我想要插插插综合网 5种样貌好意思化你的单细胞umap散点图

发布日期：2025-03-18 03:44    点击次数：90

咱们生信妙技树的单细胞月更群内部经常看到小伙伴提议的图片好意思化需求我想要插插插综合网，这就来望望单细胞umap好意思化器具吧！

第一种：SCP 包（这个包终点的出色）

对于SCP，咱们前边也有一个挑升的专辑对其进行了大篇幅的先容，不知谈环球用起来了没呢？

端到端的单细胞管谈SCP-整合过程端到端的单细胞管谈SCP-细胞质控端到端的单细胞管谈SCP-程序过程端到端的单细胞管谈SCP-快速启动SCP—为单细胞分析缠绵的端到端处治决议端到端的单细胞管谈SCP-装配

其学习的官网地址为：https://zhanghao-njmu.github.io/SCP/index.html

莫得装配的，此次就不要再错过啦：

# 装配devtools::install_github("zhanghao-njmu/SCP")

本次，咱们使用的数据为来自 GSE128531 数据精良后的seurat对象，你我方用的技巧不错使用任何一个经过了精良后的seurat对象。

rm(list=ls())library(COSG)library(harmony)library(ggsci)library(dplyr) library(future)library(Seurat)library(clustree)library(cowplot)library(data.table)library(dplyr)library(ggplot2)library(patchwork)library(stringr)library(qs)# 导入数据sce.all.int <- readRDS('2-harmony/sce.all_int.rds')sp <- 'human'head(sce.all.int@meta.data)load("phe.Rdata")head(phe)sce.all.int <- AddMetaData(sce.all.int， metadata = phe)Idents(sce.all.int) <- "celltype"table(Idents(sce.all.int))

图片

看一下它对UMAP可视化的横暴之处！

1、先看默许主题一键出图：

################## umap1library(SCP)head(sce.all.int@meta.data)CellDimPlot(sce.all.int， group.by = "celltype"， reduction = "UMAP")

这个配色终点CNS，且图中展示了总细胞数，每个亚群的细胞数这些信息：

图片

2、坐标改成 左下小箭头，亦然环球非频频见的需求！

# 左下小箭头CellDimPlot(sce.all.int， group.by = "celltype"， reduction = "UMAP"， theme_use = "theme_blank")

图片

3、只泄漏X、Y轴

还不错一键退换举座字体大小：

CellDimPlot(sce.all.int， group.by = "celltype"， reduction = "UMAP"，             theme_use = ggplot2::theme_classic， theme_args = list(base_size = 16))

图片

上头三个是我最心爱的ump格调，还有好多其他，总有你的一款：

图片

第二种：Nebulosa（r包）

Nebulosa 是一个基于核密度臆测可视化单细胞数据的 R 包，主要通过连合细胞之间的不异性来收复丢失特征中的信号，从而完满细胞特征的“卷积”。

学习官网：https://bioconductor.org/packages/devel/bioc/vignettes/Nebulosa/inst/doc/nebulosa_seurat.html

Nebulosa 的主邀功能是 plot_density我想要插插插综合网，让咱们按照以下样貌绘制 一些marker基因 的核密度臆测图，展示的marker基因抒发水平上下：

# 装配一下options(BioC_mirror="https://mirrors.westlake.edu.cn/bioconductor")options("repos"=c(CRAN="https://mirrors.westlake.edu.cn/CRAN/"))BiocManager::install("Nebulosa")library(Nebulosa)

1、 绘制一个基因PTPRC

这种图亦然在好多CNS级别的著作中出现的：

# 绘制一个基因PTPRCp1 <- plot_density(sce.all.int， c("PTPRC")，size = 0.3)p1

图片

2、绘制多个基因

# 同期绘制多个基因p3 <- plot_density(sce.all.int， c("CD3D"，"CD4"，"CD8A"，"CD68")，size = 0.3)p3

成果如下：

图片

3、绘制基因共抒发

这里不错同期展示两个基因王人抒发的处所：

# combine = FALSE 只保留两个基因王人抒发的区域p4 <- plot_density(sce.all.int， c("CD8A"， "CCR7")， joint = TRUE，combine = FALSE) p4

图片

第三种：scCustomize（r包）

学习官网：https://samuel-marsh.github.io/scCustomize/index.html

# 装配# Base Rinstall.packages("scCustomize")

绘制：不错绘制一个marker，也不错展示多个marker：

################## umap4：scCustomizelibrary(viridis)library(Seurat)library(scCustomize)FeaturePlot_scCustom(seurat_object = sce.all.int， features = c("VWF"，"CD3E")， order = F)

