Claude vs DeepSeek：相关性分析与“星号”标记热图的高效绘制

相关性分析是揭示变量间联系的基础，本文通过大型语言模型（LLM），Claude和DeepSeek进行相关性分析并绘制显著性星号标记的热图。

有趣的是，初步观察表明，这两种模型在解决此类问题时展现出鲜明的“个性”：DeepSeek似乎倾向于更深入的沟通与思考来引导用户，而Claude则以其直截了当、快速给出解决方案的风格著称，更节省时间。本文聚焦于“相关性分析与‘星号’标记热图绘制”这一具体场景，旨在对比评测Claude与DeepSeek在任务理解、代码生成、交互体验以及最终实现高效绘制目标上的表现差异，探讨不同AI风格对特定科研任务效率的实际影响。

期望成果展示

图1

图1 使用AI辅助生成并调试的R代码绘制的相关性热图。颜色代表相关系数（例如，橙色表示正相关，紫色表示负相关），颜色的深浅表示相关性强度。单元格中的星号表示基于p值的统计显著性水平（例如，* p < 0.05, ** p < 0.01）。

示例数据的准备

为了演示，我们需要一组适合进行相关性分析的数据。这里我们模拟两组变量（例如，一组代表微生物丰度，另一组代表环境因子；或者简单地使用R内置数据集如mtcars的部分变量）。关键是数据需要是数值型的，并且组织成数据框（data frame）或矩阵（matrix）的格式。

图2 微生物丰度表

图3 环境因子表

这份清晰、结构化的数据是后续分析的基础。

● 数据结构概念: 假设我们有两个矩阵 X (n x p) 和 Y (n x q)，我们想分析 X 中p个变量与 Y 中q个变量之间的相关性。或者，我们有一个包含所有变量的数据框 df，想分析其中特定几列之间的相关性。

● 示例 (R代码):

# 创建模拟数据
set.seed(123) # 保证结果可重复
matrix1 <- matrix(rnorm(100*5), nrow=100, ncol=5) # 100个样本, 5个变量
colnames(matrix1) <- paste0("VarX", 1:5)
matrix2 <- matrix(rnorm(100*8), nrow=100, ncol=8) # 100个样本, 8个变量
colnames(matrix2) <- paste0("VarY", 1:8)

# 或者使用内置数据集
# library(dplyr)
# data_subset <- select(mtcars, mpg, cyl, disp, hp, wt, qsec)

生成相关性分析与绘图代码

分别打开Claude、Deepseek上传范例数据。Claude点击“+”上传文件，Deepseek点击“回形针”上传文件。

图4 Claude

图5 Deepseek

接下来，我们向Claude、Deepseek分别提出我们的需求。关键在于清晰、具体地描述任务。

输入指令：

使用psych包对附件“OTU.csv”中的微生物丰度OTU和“envs.csv”文件中的环境因子进行pearson相关性分析，提取相关性系数矩阵和p值矩阵，并使用ComplexHeatmap包绘制聚类热图，X和Y轴分别为环境因子和OTU，确保热图的格子的宽和高都为0.7，格子的描边为白色，粗细为1.2，聚类树的高度为1.5cm，热图的配色方案为：#9370DB，white，#FF7F24，热图图例标题为“correlation”，文本的字体大小为7。

Claude经过5秒的思考，给出了分析绘图代码。deepseek经过274秒的深度思考，给出了分析绘图代码。

我们就得到了相关性分析及绘图代码。点击以上代码块右上角的“复制”按钮，将Claude、Deepseek生成的R代码分别复制粘贴到Rstudio的脚本编辑器中运行。

对于本次相关性分析及绘图要求，Claude理解到位，很顺利的运行成功。

图6 Claude生成代码

Deepseek的代码运行出错，报错信息如下：

图7 Deepseek生成代码报错

继续向Deepseek输入优化报错代码指令：

绘制热图时出错，请继续优化这部分代码，报错信息如下：错误于Heatmap(matrix = r_matrix, name = "Cor", col = col_fun, rect_gp = gpar(col = "white", : 参数没有用(row_height = unit(0.7, "cm"), column_width = unit(0.7, "cm"))

图8 代码修改优化

然后复制DeepSeek修改后的代码，粘贴到Rstudio的脚本编辑器中运行，如下图。

图9 Deepseek优化后代码

经过调试，Deepseek也能够准确绘制期望图形。

我们还可以在给出代码的基础上继续优化，比如根据P value矩阵，在热图上添加显著性“星号”标记等。

继续输入优化代码指令：

在以上热图绘制代码上继续优化：更改多级显著性标记（如*: p<0.05, **: p<0.01），标签颜色改为黑色。

图10 Claude页面

图11 Deepseek页面

最终代码与结果确认

经过调试，Claude和Deepseek都得到了一套能够稳定运行并产生预期结果的R代码。

Claude最终优化后的R代码 (示例)：

# 加载所需的R包
library(psych)
library(ComplexHeatmap)
library(circlize)  # 用于自定义热图颜色

# 读取数据
otu_data <- read.csv("OTU.csv", row.names = 1, check.names = FALSE)
env_data <- read.csv("envs.csv", row.names = 1, check.names = FALSE)

# 转置OTU数据使样本在行，OTU在列
otu_data <- t(otu_data)

# 确保两个数据框中的样本顺序一致
# 假设两个文件中的样本ID相同
common_samples <- intersect(rownames(otu_data), rownames(env_data))
otu_data <- otu_data[common_samples, ]
env_data <- env_data[common_samples, ]

