画图拿p值来上色，基本上很多人没有注意p值的分布，除非是工具培养了习惯，比如说火山图，p值就被转换成-10*log10(pvalue)，所有人就默认这样画，但换一个就不清不楚了。
如果是一个随机的东西，去做检验，那p值的分布也会相对比较均一，或者是比较正态，均值在0.5附近之类的。
这个我们都可以试一下的，拿随机的基因ID来搞个富集分析：
require(clusterProfiler)
data(geneList, package="DOSE")
set.seed(42)
de2 = sample(names(geneList), 200)
y = enrichGO(de2, OrgDb='org.Hs.eg.db')
plot(density(y@result$p.adjust, bw=0.01))
我们拿个差异基因来做富集的话，结果是不一样的。
de <- names(geneList)[1:200]
x = enrichGO(de, OrgDb='org.Hs.eg.db')
plot(density(x@result$pvalue, bw=0.01))
就会有比较多的很小的p值，是一个偏态分布。
比如我拿前面20条通路来画图，我们看一下p值的分布：
plot(x@result$pvalue[1:20])
这样拿去映射颜色的话，比如说红-蓝，结果就是尾部几个p值大点的是蓝色，其它的一片红色，区分不开。
我们取个对数看看：
plot(log10(x@result$pvalue[1:20]))
区分度就有了。我们从整体上看的话，p值小的就被拉开了，p值大的，会聚集。
plot(density(log10(x@result$pvalue), bw=0.01))
所以如果只是单纯地把p值映射到颜色，就会是下面这两个图这样子，一片红区分不开。这样的图相信大家经常看到。
所以我自己画图的时候，我是会对p值取对数来映射的。你看看我们2021年在The Innovation上发的clusterProfiler 4.0的文章，图全部是我操刀的。
这些图的颜色区分度是有的。而画图的代码我是有提供的。大家可能没注意到这个细节，也就没有去抄我的代码。
对于上面的x对象，你用dotplot()来画，出来的图是这样子的：
dotplot(x)
就是这样子红点多，且没有区分度。
你是可以进行变换的。
dotplot(x) + set_enrichplot_color(type='fill', transform='log10') 出来的图就是这样子，有区分度了。
这个功能很多人可能不知道。enrichplot中不同的图，配色一致，我不想要在不同的函数里有差不多的设置颜色代码，于是就写了这个set_enrichplot_color来统一设置颜色。它还是蛮好用的。比如说我想把颜色换成以前经典的红-蓝配色。只需要指定colors=c("red", "blue")即可。
dotplot(x) + set_enrichplot_color(type='fill', transform='log10', colors=c("red", "blue"))
虽然长期以来，我们是可以对p值取对数的，但太多人不会用了，太多的图，都是一片红了。于是我决定在新的版本中，让取对数成为默认。所以如果你用了v>=1.29.2，那么你用dotplot(x)出来的，就是取了对数的p值进行颜色映射的。
你可能又会想，你全都要，新的默认你想要，旧的默认，你还想要，怎么办？简单，还是用set_enrichplot_color，你只要把transform="identity"传入即可。也就是：
dotplot(x) + set_enrichplot_color(type='fill', transform='identity')