图片
绪言Hello小伙伴们巨匠好，我是生信技能树的小学徒”我才不吃蛋黄“。今天是肺腺癌单细胞数据集GSE189357复现系列第三期。第二期咱们对细胞亚群进行了扫视（肺腺癌单细胞数据集GSE189357复现(二)：细胞扫视）。
本期，咱们将使用多种可视化门径，绘制FeaturePlot，ggplot，DoHeatmap图。
1.布景先容在胃癌系列推文中，我提到绘悦目图需要审好意思才能强。本体上，画图才能也能很好的反馈咱们的科研修养。画图才能与科研才能之间的关系特地紧密，因为灵验的可视化在科学相关中演出着至关迫切的变装。画图不仅是展示相关遵循的技能，更是统一复杂数据、发现新常识以及向同业了了传达信息的中枢器具。在单细胞数据可视化中，咱们大部分情况下齐是充任“调包侠”，使用多样R包绘制多样图形。
R话语是一种粗糙使用的统计分析和图形示意话语，它在数据可视化方面有着弘大的功能，然则也有其转折。
R话语可视化的优点有许多：
丰富的图形库：R领有广泛的图形库，如ggplot2、lattice、base plots等，这些库提供了丰富的图形类型和定制选项。
高度可定制：R的图形不错高度定制，从颜料、体式到布局，用户不错雅致贬抑图形的每一个方面。
数据操作才能强：R是一种弘大的数据分析器具，它不错在画图之前对数据进行复杂的处理和分析。
集成统计分析：R话语在统计分析方面特地弘大，不错径直在画图中集成统计测试和模子结果。
动态评释：R的可视化不错放松地集成到动态评释中，如R Markdown和Shiny，这使得结果不错交互式地呈现。
社区复古：R有一个活跃的社区，用户不错从中得到广泛的教程、论坛相关和包更新。
开源免费：R是开源软件，不错免费使用和修改，这使得它在学术界和数据科学规模特地受接待。
跨平台：R不错在多种操作系统上动身点，包括Windows、macOS和Linux。
R话语转折：
迷水商城学习弧线：关于入门者来说，R的学习弧线可能比较笔陡，尤其是关于那些莫得编程布景的用户。
性能问题：固然R在数据处理和可视化方面发达出色，但它在处理特地大的数据集时可能会变慢。
图形更新：在R中更新图形可能需要再算作手通盘剧本，这在迭代经过中可能会显得繁琐。
3D可视化有限：固然R不错创建3D图形，但与一些特意的软件比拟，它的3D可视化才能相对有限。
用户界面：R的默许用户界面（RStudio以外）可能不如一些集成开辟环境（IDE）友好。
依赖不断：R的包依赖不断随机可能会导致版块摧残，需要用户手动处分。
迷水商城专科图形制作：固然R不错制作高质地的图形，但与专科的图形贪图软件比拟，它在制作出书级别的图形方面可能不够直不雅。
交互性：固然R不错通过Shiny等器具创建交互式图形，但这些交互性可能不如特意的交互式可视化器具（如Tableau）直不雅和弘大。
R画图最迫切的少许是无法像PS相通放松蜕变图形，只可在参数限定范围内修改调度。因此，要想把图作念的悦目，就要聘请妥当的画图函数，并不停的调参。是以说，统一函数是R画图的基础。
迷水商城2.可视化最初加载R包，创建新的文献夹，读取细胞扫视后的Seurat数据：
rm(list=ls())library(Seurat)library(ggplot2)library(clustree)library(cowplot)library(dplyr)library(SingleR)library(celldex)#BiocManager::install("celldex")# library(devtools)# install_github("arc85/singleseqgset")library(singleseqgset)library(devtools)library(grid)library(gridExtra)getwd()dir.create("4-plot")setwd('4-plot/')sce.all=readRDS( "../3-Celltype/sce_celltype.rds")sce.all#Idents(sce.all)2.1 Featureplot可视化基因#EPCAM，NKG7，LYZ，CD79A，CLDN5，DCNmarker <- c('EPCAM'，'NKG7'，'LYZ'，'CD79A'，'CLDN5'，'DCN')gene = markerFeaturePlot(sce.all，features = marker，cols = c("lightgrey" ，"#DE1F1F")，ncol=3，raster=FALSE)ggsave('FeaturePlot_marker.pdf'，width = 12，height = 8)图片
咱们不错看到，上图各个基因的颜料阈值范围不一致，咱们不错调参，使其保合手一致：
p1 <- FeaturePlot(sce.all， features = marker， combine = FALSE，ncol=3，raster=FALSE )#colours = c('lightgrey'， "#DE1F1F")fix.sc <- scale_color_gradientn( colours = c('lightgrey'， "#DE1F1F")， limits = c(0， 6))#+NoLegend()+NoAxes()p2 <- lapply(p1， function (x) x + fix.sc)CombinePlots(p2)批量画基因，提神图例的范围不同：
