有没有办法手动调整 ape/phytools 中系统发育的颜色渐变边界？
Is there a way to manually adjust the boundaries of a color gradient on a phylogeny in ape/phytools?
我正在尝试使用 ape 和 phytools 可视化系统发育最小二乘回归的结果。具体来说，我一直在尝试创建一个用于预测目的的回归方程，并且我正在研究系统发育信号对残差的影响程度（以及方程的准确性）。我一直在使用类似于以下的代码来绘制结果（尽管此处针对虚拟数据进行了重新设计）。
library("ape")
library("phytools")
orig_tree<-rtree(n=20)
plot(orig_tree)
values<-data.frame("residuals"=runif(20,min=-1,max=1),row.names=orig_tree$tip.label)
values<-setNames(values$residuals,rownames(values))
residualsignalfit<-fastAnc(orig_tree,values,vars=TRUE,CI=TRUE)
obj<-contMap(orig_tree,values,plot=FALSE)
plot(obj,fsize=.25)
但是，问题在于我有一些物种相对于数据集的其余部分表现出极高的残差。因为颜色渐变的最小值和最大值设置为实际列的最小值和最大值，所以这会冲掉 90% 数据集之间的所有对比度，以可视化少数极端异常值。下面的代码重现了我的意思与上面 obj 相比的示例。
values2<-values
values2[6]<--2
values2[7]<-2
residualsignalfit2<-fastAnc(orig_tree,values2,vars=TRUE,CI=TRUE)
obj2<-contMap(orig_tree,values2,plot=FALSE)
plot(obj2,fsize=.25)
这导致该图看起来好像系统发育信号比实际少得多，因为它将除了最极端的离群点之外的所有颜色都着色为颜色相似。
我想找出一种方法来设置颜色渐变的最小值和最大值，以便任何值≤ -1 是最大可能的红色值，任何值≥ 1 是最大可能的蓝色值，从而允许其余残差的对比度更大。我尝试使用命令
plot(obj2,fsize=.25,lims=c(-1,1))
但是正如您从这段代码中看到的那样，这没有任何作用。我知道 ggplot2 有一个选项可以根据用户输入的值重新调整颜色渐变，但我似乎无法弄清楚如何从 ape 或 phytools 绘制系统发育对象在 ggplot2.
鉴于此，有什么方法可以操纵ape/phytools中的颜色渐变模式，以便可以任意设置颜色渐变的最大和最小边界？
您可以通过“挤压”一些任意边界（在我的示例中为 90% 分位数）之间的值来操纵颜色渐变模式，以调整 phytools::contMap:
中的颜色渐变
## The vector of values with two outliers
values_outliers <- values
values_outliers[6] <- -10
values_outliers[7] <- 10
## The original heat plot object
contMap_with_outliers <- contMap(orig_tree, values_outliers, plot = FALSE)
plot(contMap_with_outliers, fsize = .25)
## Removing the outliers (setting them within to the 90% CI)
values_no_outliers <- values_outliers
## Find the 90% boundaries
boundaries <- quantile(values_no_outliers, probs = c(0.05, 0.95))
## Changing the values below the lowest boundary
values_no_outliers <- ifelse(values_no_outliers < boundaries[1], boundaries[1], values_no_outliers)
## Changing the values above the highest boundary
values_no_outliers <- ifelse(values_no_outliers > boundaries[2], boundaries[2], values_no_outliers)
## The heat plot object without outliers
contMap_without_outliers <- contMap(orig_tree, values_no_outliers, plot = FALSE)
plot(contMap_without_outliers, fsize = .25)
我正在尝试使用 ape 和 phytools 可视化系统发育最小二乘回归的结果。具体来说，我一直在尝试创建一个用于预测目的的回归方程，并且我正在研究系统发育信号对残差的影响程度（以及方程的准确性）。我一直在使用类似于以下的代码来绘制结果（尽管此处针对虚拟数据进行了重新设计）。
library("ape")
library("phytools")
orig_tree<-rtree(n=20)
plot(orig_tree)
values<-data.frame("residuals"=runif(20,min=-1,max=1),row.names=orig_tree$tip.label)
values<-setNames(values$residuals,rownames(values))
residualsignalfit<-fastAnc(orig_tree,values,vars=TRUE,CI=TRUE)
obj<-contMap(orig_tree,values,plot=FALSE)
plot(obj,fsize=.25)
但是，问题在于我有一些物种相对于数据集的其余部分表现出极高的残差。因为颜色渐变的最小值和最大值设置为实际列的最小值和最大值，所以这会冲掉 90% 数据集之间的所有对比度，以可视化少数极端异常值。下面的代码重现了我的意思与上面 obj 相比的示例。
values2<-values
values2[6]<--2
values2[7]<-2
residualsignalfit2<-fastAnc(orig_tree,values2,vars=TRUE,CI=TRUE)
obj2<-contMap(orig_tree,values2,plot=FALSE)
plot(obj2,fsize=.25)
这导致该图看起来好像系统发育信号比实际少得多，因为它将除了最极端的离群点之外的所有颜色都着色为颜色相似。
我想找出一种方法来设置颜色渐变的最小值和最大值，以便任何值≤ -1 是最大可能的红色值，任何值≥ 1 是最大可能的蓝色值，从而允许其余残差的对比度更大。我尝试使用命令
plot(obj2,fsize=.25,lims=c(-1,1))
但是正如您从这段代码中看到的那样，这没有任何作用。我知道 ggplot2 有一个选项可以根据用户输入的值重新调整颜色渐变，但我似乎无法弄清楚如何从 ape 或 phytools 绘制系统发育对象在 ggplot2.
鉴于此，有什么方法可以操纵ape/phytools中的颜色渐变模式，以便可以任意设置颜色渐变的最大和最小边界？
您可以通过“挤压”一些任意边界（在我的示例中为 90% 分位数）之间的值来操纵颜色渐变模式，以调整 phytools::contMap:
## The vector of values with two outliers
values_outliers <- values
values_outliers[6] <- -10
values_outliers[7] <- 10
## The original heat plot object
contMap_with_outliers <- contMap(orig_tree, values_outliers, plot = FALSE)
plot(contMap_with_outliers, fsize = .25)
## Removing the outliers (setting them within to the 90% CI)
values_no_outliers <- values_outliers
## Find the 90% boundaries
boundaries <- quantile(values_no_outliers, probs = c(0.05, 0.95))
## Changing the values below the lowest boundary
values_no_outliers <- ifelse(values_no_outliers < boundaries[1], boundaries[1], values_no_outliers)
## Changing the values above the highest boundary
values_no_outliers <- ifelse(values_no_outliers > boundaries[2], boundaries[2], values_no_outliers)
## The heat plot object without outliers
contMap_without_outliers <- contMap(orig_tree, values_no_outliers, plot = FALSE)
plot(contMap_without_outliers, fsize = .25)