热点资讯plot1cell：炫酷的单细胞聚类图制作R包
发布日期：2023-06-22 点击次数：183
❝
详情请联系作者：
❞这种NCS文章炫酷的单细胞聚类图，大家应该都见过：图片
（reference：Mapping the single-cell transcriptomic response of murine diabetic kidney disease to therapies）还有这样的：图片
（reference：Molecular architecture of the developing mouse brain）后来发现是Mapping the single-cell transcriptomic response of murine diabetic kidney disease to therapies这篇文章提到的R包plot1cell，链接是：https://github.com/HaojiaWu/plot1cell。plot1cell不仅可以进行炫酷的聚类图展示，也可以对单细胞数据的其他内容进行展示，例如气泡图，小提琴图，细胞比例图等等。这里我们只说几个感觉可以的，其他的感兴趣的小伙伴可自行学习。本文代码已上传QQ群文件！首先安装R包，这个包依赖包挺多的，按照提示将依赖包安装号，然后安装这个包就不会出错！setwd('D:/KS项目/公众号文章/炫酷单细胞聚类图')devtools::install_github("TheHumphreysLab/plot1cell")library(plot1cell)# bioc.packages <- c("DoubletFinder","EnsDb.Hsapiens.v86",# "GEOquery","simplifyEnrichment")# BiocManager::install(bioc.packages)# # dev.packages <- c("chris-mcginnis-ucsf/DoubletFinder")# devtools::install_github(dev.packages)一、Circlize plot to visualize cell clustering and meta data这个包可以轻松进行炫酷的单细胞聚类图展示，这个是其主要功能，输入的数据对象是seurat对象即可。但是实践中发现，作者的函数只针对UMAP，所以TSNE降维会报错。所以TSNE要做这个聚类图，需要原函数进行修改一下，这里我们先用TSNE降维的数据展示一下。当然后期其他作图的一些函数也需要。get_metadata <- function( seu_obj, reductions = "tsne", coord_scale = 0.8, color){ metadata<-seu_obj@meta.data metadata$Cluster<-seu_obj@active.ident metadata$dim1<-as.numeric(seu_obj[[reductions]]@cell.embeddings[,1]) metadata$dim2<-as.numeric(seu_obj[[reductions]]@cell.embeddings[,2]) metadata$x<-transform_coordinates(metadata$dim1, zoom = coord_scale) metadata$y<-transform_coordinates(metadata$dim2, zoom = coord_scale) color_df<-data.frame(Cluster=levels(seu_obj), Colors=color) cellnames<-rownames(metadata) metadata$cells<-rownames(metadata) metadata<-merge(metadata, color_df, by='Cluster') rownames(metadata)<-metadata$cells metadata<-metadata[cellnames,] metadata}prepare_circlize_data <- function( seu_obj, scale =0.8){ celltypes<-levels(seu_obj) cell_colors <- scales::hue_pal()(length(celltypes)) data_plot <- get_metadata(seu_obj, color = cell_colors, coord_scale = scale) data_plot <- cell_order(data_plot) data_plot$x_polar2 <- log10(data_plot$x_polar) data_plot}###Prepare data for plotingcirc_data <- prepare_circlize_data(uterus, scale = 0.8)set.seed(1234)cluster_colors<-rand_color(length(levels(uterus)))group_colors<-rand_color(length(names(table(uterus$orig.ident))))###plot and save figurespng(filename = 'circlize_plot.png', width = 6, height = 6,units = 'in', res = 300)plot_circlize(circ_data, do.label = T, pt.size = 1, col.use = cluster_colors ,bg.color = 'white', kde2d.n = 500, repel = T, label.cex = 0.8)add_track(circ_data, group = "orig.ident", colors = group_colors, track_num = 2)dev.off()图片
如果数据时UMAP降维的，那么就不用担心，直接跑代码即可：# ============1. Circlize plot to visualize cell clustering and meta data======####Prepare data for plotingcirc_data <- prepare_circlize_data(human_data, scale = 0.8)cluster_colors<-rand_color(length(levels(human_data)))group_colors<-rand_color(length(names(table(human_data$group))))rep_colors<-rand_color(length(names(table(human_data$orig.ident))))###plot and save figurespng(filename = 'circlize_plot1.png', width = 6, height = 6,units = 'in', res = 300)plot_circlize(circ_data, do.label = T, pt.size = 1, col.use = cluster_colors ,bg.color = 'white', kde2d.n = 500, repel = T, label.cex = 0.8)add_track(circ_data, group = "group", colors = group_colors, track_num = 2) add_track(circ_data, group = "orig.ident",colors = rep_colors, track_num = 3) #添加legendlegend("topright", legend = unique(human_data$group), col = group_colors, pch = 15, cex=0.5, pt.cex=2, box.lwd = 0, bg=NULL, y.intersp = 1, box.lty=0)legend("topleft", legend = unique(human_data$orig.ident), col = rep_colors, pch = 15, cex=0.5, pt.cex=2, box.lwd = 0, bg=NULL, y.intersp = 1.5, box.lty=0)dev.off()图片
这个图不仅是一个只能是炫酷的聚类图，在外圈的circle种，其实也有很多信息可以添加展示，例如我们的示例数据展示的是每个细胞类型下，不同分组的细胞占比。二、Dotplot to show gene expression across groups这个R包可以展示基因表达气泡图。我觉得还是挺实用，可以学习下。png(filename = 'dotplot_multiple.png', width = 10, height = 4,units = 'in', res = 300)complex_dotplot_multiple(seu_obj = human_data, features = c("CD3E","S100A8","APOE","CXCL3"), group = "group", celltypes = c("Macrophage","T cell","mDC","Neutrophil","Mast"))dev.off()图片
png(filename = 'dotplot_multiple2.png', width = 10, height = 4,units = 'in', res = 300)complex_dotplot_multiple(seu_obj = human_data, features = c("CD3E","S100A8","APOE","CXCL3"), group = "orig.ident", celltypes = c("Macrophage","T cell","mDC","Neutrophil","Mast"))dev.off()图片
三、Cell proportion change across groups这个包第三个比较有用的功能就是可视化细胞比例。png(filename = 'cell_fraction.png', width = 8, height = 4,units = 'in', res = 300)plot_cell_fraction(human_data, celltypes = c("Macrophage","T cell","mDC","Neutrophil","Mast"), groupby = "group", show_replicate = T, rep_colname = "orig.ident")dev.off()图片
当然了，以上三个功能是我觉得比较有用的，各取所需嘛，至于其他的感性的可自行探究。其实对于这种R包有很多，都是一些关于单细胞数据的可视化，他们的底层都是依赖于seurat的，但是修饰的效果不错。例如之前我们讲过一个：dittoSeq：一个优秀的单细胞转录组、Bulk可视化R包（都准备过年不学习了嘛？最近阅读好低）。虽然没有必要对所有包进行学习，但是这些有用的包却在我们的数据可视化过程中非常使用。如果我们不讲这个包，你可能就与这个炫酷的单细胞聚类图失之交臂了。所以看完了，对你有帮助的话，点个赞、分享下再走呗！ 本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。