帅哥大秀直播
发布日期：2025-12-17 14:50 点击次数：167图片帅哥大秀直播
绪论Hello小伙伴们群众好，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详确（肺腺癌单细胞数据集GSE189357复现(二)：细胞详确）。
本期，咱们将使用多种可视化标准，绘制FeaturePlot，ggplot，DoHeatmap图。
1.配景先容在胃癌系列推文中，我提到绘顺眼图需要审好意思才智强。实践上，绘制才智也能很好的反馈咱们的科研修养。绘制才智与科研才智之间的关系绝顶紧密，因为灵验的可视化在科学研讨中饰演着至关焦虑的扮装。绘制不仅是展示研讨终局的技能，更是知道复杂数据、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，咱们大部分情况下齐是充任“调包侠”，使用各式R包绘制各式图形。
R讲话是一种粗鄙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重大的功能，可是也有其污点。
R讲话可视化的优点有好多：
丰富的图形库：R领有多数的图形库，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，从神采、模式到布局，用户不错致密约束图形的每一个方面。
数据操作才智强：R是一种重大的数据分析器具，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绝顶重大，不错平直在绘制中集成统计测试和模子终局。
动态陈说：R的可视化不错削弱地集成到动态陈说中，如R Markdown和Shiny，这使得终局不错交互式地呈现。
社区复古：R有一个活跃的社区，用户不错从中得到多数的教程、论坛掂量和包更新。
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鸿沟绝顶受迎接。
跨平台：R不错在多种操作系统上开动，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陡峻，尤其是关于那些莫得编程配景的用户。
性能问题：诚然R在数据处理和可视化方面推崇出色，但它在处理绝顶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行开动通盘剧本，这在迭代流程中可能会显得繁琐。
3D可视化有限：诚然R不错创建3D图形，但与一些成心的软件比较，它的3D可视化才智相对有限。
用户界面：R的默许用户界面（RStudio之外）可能不如一些集成设备环境（IDE）友好。
依赖顾问：R的包依赖顾问无意可能会导致版块冲破，需要用户手动顾问。
专科图形制作：诚然R不错制作高质地的图形，但与专科的图形筹划软件比较，它在制作出书级别的图形方面可能不够直不雅。
交互性：诚然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成心的交互式可视化器具（如Tableau）直不雅和重大。
R绘制最焦虑的少量是无法像PS相似粗糙改造图形，只可在参数限定范围内修改转念。因此，要想把图作念的顺眼，就要采选适应的绘制函数，并束缚的调参。是以说，知道函数是R绘制的基础。
2.可视化最初加载R包，创建新的文献夹，读取细胞详确后的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，上图各个基因的神采阈值范围不一致，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,预防图例的范围不同：
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消失个图中,看右上角不错发现黄色越深的方位两个基因叠加越多：
FeaturePlot(sce.all, features = c('S100A9','S100A8'), cols = c("lightgrey", "green", "orange"), blend=T,blend.threshold=0)图片
辘集ggplot函数，咱们还不错把三个基因画在消失个图中：
索要tsne坐标，并索要基因抒发数据并与tsne坐标合并：
tsne_df <- as.data.frame(sce.all@reductions$umap@cell.embeddings)tsne_df$cluster <- as.factor(sce.all$celltype)head(tsne_df)gene_df <- as.data.frame(GetAssayData(object = sce.all, slot = "data")[c('S100A9','S100A8','CXCL8'), ])ggplot绘制图形：
library(ggnewscale)merged_df <- merge(t(gene_df), tsne_df, by = 0, all = TRUE)head(merged_df)colnames(merged_df)ggplot(merged_df, vars = c("umap_1", "umap_2", 'S100A9','S100A8','CXCL8'), aes(x = umap_1, y = umap_2, colour = S100A9)) + geom_point(size=0.3, alpha=1) + scale_colour_gradientn(colours = c("lightgrey", "green"), limits = c(0, 0.3), oob = scales::squish) + new_scale_color() + geom_point(aes(colour = S100A8), size=0.3, alpha=0.7) + scale_colour_gradientn(colours = c("lightgrey", "blue"), limits = c(0.1, 0.2), oob = scales::squish) + new_scale_color() + geom_point(aes(colour = CXCL8), size=0.3, alpha=0.1) + scale_colour_gradientn(colours = c("lightgrey", "red"), limits = c(0, 0.3), oob = scales::squish)+ theme_classic()图片