FeaturePlot(sce.all， features =marker， cols = c("lightgrey"， 'red')， ncol = 3 ) & NoLegend() & NoAxes() & theme( panel.border = element_rect(color = "black"， size = 1) )图片
Featureplot还不错把两个基因画在归并个图中，看右上角不错发现黄色越深的地点两个基因叠加越多：
迷水商城FeaturePlot(sce.all， features = c('S100A9'，'S100A8')， cols = c("lightgrey"， "green"， "orange")， blend=T，blend.threshold=0)图片
联接ggplot函数，咱们还不错把三个基因画在归并个图中：
迷水商城索求tsne坐标，并索求基因抒发数据并与tsne坐标合并：
tsne_df <- as.data.frame(sce.all@reductions$umap@cell.embeddings)tsne_df$cluster <- as.factor(sce.all$celltype)head(tsne_df)gene_df <- as.data.frame(GetAssayData(object = sce.all， slot = "data")[c('S100A9'，'S100A8'，'CXCL8')， ])ggplot绘制图形：
library(ggnewscale)merged_df <- merge(t(gene_df)， tsne_df， by = 0， all = TRUE)head(merged_df)colnames(merged_df)ggplot(merged_df， vars = c("umap_1"， "umap_2"， 'S100A9'，'S100A8'，'CXCL8')， aes(x = umap_1， y = umap_2， colour = S100A9)) + geom_point(size=0.3， alpha=1) + scale_colour_gradientn(colours = c("lightgrey"， "green")， limits = c(0， 0.3)， oob = scales::squish) + new_scale_color() + geom_point(aes(colour = S100A8)， size=0.3， alpha=0.7) + scale_colour_gradientn(colours = c("lightgrey"， "blue")， limits = c(0.1， 0.2)， oob = scales::squish) + new_scale_color() + geom_point(aes(colour = CXCL8)， size=0.3， alpha=0.1) + scale_colour_gradientn(colours = c("lightgrey"， "red")， limits = c(0， 0.3)， oob = scales::squish)+ theme_classic()图片
上头的图花里胡梢，指标是什么？个东说念主以为，可视化的主要指标是了了的呈现数据的特征并揭示生物学兴致。使用FeaturePlot将多个基因的抒发绘制在归并个图中，咱们不错比较这不同基因在细胞中的共抒发模式，以及探索它们在特定细胞类型或亚群中的潜在生物学相关性。
2.2 DoHeatmap绘制热图DoHeatmap 在单细胞 RNA 测序数据分析顶用于可视化细胞群体或类型的基因抒发模式，其指标包括展示相反抒发基因、识别细胞亚群、展示象征基因、比较基因抒发模式、分析细胞类型的群体特征以及探索潜在的功能和通路。这种可视化器具是讲授单细胞数据、统一细胞异质性以及揭示潜在生物学机制的弘大技能。
哄骗DoHeatmap函数绘制热图，不错展示不同细胞类型的top5 maker：
Idents(sce.all)table(sce.all$celltype)Idents(sce.all) = sce.all$celltypesce1 = sce.all[， sce.all$celltype %in% c( 'B'， 'Endothelial'，'Epithelial'， 'Fibro'，'Myeloid' ，'T&NK' )]if (!file.exists('sce.markers.csv')) { sce.markers <- FindAllMarkers(object = sce1， only.pos = TRUE， min.pct = 0.25， thresh.use = 0.25) write.csv(sce.markers，file='sce.markers.csv')} else { sce.markers = read.csv('sce.markers.csv'，row.names = 1)}library(dplyr) top5 <- sce.markers%>% group_by(cluster) %>% top_n(5， avg_log2FC)为了防御数据量太大不好出图，这里在每个亚群索求出来100个：
