)之间的相关性关系。这种热图可以帮助研究者发现不同层次生物分子之间的关联模式。然而，传统工具如R、Python的绘图流程往往涉及繁琐的文件处理、颜色搭配调试和图例优化等，让研究者耗费大量时间，更是令生信新手望而生畏。AI大模型的介入彻底改变了这一局面。只需提供您的不同组学数据，并用自然语言描述定制需求，AI即可自动生成绘图脚本，真正实现"专业绘图，一键生成"。本文将以蛋白与微生物组为例，带您体验如何通过AI协作，在短短5分钟内完成一幅专业的多组学相关性热图，助您在科研工作中以极致的效率和专业度获得竞争优势！初步构建绘图提示词

要绘制蛋白与微生物相关性热图，为了让他更高效的出图,我们尽量描述的详细一点，这样能够减少我们后面修改的次数，更容易得到想要的结果。首先确认自己的路径和绘图需要的文件，分别是：

蛋白质定量矩阵

微生物丰度矩阵

这里只截取了一小部分，类似的文件大家肯定见过，这里就不多赘述了，

写完了的提示词如下,大家可以参考一下格式：

------------------------------------------

读取两个文件（用read.table读取）

工作路径: /share/nas1/wangq/project/test

蛋白质定量矩阵： pep.txt（行=蛋白质，列=样本）

微生物ASV矩阵：ASV.txt （行=ASV，列= 样本）

 计算蛋白质和微生物之间的皮尔森相关性，并使用corrplot绘制相关性热图

绘图工具： corrplot 

图形类型：相关性热图

------------------------------------------

在deepseek输出上面写好的提示词,如果问题复杂可以打开deepthink，

这样简单的就不需要了。

初步生成绘图代码

AI给出了详细的代码,我们来到RStudio运行一下，结果如下：

可以看到它把蛋白与微生物合并一起计算相关性了，我们让他修改一下不合并。

让AI帮助我修改可视化效果

修改后的绘图结果如下所示：

这里使用颜色表示相关性的强度，我们可以让他改成使用圆圈大小，并去掉相关性值的显示。

修改后的绘图如下所示，比较符合我们的要求,如果有其他需求,也可以让他再调。

最终绘图代码

# 设置工作路径setwd("/share/nas1/wangq/project/test")# 加载所需库library(corrplot)# 读取数据（保持原始结构：行=特征，列=样本）protein <- read.table("pep.txt", header = TRUE, row.names = 1, sep = "\t", check.names = FALSE)microbe <- read.table("ASV.txt", header = TRUE, row.names = 1, sep = "\t", check.names = FALSE)# 筛选共同样本并保持顺序一致common_samples <- intersect(colnames(protein), colnames(microbe))protein <- protein[, common_samples, drop = FALSE]microbe <- microbe[, common_samples, drop = FALSE]# 转置为样本×特征格式（便于计算相关性）protein_samples <- t(protein)  # 行=样本，列=蛋白质microbe_samples <- t(microbe)  # 行=样本，列=微生物# 直接计算两组特征间的交叉相关性（不合并数据）# 结果矩阵：行=蛋白质，列=微生物correlation_results <- cor(protein_samples, microbe_samples, method = "pearson")# 绘制热图corrplot(  correlation_results,  method = "circle",  type = "full",  tl.col = "black",  tl.srt = 45,  diag = FALSE  # 交叉矩阵无对角线意义)

更多生信课程：