跳到主要内容

UpSet 图

集合超过三四个之后,韦恩图就没法画了,UpSet 图是可扩展的替代。它由三部分组成:

部件表达什么
交集柱(上方)每个精确集合组合里有多少元素
点矩阵(中间)每个交集涉及哪几个集合 —— 实心点之间连一条竖线
集合大小条(左侧)每个集合的总量
WITH d AS (SELECT * FROM read_csv_auto('{{DFK_BASE_URL}}data/upset.tsv')),
m AS (
SELECT (GWAS_hit + eQTL * 2 + Splicing_QTL * 4
+ Methylation_QTL * 8 + Conservation * 16 + ClinVar * 32) AS mask
FROM d
)
SELECT kuva_render(to_json({
'title': 'Genomic annotation overlap',
'series': [{
'type': 'upset',
'set_names': ['GWAS_hit', 'eQTL', 'Splicing_QTL', 'Methylation_QTL', 'Conservation', 'ClinVar'],
'set_sizes': [
(SELECT sum(GWAS_hit) FROM d),
(SELECT sum(eQTL) FROM d),
(SELECT sum(Splicing_QTL) FROM d),
(SELECT sum(Methylation_QTL) FROM d),
(SELECT sum(Conservation) FROM d),
(SELECT sum(ClinVar) FROM d)
],
'intersections': (SELECT list({'mask': mask, 'count': n})
FROM (SELECT mask, count(*) AS n FROM m WHERE mask > 0 GROUP BY mask)),
'counts': true,
'max_visible': 20
}]
})) AS chart;

掩码​

全部关键就在一个数上。mask 是一个位掩码,第 i 位表示「第 i 个集合参与」,于是上面六个集合里:

组合mask
只有 GWAS_hit1
只有 eQTL2
GWAS_hit ∩ eQTL3
六个都参与63

上面的例子把每个 0/1 列乘上它的位权再求和 —— 这就是位掩码的定义,只不过摊开写了一遍。

交集是精确的:mask 3 数的是「在 GWAS_hit 和 eQTL 里、且不在其它任何集合里」的元素。这与韦恩图里那种 「含子交集」的约定正好相反,也正是各列能加得起来的原因。

排序​

sort顺序
"by_frequency"交集大的在前(默认)
"by_degree"涉及的集合多的在前,同数量按计数排
"natural"就按你给的顺序

有意思的是那些复杂列(罕见的六路交叠)而不是最大的那几列时,用 "by_degree"。

WITH d AS (SELECT * FROM read_csv_auto('{{DFK_BASE_URL}}data/upset.tsv')),
m AS (
SELECT (GWAS_hit + eQTL * 2 + Splicing_QTL * 4
+ Methylation_QTL * 8 + Conservation * 16 + ClinVar * 32) AS mask
FROM d
)
SELECT kuva_render(to_json({
'title': 'Sorted by degree',
'series': [{
'type': 'upset',
'set_names': ['GWAS_hit', 'eQTL', 'Splicing_QTL', 'Methylation_QTL', 'Conservation', 'ClinVar'],
'set_sizes': [
(SELECT sum(GWAS_hit) FROM d),
(SELECT sum(eQTL) FROM d),
(SELECT sum(Splicing_QTL) FROM d),
(SELECT sum(Methylation_QTL) FROM d),
(SELECT sum(Conservation) FROM d),
(SELECT sum(ClinVar) FROM d)
],
'intersections': (SELECT list({'mask': mask, 'count': n})
FROM (SELECT mask, count(*) AS n FROM m WHERE mask > 0 GROUP BY mask)),
'sort': 'by_degree',
'counts': true,
'bar_color': '#1d4ed8',
'dot_color': '#1e3a8a',
'max_visible': 15
}]
})) AS chart;

限量与裁剪​

max_visible 只保留排序之后的前 n 个交集,所以被丢掉的永远是最小(或涉及集合最少)的那些。六个集合最多 有 63 个非空组合 —— 没人会去读 63 列。

show_set_sizes: false 藏掉左侧面板:总量从上下文已经知道时,版面会紧凑不少。

WITH d AS (SELECT * FROM read_csv_auto('{{DFK_BASE_URL}}data/upset.tsv')),
m AS (
SELECT (GWAS_hit + eQTL * 2 + Splicing_QTL * 4
+ Methylation_QTL * 8 + Conservation * 16 + ClinVar * 32) AS mask
FROM d
)
SELECT kuva_render(to_json({
'title': 'Top 8, no set-size panel',
'series': [{
'type': 'upset',
'set_names': ['GWAS_hit', 'eQTL', 'Splicing_QTL', 'Methylation_QTL', 'Conservation', 'ClinVar'],
'set_sizes': [
(SELECT sum(GWAS_hit) FROM d),
(SELECT sum(eQTL) FROM d),
(SELECT sum(Splicing_QTL) FROM d),
(SELECT sum(Methylation_QTL) FROM d),
(SELECT sum(Conservation) FROM d),
(SELECT sum(ClinVar) FROM d)
],
'intersections': (SELECT list({'mask': mask, 'count': n})
FROM (SELECT mask, count(*) AS n FROM m WHERE mask > 0 GROUP BY mask)),
'max_visible': 8,
'show_set_sizes': false,
'counts': true
}]
})) AS chart;

字段​

字段类型设置什么
set_namesstring[]必填。 每个集合一个名字;第 i 位对应 set_names[i]。
set_sizesinteger[]每个集合的总量,用于左侧条;长度须与 set_names 一致。
intersectionsintersection[]必填。 每个非空组合 {mask, count}。
sortstring"by_frequency"(默认)· "by_degree" · "natural"。
max_visibleinteger排序后只保留前 n 个交集。
countsboolean在柱子上写计数。
show_set_sizesboolean画左侧的集合大小面板(默认开)。
bar_colorstring交集柱与集合大小条的颜色(默认 #333333)。
dot_colorstring实心点的颜色(默认 #333333)。
dot_empty_colorstring「不在这个交集里」的那些点的颜色。

说明​

  • 掩码是精确组合,不是含子交集的计数 —— mask 3 是「在集合 0 与 1 里、且不在其它任何集合里」。mask 为 0(哪个集合都不在)不是一个交集,不会画。
  • set_sizes 必须与 set_names 对齐;集合总量只有这一个来源,所以它不必等于掩码计数之和。
  • max_visible 是在排序之后生效的,所以调大它不会改变图的顺序。
  • 不在某交集里的集合,点仍然会画(浅灰)—— 正是它们让每一列的「组合」读得出来。

另见​