迷水商城sce.Scale <- ScaleData(subset(sce1，downsample=100)， features = top5$gene )DoHeatmap(sce.Scale， features = top5$gene ， # group.by = "celltype"， assay = 'RNA'， label = T)+ scale_fill_gradientn(colors = c("white"，"grey"，"firebrick3"))ggsave('markers_heatmap.pdf'，width = 10，height = 7)图片
2.3 DotPlot绘制气泡图top5_dotplot <- DotPlot(sce.all， features = top5$gene)+ theme(axis.text.x = element_text(angle = 90， vjust = 1， hjust = 1))top5_dotplotggsave('markers_top5_dotplot.pdf'，width = 10，height = 7)setwd('../')图片
3.参数默契本期单细胞基因可视化用到的三种函数分辨为FeaturePlot()、DoHeatmap()和DotPlot()。代码参数及默契如下：
FeaturePlot()：
FeaturePlot(object， #Seurat对象，包含要进行可视化的数据集。features， #字符向量，指定要在图中展示的特征（举例基因或元数据列名）。dims = c(1， 2)， #数字向量，长度为2，指定要用于画图的降维空间的维度（举例c(1， 2)示意第一和第二维度）。cells = NULL， #可选的，指定要在图中展示的细胞的向量。默许是总计细胞。cols = if (blend) { c("lightgrey"， "#ff0000"， "#00ff00") } else {c("lightgrey"， "blue") }，pt.size = NULL，order = FALSE，min.cutoff = NA，max.cutoff = NA，reduction = NULL，split.by = NULL，shape.by = NULL，slot = "data"，blend = FALSE，blend.threshold = 0.5，label = FALSE，label.size = 4，repel = FALSE，ncol = NULL，coord.fixed = FALSE，by.col = TRUE，sort.cell = NULL，interactive = FALSE，combine = TRUE)FeaturePlot函数参数默契：
object: Seurat对象，包含要进行可视化的数据集。
features: 字符向量，指定要在图中展示的特征（举例基因或元数据列名）。
dims: 数字向量，长度为2，指定要用于画图的降维空间的维度（举例c(1， 2)示意第一和第二维度）。
cells: 可选的，指定要在图中展示的细胞的向量。默许是总计细胞。
cols: 字符向量或颜料向量，迷香水用于界说画图中使用的颜料渐变。
pt.size: 点的大小。
order: 逻辑值，指定是否左证特征抒发量的限定绘制细胞，不错匡助超过抒发某特征的细胞。
min.cutoff， max.cutoff: 用于指定每个特征的抒发值截止的向量。不错使用百分位数来指定截止点（举例，'q1'， 'q99'示意1%和99%分位数）。
reduction: 指定要使用的降维技艺，举例"umap"、"tsne"或"pca"。要是未指定，FeaturePlot会按序查找"umap"、"tsne"、"pca"中可用的结果。
split.by: 字符串，指定元数据中的一个变量，用于按该变量的不同类别拆分并分辨绘制图形。
shape.by: 可选的，允许左证某个细胞属性蜕变点的体式。
slot: 指定从哪个Seurat对象的槽中索求抒发数据进行可视化。
blend: 逻辑值，指定是否羼杂两个特征的抒发值来同期可视化它们。
blend.threshold: 诞生用于羼杂特征抒发的阈值，范围从0到1。
label: 是否在图上象征群组。
label.size: 标签笔墨的大小。
repel: 逻辑值，指定是否使用标签摒除机制，以幸免标签之间的重复。
ncol: 数字，指定在使用split.by时，合并到一个图中的列数。
coord.fixed: 逻辑值，指定是否使用固定的纵横比绘制坐标系。
by.col: 逻辑值，指定在分列展示时是否按列而非按行展示特征图。
interactive: 逻辑值，指定是否启用交互式FeaturePlot。
combine: 逻辑值，指定是否将多个特征图合并为单个画图对象。要是为FALSE，则复返一个包含多个ggplot对象的列表。
迷水商城迷水商城DoHeatmap()