这种格调很像早期的椒盐绘制格调：你看这个着色点是不是很像洒在鸡腿上头的椒盐！（椒盐格调这个词我在一篇单细胞文件中碰到过，当前找不见了，其时还挑升在群里问了来着哈哈哈哈）

图片

还不错应答地修改配色：

# 修改心情# Set color palettepal <- viridis(n = 10， option = "D")FeaturePlot_scCustom(seurat_object = sce.all.int， features = c("VWF"，"CD3E")，                      colors_use = pal， order = T，pt.size = 0.3)

图片

第四种：ggplot2绘制细胞密度umap图

在seurat包中有东谈主提议一个绘制需求：https://github.com/satijalab/seurat/issues/6962

图片

这种图主要用来处理数据点重迭问题时终点灵验，使用 MASS::kde2d() 进行二维核密度臆测，并通过等高线泄漏成果，geom_density_2d() 绘制等高线，而 geom_density_2d_filled() 绘制填充的等高线带。

相接：https://ggplot2.tidyverse.org/reference/geom_density_2d.html

女同tp

library(cetcolor)library(Seurat)library(ggplot2)# 诞生心情scale.col <- cet_pal(16， name = "fire")# generate UMAP plotpl1 <- UMAPPlot(sce.all.int， combine = FALSE) # returns full ggplot objectpl1# make plotpl1[[1]] &   stat_density_2d(aes_string(x = "umap_1"， y = "umap_2"， fill = "after_stat(level)")，                   linewidth = 0.2， geom = "density_2d_filled"，                   colour = "ivory"， alpha = 0.4， n = 150， h = c(1.2， 1.2)) &   scale_fill_gradientn(colours = scale.col) &   DarkTheme()

这种格调很独到：

图片

第五种：ggpointdensity（r包）

在二维坐标系中可视化数据点有几种步伐：若是你有无数的数据点重迭在全部，geom_point() 无法为你提供重迭点的数目臆测。

刚刚上头先容的geom_density2d() 和 geom_bin2d() 不错处治这个问题，但它们使得无法探听个别非常点，而这些非常点可能具有参谋价值。

geom_pointdensity() 旨在通过连合两者的优点来处治这个问题：各个点把柄临近点的数目进行着色。这使得你既能看到举座漫步，也能看到个别点。

学习官网：https://github.com/LKremer/ggpointdensity

细胞密度图：

# 装配install.packages("ggpointdensity")library(ggpointdensity)# 索求umap坐标数据dat <- Embeddings(sce.all.int， reduction = "umap")head(dat)# umap_1    umap_2# SC67mf2_AAACCTGAGAGTAATC -3.541568  5.127461# SC67mf2_AAACCTGAGCGCTTAT -6.623588 -3.025122# SC67mf2_AAACCTGAGGACACCA -4.586405  1.513219ggplot(data = dat， mapping = aes(x = umap_1， y = umap_2)) +  geom_pointdensity() +  scale_color_viridis()

图片

虽然，它还不错展示marker特征基因抒发：

# 索求umap坐标以及特征基因抒发df <- FetchData(object =sce.all.int， vars = c("umap_1"， "umap_2"， "CD3D")， layer = "data")head(df)# umap_1    umap_2     CD3D# SC67mf2_AAACCTGAGAGTAATC -3.541568  5.127461 0.000000# SC67mf2_AAACCTGAGCGCTTAT -6.623588 -3.025122 1.430228# SC67mf2_AAACCTGAGGACACCA -4.586405  1.513219 0.000000p <- ggplot(df， aes(x= umap_1， y= umap_2 )) +  geom_point(data = df %>% filter(CD3D == 0)， color = "#440154FF"， size = 0.6) +  ggpointdensity::geom_pointdensity(data = df %>% filter(CD3D > 0)， size = 0.6) +  viridis::scale_color_viridis() +  theme_classic(base_size = 14) +  labs(color= "CD3D")p

成果如下：

图片

上头哪一款是你的菜？不错在批驳区高声说出来（爱就要勇敢说出来！）。

友情宣传：

生信初学&数据挖掘线上直播课2025年1月班

时隔5年，咱们的生信妙技树VIP学徒无间招生啦

得志你生信分析有计划需求的廉价处治决议我想要插插插综合网

本站仅提供存储工作，扫数实质均由用户发布，如发现存害或侵权实质，请点击举报。