使用chatGPT绘制基因共表达网络图

ChatGPT 是一款强大的语言模型，不仅可以回答问题和进行对话，还可以辅助编写代码。通过提供清晰的问题或指令，可以从 ChatGPT 获得代码段、算法示例以及编程建议。它支持多种编程语言和领域，为编程任务提供快速而可靠的帮助，无论是解决问题、学习新技术还是优化代码结构，ChatGPT 都能助你一臂之力。

我们以绘制基因共表达网络图为例展示 chatGPT 在写代码方面的作用。首先提出问题“绘制共表达网络图”，描述数据格式并指定用R语言实现这一过程，chatGPT 给出的方法是使用 igraph 包根据随机数据生成无向图对象并绘图。

# 安装和加载所需的包
install.packages("igraph")
library(igraph)

# 生成示例数据
set.seed(123)  # 设置随机种子以保持结果可复现
num_genes <- 100
genes <- paste0("Gene", 1:num_genes)
edges <- data.frame(
  gene1 = sample(genes, num_genes, replace = TRUE),
  gene2 = sample(genes, num_genes, replace = TRUE),
  weight = runif(num_genes)
)

# 创建图对象
graph <- graph.data.frame(edges, directed = FALSE)

# 绘制基因共表达网络图
plot(graph,
     layout = layout_with_fr(graph),  # 使用Fruchterman-Reingold布局
     vertex.label = NA,                # 不显示顶点标签
     edge.color = "gray",
     edge.width = edges$weight * 3,    # 根据权重设置边的宽度
     main = "Gene Co-expression Network"
)

这个图中的边的宽度根据权重大小变化，但是其变化程度并不明显，因此向chatGPT进一步提出增加边宽度变化程度。

点击展开代码块

# 安装和加载所需的包
install.packages("igraph")
library(igraph)

# 生成示例数据
set.seed(123)  # 设置随机种子以保持结果可复现
num_genes <- 100
genes <- paste0("Gene", 1:num_genes)
edges <- data.frame(
  gene1 = sample(genes, num_genes, replace = TRUE),
  gene2 = sample(genes, num_genes, replace = TRUE),
  weight = runif(num_genes, min = 0.1, max = 1)  # 调整权重范围
)

# 创建图对象
graph <- graph.data.frame(edges, directed = FALSE)

# 计算边的宽度
max_weight <- max(edges$weight)
edge_widths <- edges$weight / max_weight * 5  # 进一步调整权重缩放系数

# 绘制基因共表达网络图
plot(graph,
     layout = layout_with_fr(graph),  # 使用Fruchterman-Reingold布局
     vertex.label = NA,                # 不显示顶点标签
     edge.color = "gray",
     edge.width = edge_widths,         # 使用计算后的边宽度
     main = "Gene Co-expression Network"
)

在新的代码中由原来的 edges$weight * 3 变成了 edges$weight / max_weight * 5，对权重的范围进行了调整，并计算了边的宽度，使得权重大的边显示得更加明显。进一步我想将权重最大的三个基因挑选出来，标注 Gene ID，并用不同颜色突出表示。

点击展开代码块

# 安装和加载所需的包
install.packages("igraph")
library(igraph)

# 生成示例数据
set.seed(123)  # 设置随机种子以保持结果可复现
num_genes <- 100
genes <- paste0("Gene", 1:num_genes)
edges <- data.frame(
  gene1 = sample(genes, num_genes, replace = TRUE),
  gene2 = sample(genes, num_genes, replace = TRUE),
  weight = runif(num_genes, min = 0.1, max = 1)
)

# 创建图对象
graph <- graph.data.frame(edges, directed = FALSE)

# 找出权重之和最高的三个基因
gene_weights <- tapply(edges$weight, edges$gene1, sum)
top_genes <- names(sort(gene_weights, decreasing = TRUE)[1:3])

# 计算边的宽度
max_weight <- max(edges$weight)
edge_widths <- edges$weight / max_weight * 5

# 设置顶点的颜色
vertex_colors <- ifelse(V(graph)$name %in% top_genes, "red", "blue")

# 绘制基因共表达网络图
plot(graph,
     layout = layout_with_fr(graph),  # 使用Fruchterman-Reingold布局
     vertex.label = NA,
     vertex.color = vertex_colors,     # 使用顶点颜色向量
     edge.color = "gray",
     edge.width = edge_widths,
     main = "Gene Co-expression Network"
)

新的结果中使用 tapply 函数计算 gene1 列基因的 weight 之和随后排序选出前三个基因作为高权重基因。使用 vertex.color 参数，在图中将其用红色表示出来。但是 vertex.label 参数仍然未设置，我们要求的 Gene ID 并没有标注，因此我们将这一问题反馈给 chatGPT。

点击展开代码块

# 安装和加载所需的包
install.packages("igraph")
library(igraph)

# 生成示例数据
set.seed(123)  # 设置随机种子以保持结果可复现
num_genes <- 100
genes <- paste0("Gene", 1:num_genes)
edges <- data.frame(
  gene1 = sample(genes, num_genes, replace = TRUE),
  gene2 = sample(genes, num_genes, replace = TRUE),
  weight = runif(num_genes, min = 0.1, max = 1)
)

# 创建图对象
graph <- graph.data.frame(edges, directed = FALSE)

# 找出权重之和最高的三个基因
gene_weights <- tapply(edges$weight, edges$gene1, sum)
top_genes <- names(sort(gene_weights, decreasing = TRUE)[1:3])

# 计算边的宽度
max_weight <- max(edges$weight)
edge_widths <- edges$weight / max_weight * 5

# 设置顶点的颜色和标签
vertex_colors <- ifelse(V(graph)$name %in% top_genes, "red", "blue")
vertex_labels <- ifelse(V(graph)$name %in% top_genes, V(graph)$name, NA)

# 绘制基因共表达网络图
plot(graph,
     layout = layout_with_fr(graph),  # 使用Fruchterman-Reingold布局
     vertex.label = vertex_labels,     # 使用顶点标签向量
     vertex.color = vertex_colors,
     edge.color = "gray",
     edge.width = edge_widths,
     main = "Gene Co-expression Network"
)

最终我们得到一个基因共表达网络图，其中重要基因使用不同颜色突出显示，并标注出 Gene ID。我们向 chatGPT 提出要求，可以实现快速编写代码，通过对 chatGPT 提出新的要求可以进一步对结果进行修改。但是 chatGPT 有时不能给出完全符合预期的结果，需要我们对其进行引导，而且给出的方案也并不一定完全正确，上述代码中挑选高权重基因的方法没有考虑 gene2 列。因此我们需要向 chatGPT 提出清晰明确的要求并不断引导，从而正确实现我们的目的，提高工作效率。