DoHeatmap(object，features = NULL，cells = NULL，group.by = "ident"，group.bar = TRUE，group.colors = NULL，disp.min = -2.5，disp.max = NULL，slot = "scale.data"，assay = NULL，label = TRUE，size = 5.5，hjust = 0，angle = 45，raster = TRUE，draw.lines = TRUE，lines.width = NULL，group.bar.height = 0.02，combine = TRUE)
DoHeatmap()函数参数默契：
object : 一个Seurat对象，包含要进行可视化的数据集。
features : 要打印的特征向量，默许为variableffeatures（object=object）
cells : 要绘制的细胞向量
group.by : 一种变量向量，用于按单位格分组；将“ident”传递给按单位格分组的象征类
group.bar : 添加裸露单位格组景况的颜料栏
group.colors : 要用于颜料栏的颜料
disp.min : 最小裸露值（以下总计值均被剪裁）
春药QQ群disp.max : 最大裸露值（以上总计值均被剪裁）；要是插槽为'比例数据，不然为6
slot : 要使用的数据槽，从'原始数据'、'数据'或'比例数据'
assay : 从中索求
label : 在颜料栏上方象征单位格象征
size : 颜料栏上方文本的大小
迷水商城hjust : 颜料栏上方文本的水平对正
angle : 颜料栏上方文本的角度
raster : 要是为真，则使用//oraprdnt绘制，不然使用available。//oraprdnt在某些检察应用法子（如预览）上，由于光栅是怎样插值的，因此可能会显得朦胧。要是遭受该问题，请将其诞生为false（请提神，打印可能需要更长的时辰来生成/渲染）。
draw.lines : 包括分隔组的白线
lines.width : 整数，用于调度分隔白色的宽度行。对应每个组之间的“细胞”数目。
group.bar.height : 缩放颜料栏的高度
combine : 将画图合并到单个PatchworkedgPlot对象中。要是为FALSE，则复返ggplot对象的列表
DotPlot()
DotPlot(object，assay = NULL，features，cols = c("lightgrey"， "blue")，col.min = -2.5，col.max = 2.5，dot.min = 0，dot.scale = 6，idents = NULL，group.by = NULL，split.by = NULL，cluster.idents = FALSE，scale = TRUE，scale.by = "radius"，scale.min = NA，scale.max = NA)DotPlot()函数参数默契：
object : 一个Seurat对象，包含要进行可视化的数据集。
assay : 要使用的分析称号，默许为算作分析
features : 特征的输入向量，或特征向量的定名列表要是需要特征分组面板（复制旧SplitDotPlotGG的功能）
cols : 要打印的颜料：来自rcolorbrewer:的调色板的称号：布鲁尔.pal.info，一双界说渐变的颜料，或3+个界说多个渐变的颜料（要是拆分形式（已诞生）
col.min : 最小缩放平均抒发式阈值（everythingsmaller将诞生为该值）
col.max : 最大缩放平均抒发式阈值（总计较大的值齐将诞生为该值）
迷水商城dot.min : 绘制最小点的单位格分数（默许值为0）。总计抒发givengene的细胞组齐莫得画点。
dot.scale : 缩放点的大小，雷同于cex
迷水商城idents : 要包含在画图中的象征类（默许为all）
group.by : 将细胞分组的因子
split.by : 用于拆分组的因子（复制旧的SplitDotPlotGG的功能）；关系防御信息，请参阅FetchData
cluster.idents : 是否左证给定的特征按线索聚类对象征进行排序，默许值为FALSE
scale : 详情数据是否缩放，默许为TRUE
迷水商城scale.by : 按“大小”或“半径”缩放点的大小
迷水商城scale.min : 诞生缩放下限，默许使用NA
scale.max : 诞生缩放上限，默许使用NA
结语本期，咱们使用多种可视化门径，绘制DimPlot，FeaturePlot，ggplot，DoHeatmap图，展示了不同细胞类型基因的抒发。单细胞数据分析可视化的门径远不啻以上几种，新的画图R包层见叠出，多样悦想法图形让咱们目不暇接。在不停的学习代码之余，咱们还要了了的坚强到，可视化的主要指标是了了的呈现数据的特征并揭示生物学兴致。是以，咱们依然要不停的看课本、看文献、学统计，不停的念念考。任重而说念远，咱们仍需致力于。下一期，咱们将在此基础上，绘制饼图、堆积柱状图、箱线图、气泡图等，比较不同分组之间细胞比例相反。干货满满，接待巨匠合手续追更，谢谢！
图片
本站仅提供存储做事，总计内容均由用户发布，如发现存害或侵权内容，请点击举报。