熱力圖的統計基礎涉及聚類演算法的數學性質、最佳排序問題和高維視覺化理論。
階層式聚類的數學性質
Agglomerative clustering 以 Lance-Williams recurrence 統一所有 linkage methods：d(A∪B, C) = αₐd(AC) + α_bd(BC) + βd(AB) + γ|d(AC)−d(BC)|。Ward's method 最小化合併後的 total within-cluster variance：Δ(A,B) = nₐnᵦ/(nₐ+nᵦ) · ‖x̄ₐ−x̄ᵦ‖²。Ultrametric property：任何三點 d(A,C) ≤ max(d(A,B), d(B,C)) 保證 dendrogram 的唯一性（Johnson, 1967, Psychometrika）。
最佳葉序排列（Optimal Leaf Ordering）
dendrogram 的 n 個葉片有 2^(n−1) 種排列保持結構不變。Bar-Joseph et al.（2001, Bioinformatics）提出 O(n³) 動態規劃演算法，使相鄰葉片的距離和最小。此排列顯著提升視覺可讀性。
色彩映射的感知理論
均勻感知色階（perceptually uniform）：CIE Lab 色彩空間中等距色彩在人眼感知中也等距。Rainbow/jet 色階因非均勻感知而被批評（Borland & Taylor, 2007, IEEE CG&A）。viridis（Smith & van der Walt, 2015）在 luminance 上單調遞增。發散色階以白色中心對應零值，利用 opponent color theory。
Biclustering 演算法
Cheng & Church（2000, ISMB）：找到最大子矩陣使 mean squared residue ≤ δ。Spectral biclustering（Kluger et al., 2003, Genome Res）以 SVD 分解 normalized data matrix 找 checkerboard 結構。Bayesian biclustering（Caldas & Kaski, 2008）估計模塊數和結構。在 cancer genomics 中以 NMF（Non-negative Matrix Factorization, Brunet et al., 2004, PNAS）分解表現矩陣為 metagenes × coefficients。
ComplexHeatmap 的統計框架
Gu, Eils & Schlesner（2016, Bioinformatics）：支持任意組合多個 heatmap 和 annotation tracks。OncoPrint 視覺化 mutation landscape。以 R/Bioconductor 整合 EnrichedHeatmap（ChIP-seq signal at genomic features）。
大規模資料的挑戰
n > 10,000 行時，pixel resolution 限制可辨識的模式。解決方案：k-medoids 先群集再以代表行繪製；interactive heatmap（如 plotly/d3-heatmap）支持 zoom。Seriation package（Hahsler et al., 2008, J Stat Softw）提供多種矩陣重排方法。
文獻參考：Bar-Joseph, Z. et al. (2001). Bioinformatics, 17 Suppl 1, S22-29. / Brunet, J.-P. et al. (2004). PNAS, 101, 4164-4169. / Gu, Z. et al. (2016). Bioinformatics, 32, 2847-2849.