又色又爽又黄美女裸体 肺腺癌单细胞数据集GSE189357复现(三)：基因可视化

图片又色又爽又黄美女裸体又色又爽又黄美女裸体

Hello小伙伴们世界好，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庄重（肺腺癌单细胞数据集GSE189357复现(二)：细胞庄重）。

本期，咱们将使用多种可视化轨范，绘制FeaturePlot，ggplot，DoHeatmap图。

在胃癌系列推文中，我提到绘好意思瞻念图需要审好意思智力强。本色上，绘制智力也能很好的反馈咱们的科研修养。绘制智力与科研智力之间的关系非常紧密，因为有用的可视化在科学操办中饰演着至关紧迫的变装。绘制不仅是展示操办着力的妙技，更是交融复杂数据、发现新常识以及向同业明晰传达信息的中枢器具。在单细胞数据可视化中，咱们大部分情况下王人是充任“调包侠”，使用各式R包绘制各式图形。

R讲话是一种平庸使用的统计分析和图形默示讲话，它在数据可视化方面有着弘远的功能，然而也有其污点。

R讲话可视化的优点有许多：

丰富的图形库：R领有大批的图形库，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，从形势、局势到布局，用户不错精采适度图形的每一个方面。

数据操作智力强：R是一种弘远的数据分析器具，它不错在绘制之前对数据进行复杂的处理和分析。

集成统计分析：R讲话在统计分析方面非常弘远，不错凯旋在绘制中集成统计测试和模子扫尾。

动态诠释：R的可视化不错放松地集成到动态诠释中，如R Markdown和Shiny，这使得扫尾不错交互式地呈现。

社区复旧：R有一个活跃的社区，用户不错从中得到大批的教程、论坛盘问和包更新。

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非常受迎接。

跨平台：R不错在多种操作系统上启动，包括Windows、macOS和Linux。

R讲话污点：

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配景的用户。

性能问题：天然R在数据处理和可视化方面阐述出色，但它在处理非常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重新启动悉数这个词剧本，这在迭代经由中可能会显得繁琐。

3D可视化有限：天然R不错创建3D图形，但与一些故意的软件比拟，它的3D可视化智力相对有限。

用户界面：R的默许用户界面（RStudio以外）可能不如一些集成蛊卦环境（IDE）友好。

依赖治理：R的包依赖治理未必可能会导致版块打破，需要用户手动措置。

专科图形制作：天然R不错制作高质料的图形，但与专科的图形瞎想软件比拟，它在制作出书级别的图形方面可能不够直不雅。

交互性：天然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故意的交互式可视化器具（如Tableau）直不雅和弘远。

R绘制最紧迫的小数是无法像PS相通搪塞改造图形，只可在参数终了规模内修改治疗。因此，要想把图作念的好意思瞻念，就要袭取安妥的绘制函数，并握住的调参。是以说，交融函数是R绘制的基础。

率先加载R包，创建新的文献夹，读取细胞庄重后的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)

#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，上图各个基因的形势阈值规模不一致，咱们不错调参，使其保执一致：

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,防卫图例的规模不同：

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消失个图中,看右上角不错发现黄色越深的场所两个基因叠加越多：

FeaturePlot(sce.all, features = c('S100A9','S100A8'),            cols = c("lightgrey", "green", "orange"),            blend=T,blend.threshold=0)

图片

讨好ggplot函数，咱们还不错把三个基因画在消失个图中：

索取tsne坐标，并索取基因抒发数据并与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，盘算推算是什么？个东谈主合计，可视化的主要盘算推算是明晰的呈现数据的特征并揭示生物学预料。使用FeaturePlot将多个基因的抒发绘制在消失个图中，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关系性。

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，其盘算推算包括展示相反抒发基因、识别细胞亚群、展示记号基因、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。这种可视化器具是阐述注解单细胞数据、交融细胞异质性以及揭示潜在生物学机制的弘远妙技。

运用DoHeatmap函数绘制热图，不错展示不同细胞类型的top5 maker：

别急！在微信里，悄悄地藏着几个“贴心的小家伙”，专门用来应对这种烦恼。今日就为您揭开这些隐匿的神奇功能，操作起来，十分简单，仅用一个手指头便可完成。学完这些之后，您家孩子定会惊讶道：“妈您比我还时尚啊！”

人在有闲的时候才最像是一个人。手脚相当闲，头脑才能相当地忙起来。----梁实秋  《四宜轩杂记·闲暇》

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)