上头的图花里胡梢，目标是什么？个东谈主合计，可视化的主要目标是明晰的呈现数据的特征并揭示生物学深嗜深嗜。使用FeaturePlot将多个基因的抒发绘制在消失个图中，咱们不错比较这不同基因在细胞中的共抒发模式，以及探索它们在特定细胞类型或亚群中的潜在生物学关联性。
2.2 DoHeatmap绘制热图DoHeatmap 在单细胞 RNA 测序数据分析顶用于可视化细胞群体或类型的基因抒发模式，其目标包括展示各别抒发基因、识别细胞亚群、展示记号基因、比较基因抒发模式、分析细胞类型的群体特征以及探索潜在的功能和通路。这种可视化器具是讲明单细胞数据、知道细胞异质性以及揭示潜在生物学机制的重大技能。
讹诈DoHeatmap函数绘制热图，不错展示不同细胞类型的top5 maker：
Idents(sce.all)table(sce.all$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)为了退缩数据量太大不好出图，这里在每个亚群索要出来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
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
3.参数领略本期单细胞基因可视化用到的三种函数鉴别为FeaturePlot()、DoHeatmap()和DotPlot()。代码参数及领略如下：
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函数参数领略：
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: 字符向量或神采向量，泰国按摩群用于界说绘制中使用的神采渐变。
pt.size: 点的大小。
order: 逻辑值，指定是否笔据特征抒发量的次第绘制细胞，不错匡助高出抒发某特征的细胞。
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: 指定要使用的降维工夫，举例"umap"、"tsne"或"pca"。要是未指定，FeaturePlot会递次查找"umap"、"tsne"、"pca"中可用的终局。
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鉴别绘制图形。
shape.by: 可选的，允许笔据某个细胞属性改造点的模式。
slot: 指定从哪个Seurat对象的槽中索要抒发数据进行可视化。
blend: 逻辑值，指定是否搀杂两个特征的抒发值来同期可视化它们。
blend.threshold: 设备用于搀杂特征抒发的阈值，范围从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，指定是否使用标签扬弃机制，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。要是为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()函数参数领略：
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记号类
group.bar : 添加暴露单位格组现象的神采栏
group.colors : 要用于神采栏的神采
disp.min : 最小暴露值（以下悉数值均被剪裁）
disp.max : 最大暴露值（以上悉数值均被剪裁）；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 : 从中索要
label : 在神采栏上方记号单位格记号
size : 神采栏上方文本的大小
hjust : 神采栏上方文本的水平对正
angle : 神采栏上方文本的角度
raster : 要是为真，则使用//oraprdnt绘制，不然使用available。//oraprdnt在某些稽查应用模式（如预览）上，由于光栅是若何插值的，因此可能会显得暗昧。要是遭受该问题，请将其设备为false（请预防，打印可能需要更长的时分来生成/渲染）。
draw.lines : 包括分隔组的白线
lines.width : 整数，用于转念分隔白色的宽度行。对应每个组之间的“细胞”数目。
group.bar.height : 缩放神采栏的高度
combine : 将绘制合并到单个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()函数参数领略：
object : 一个Seurat对象，包含要进行可视化的数据集。
assay : 要使用的分析称呼，默许为行径分析
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 : 要打印的神采：来自rcolorbrewer:的调色板的称呼：布鲁尔.pal.info，一双界说渐变的神采，或3+个界说多个渐变的神采（要是拆分心志（已设备）
col.min : 最小缩放平均抒发式阈值（everythingsmaller将设备为该值）
col.max : 最大缩放平均抒发式阈值（悉数较大的值齐将设备为该值）
dot.min : 绘制最小点的单位格分数（默许值为0）。悉数抒发givengene的细胞组齐莫得画点。
dot.scale : 缩放点的大小，雷同于cex
idents : 要包含在绘制中的记号类（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）；谈论详备信息，请参阅FetchData
cluster.idents : 是否笔据给定的特征按头绪聚类对记号进行排序，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 : 设备缩放下限，默许使用NA
scale.max : 设备缩放上限，默许使用NA
结语本期，咱们使用多种可视化标准，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标准远不啻以上几种，新的绘制R包日出不穷，各式顺眼的图形让咱们目不暇接。在束缚的学习代码之余，咱们还要明晰的意志到，可视化的主要目标是明晰的呈现数据的特征并揭示生物学深嗜深嗜。是以，咱们依然要束缚的看课本、看文献、学统计，束缚的念念考。任重而谈远，咱们仍需奋力。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各别。干货满满，迎接群众合手续追更，谢谢！
图片
本站仅提供存储行状，悉数内容均由用户发布，如发现存害或侵权内容，请点击举报。