# 使用psych包进行相关性分析
cor_result <- corr.test(env_data, otu_data, method = "pearson", adjust = "fdr")

# 提取相关性系数矩阵和p值矩阵
cor_matrix <- cor_result$r# 相关性系数矩阵
p_matrix <- cor_result$p    # p值矩阵

# 设置热图颜色
col_fun <- colorRamp2(c(-1, 0, 1), c("#9370DB", "white", "#FF7F24"))

# 创建热图
heatmap <- Heatmap(
  cor_matrix,
  name = "correlation", 
  col = col_fun,
  rect_gp = gpar(col = "white", lwd = 1.2),  # 单元格描边为白色，粗细为1.2
  cluster_rows = TRUE,    # 对行进行聚类
  cluster_columns = TRUE, # 对列进行聚类
  show_row_names = TRUE,  
  show_column_names = TRUE,
  row_names_gp = gpar(fontsize = 7),    # 行名文本大小为7
  column_names_gp = gpar(fontsize = 7), # 列名文本大小为7
  width = ncol(cor_matrix) * unit(0.7, "cm"),  # 设置单元格宽度为0.7cm
  height = nrow(cor_matrix) * unit(0.7, "cm"), # 设置单元格高度为0.7cm
  row_dend_width = unit(1.5, "cm"),    # 行聚类树高度为1.5cm
  column_dend_height = unit(1.5, "cm"), # 列聚类树高度为1.5cm
  heatmap_legend_param = list(title_gp = gpar(fontsize = 7), 
                              labels_gp = gpar(fontsize = 7)),
  cell_fun = function(j, i, x, y, width, height, fill) {
    # 根据p值添加显著性标记
    p_value <- p_matrix[i, j]
    if (p_value < 0.01) {
      grid.text("**", x, y, gp = gpar(fontsize = 10, col = "black"))
    } elseif (p_value < 0.05) {
      grid.text("*", x, y, gp = gpar(fontsize = 10, col = "black"))
    }
  }
)
heatmap

# 绘制热图
pdf("OTU_ENV_Correlation_Heatmap.pdf", width = 10, height = 8)
draw(heatmap)
dev.off()

Deepseek最终优化后的R代码 (示例)：

# 加载必要的包
library(psych)
library(ComplexHeatmap)
library(circlize)

# 读取数据
otu <- read.csv("OTU.csv", row.names = 1)
envs <- read.csv("envs.csv", row.names = 1)

# 转置OTU数据（样本为行，OTU为列）
otu_t <- t(otu)

# 按样本名称排序以对齐数据
otu_t <- otu_t[order(rownames(otu_t)), ]
envs <- envs[order(rownames(envs)), ]

# 验证样本顺序一致
stopifnot(all(rownames(otu_t) == rownames(envs)))

# 计算Pearson相关系数及p值
cor_result <- corr.test(otu_t, envs, method = "pearson")
cor_matrix <- cor_result$r
p_matrix <- cor_result$p

# 转置矩阵，使行=环境因子，列=OTU
cor_matrix_transposed <- t(cor_matrix)
p_matrix_transposed <- t(p_matrix)  # 同步转置p值矩阵

# 设置颜色映射
col_fun <- colorRamp2(c(-1, 0, 1), c("#9370DB", "white", "#FF7F24"))

# 定义显著性标记函数
add_sig_symbol <- function(j, i, x, y, width, height, fill) {
  p_value <- p_matrix_transposed[i, j]
if (p_value < 0.01) {
    grid.text("**", x, y, gp = gpar(fontsize = 10, col = "black"))  # 黑色双星号
  } elseif (p_value < 0.05) {
    grid.text("*", x, y, gp = gpar(fontsize = 10, col = "black"))   # 黑色单星号
  }
}

# 绘制热图
ht <- Heatmap(
  matrix = cor_matrix_transposed,
  name = "correlation",
  col = col_fun,
  rect_gp = gpar(col = "white", lwd = 1.2),
  width = unit(ncol(cor_matrix_transposed) * 0.7, "cm"),
  height = unit(nrow(cor_matrix_transposed) * 0.7, "cm"),
  row_dend_width = unit(1.5, "cm"),
  column_dend_height = unit(1.5, "cm"),
  row_names_gp = gpar(fontsize = 7),
  column_names_gp = gpar(fontsize = 7),
  heatmap_legend_param = list(
    title_gp = gpar(fontsize = 7),
    labels_gp = gpar(fontsize = 7)
  ),
  cell_fun = add_sig_symbol  # 添加显著性标记
)

# 显示图形
draw(ht)
pdf("Correlation_Heatmap.pdf", width = 10, height = 8)
draw(ht)
dev.off()

结果核查: 我们仔细检查生成的图，确认颜色、数值（如图显示）、星号标记都符合预期，并且与我们的统计学理解一致。

图12 Claude代码绘图

图13 Deepseek代码绘图

通过针对“相关性分析与‘星号’标记热图绘制”任务的对比实践，我们清晰地看到了Claude与DeepSeek在辅助科研编程时的显著特性差异。Claude以其“直达答案”的效率给人留下深刻印象，尤其适合目标明确、流程标准的任务，能迅速提供可用代码框架。相比之下，DeepSeek在需要细致调整或探索性较强的场景中，其“深度思考”与“沟通”能力则显现优势，通过引导式交互可能产生更优化或个性化的方案，尽管耗时可能更长。

因此，“高效”的定义在此变得具有相对性：是追求最短时间获得可行代码（Claude的潜在优势），还是追求在互动中加深理解并获得定制化方案（DeepSeek的潜在优势）？这取决于用户的具体目标与偏好。本次比较的核心启示在于，理解并选择与任务需求、个人工作风格相匹配的AI“助手”，是提升未来研究效率的关键。我们期待AI模型能在速度与深度、直接性与交互性之间找到更优的平衡点，成为科研人员更得力的智能伙伴。