为了靡烂数据量太大不好出图，这里在每个亚群索取出来100个：

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

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

本期单细胞基因可视化用到的三种函数分裂为FeaturePlot()、DoHeatmap()和DotPlot()。代码参数及领路如下：

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，指定要用于绘制的降维空间的维度（举例c(1, 2)默示第一和第二维度）。cells = NULL,  #可选的，指定要在图中展示的细胞的向量。默许是悉数细胞。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函数参数领路：

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，指定要用于绘制的降维空间的维度（举例c(1, 2)默示第一和第二维度）。

cells: 可选的，指定要在图中展示的细胞的向量。默许是悉数细胞。

cols: 字符向量或形势向量，用于界说绘制中使用的形势渐变。

pt.size: 点的大小。

order: 逻辑值，指定是否证据特征抒发量的规章绘制细胞，不错匡助凸起抒发某特征的细胞。

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'默示1%和99%分位数）。

reduction: 指定要使用的降维本领，举例"umap"、"tsne"或"pca"。若是未指定，FeaturePlot会按序查找"umap"、"tsne"、"pca"中可用的扫尾。

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裂绘制图形。

shape.by: 可选的，允许证据某个细胞属性改造点的局势。

slot: 指定从哪个Seurat对象的槽中索取抒发数据进行可视化。

blend: 逻辑值，指定是否夹杂两个特征的抒发值来同期可视化它们。

blend.threshold: 确立用于夹杂特征抒发的阈值，规模从0到1。

label: 是否在图上记号群组。

label.size: 标签笔墨的大小。

repel: 逻辑值，指定是否使用标签打消机制，以幸免标签之间的重迭。

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绘制对象。若是为FALSE，则复返一个包含多个ggplot对象的列表。

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()函数参数领路：

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 : 添加涌现单位格组现象的形势栏

group.colors : 要用于形势栏的形势

disp.min : 最小涌现值（以下悉数值均被剪裁）

disp.max : 最大涌现值（以上悉数值均被剪裁）；若是插槽为'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 : 从中索取

label : 在形势栏上方记号单位格象征

size : 形势栏上方文本的大小

hjust : 形势栏上方文本的水平对正

angle : 形势栏上方文本的角度

raster : 若是为真，则使用//oraprdnt绘制，不然使用available。//oraprdnt在某些检察应用设施（如预览）上，由于光栅是如何插值的，因此可能会显得迷糊。若是遭遇该问题，请将其确立为false（请防卫，打印可能需要更长的时候来生成/渲染）。

draw.lines : 包括分隔组的白线

lines.width : 整数，用于疗营养隔白色的宽度行。对应每个组之间的“细胞”数目。

group.bar.height : 缩放形势栏的高度

combine : 将绘制合并到单个PatchworkedgPlot对象中。若是为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()函数参数领路：

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若是需要特征分组面板（复制旧SplitDotPlotGG的功能）

cols : 要打印的形势：来自rcolorbrewer:的调色板的称号：布鲁尔.pal.info，一双界说渐变的形势，或3+个界说多个渐变的形势（若是拆分口头（已确立）

col.min : 最小缩放平均抒发式阈值（everythingsmaller将确立为该值）

col.max : 最大缩放平均抒发式阈值（悉数较大的值王人将确立为该值）

dot.min : 绘制最小点的单位格分数（默许值为0）。悉数抒发givengene的细胞组王人莫得画点。

dot.scale : 缩放点的大小，雷同于cex

idents : 要包含在绘制中的象征类（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）；关联详备信息，请参阅FetchData

cluster.idents : 是否证据给定的特征按线索聚类对象征进行排序，默许值为FALSE

scale : 笃定数据是否缩放，默许为TRUE

scale.by : 按“大小”或“半径”缩放点的大小

scale.min : 确立缩放下限，默许使用NA

scale.max : 确立缩放上限，默许使用NA

本期，咱们使用多种可视化轨范，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轨范远不啻以上几种，新的绘制R包层见错出，各式好意思瞻念的图形让咱们目不暇接。在握住的学习代码之余，咱们还要明晰的意志到，可视化的主要盘算推算是明晰的呈现数据的特征并揭示生物学预料。是以，咱们依然要握住的看课本、看文献、学统计，握住的想考。任重而谈远，咱们仍需发愤。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，迎接世界执续追更，谢谢！

图片