郑州物联网软件开发 单细胞组学 | 第20期. 好意思蒙胧限——卷起来的UMAP图好意思化有缱绻
CNS顶刊炫酷的UMAP图到底是怎么画的？行为单细胞分析的老例figure——UMAP更仆难数的好意思化有缱绻惟有你不敢想，莫得作念不到的。本文带你get单细胞UMAP还不错这样画，虽然还有好多实用的单细胞分析配色共享哦！
往期总结：
MASCU
第1期.单细胞测序：揭开人命精巧的钥匙
第2期.卑劣数据质控知些许
第3期.Seurat之PBMC分析要领化经由
第4期.写著述时需要用到的单细胞转录组测序旨趣
第5期.单细胞测小序件面面不雅
第6期.10X genomics 上游分析-cellranger先容
第7期.10X genomics 上游分析-cellranger独揽
第8期.一文买通单细胞测序参议想路
第9期.Zenodo一个矿藏全球数据库和单细胞的不明之缘
第10期.生物信息学必须了解的数据库
第11期.不会还有东说念主不知说念这个免费一年的云处事吧！？
第12期.单细胞分析数据下载、导入和吞并
第13期.单细胞测序中果真存在双细胞？
第14期.想发单细胞测小序章？这一步必学！
第15期.一份历害推选储藏的细胞周期改良宝典！
第16期.不可不知的单细胞经由
第17期. 找到Cluster的领头羊
第18期. 单细胞审视不再是烦懑！
第19期. 单细胞数据分析的中枢设施，必学！
Introduction
在本系列的推送中，咱们之前给民众共享了：
①单细胞（核）RNA测序的旨趣；
②基于Cellranger的上游分析；
③数据下载/导入/吞并；
④数据质控（包括细胞质控和基因质控）；并铺垫了细胞审视前几个数据贬责手段（包括细胞周期矫正、去批次、各别分析）。
⑤细胞审视
本期在上期的细胞审视分群的UMAP图基础上，进一步斟酌UMAP图的好意思化有缱绻及配色共享。
本期将给民众共享以下2个方面：
1. 浅谈UMAP图的好意思化有缱绻
2. R作图 (单细胞) 的配色共享
TS
01
浅谈UMAP图的好意思化有缱绻
书接上期（单细胞组学 | 第19期. 单细胞数据分析的中枢设施，必学！），咱们完成了细胞审视，况且绘制出了一幅经典的UMAP图（图1）。底下将顺序渐进地先容几种好意思化有缱绻，但愿给民众一些好意思化我方的UMAP图的灵感。
图片
图1
好意思化有缱绻1: 为每一群细胞添加椭圆鸿沟在2017年Cell的一篇著述中，画出了包含椭圆置信区间的患者细胞分群t-SNE图，如图2所示。
图片
图2
底下咱们一说念基于图1，一步步好意思化。绘制UMAP及之前的代码和上期相易。1）使用ggplot2 R包再行绘制UMAP图并取得每个细胞的坐标
df1=Hu_AO_db_QC2@reductions$umap@cell.embeddings %>% as.data.frame() %>% cbind(cluster=Hu_AO_db_QC2@meta.data$seurat_clusters)plot1=ggplot(df1, aes(umap_1, umap_2, color=Hu_AO_db_QC2@meta.data$Major_celltype))+ geom_point(size = 0.01,alpha = 0.1) + # 树立点的大小为1 geom_point()+ theme_classic()+labs(title=1)
图片
图3 细胞位置信息
图片
图4
2）为每群细胞加上椭圆鸿沟plot2=plot1 + stat_ellipse(aes(x = umap_1, y = umap_2, fill = Hu_AO_db_QC2@meta.data$Major_celltype), geom = "polygon", linetype=2, # 椭圆线 alpha = 0.25, #椭圆配景填充色不透明度 linewidth = 0.5, # 树立椭圆置信区间的鸿沟线宽度 show.legend = FALSE, #去掉椭圆对应的图例 level = 0.95)+labs(title=2) #level置信区间
图片
图5
3）再行给每群细胞指定颜料colors2 <- c("#96C3D8", "#F5B375", "#C0937E", "#67A59B", "#A5D38F", "#8D75AF", "#F19294", "#E45D61", "#BDA7CB")plot3= plot2+ scale_fill_manual(values=colors2)+ scale_color_manual(values=colors2)+labs(title=4)图片
图6
好意思化有缱绻2: 为每一群细胞添加详细线并转变图例
软件开发和好意思化有缱绻1相似，率先要取得每个细胞的坐标，再给每群细胞加上详细线，不规定详细线的添加通常如故基于置信区间椭圆。此外，图例也进行了好意思化。
plotData <- as.data.frame(Hu_AO_db_QC2[["umap"]]@cell.embeddings)plotData$cluster <- Hu_AO_db_QC2@meta.data$Major_celltypeplot4 = ggplot(plotData, aes(x = umap_1, y = umap_2, fill = Hu_AO_db_QC2@meta.data$Major_celltype, color = Hu_AO_db_QC2@meta.data$Major_celltype)) + stat_unchull(alpha = 0.25, size = 0.25, delta = 0.5) + stat_ellipse(level = 0.95) + geom_point(size = 0.1) + theme( aspect.ratio = 1, panel.background = element_blank(), panel.grid = element_blank(), axis.line = element_line(), )
图片
图7好意思化有缱绻3:对详细线的修饰并转变配色
将细胞群的详细线从实线转变为虚线，况且转变配色。set.seed(0816)col <- sample(RColorBrewer::brewer.pal(10, "Paired"))plot5 = ggplot(plotData, aes(x = umap_1, y = umap_2, fill = Hu_AO_db_QC2@meta.data$Major_celltype, color = Hu_AO_db_QC2@meta.data$Major_celltype)) + stat_unchull(alpha = 0.25, size = 0.25, lty = 2, delta = 0.5) + geom_point(size = 0.5, show.legend = FALSE) + theme( aspect.ratio = 1, panel.background = element_blank(), panel.grid = element_blank(), axis.line = element_line(arrow = arrow(type = "closed")), axis.title = element_text(hjust = 0.05, face = "italic",size = 14) ) + guides(color = FALSE, x = axis, y = axis) + guides(color = FALSE, x = axis, y = axis) + scale_x_continuous(breaks = NULL) + scale_y_continuous(breaks = NULL) + scale_fill_manual(values = col) + scale_color_manual(values = col)）
图片
图8
好意思化有缱绻3:对UMAP坐标轴的修饰
1）对UMAP坐标轴进行缩放
一改以往一以贯之的坐标轴发达样子，通过对UMAP坐标轴进行缩放（截断轴），将坐标轴放到左下角，就会使UMAP图愈加高等起来。
axis <- ggh4x::guide_axis_truncated( trunc_lower = unit(0, "npc"), trunc_upper = unit(3, "cm"))Plot6 = ggplot(plotData, aes(x = umap_1, y = umap_2, fill = Hu_AO_db_QC2@meta.data$Major_celltype, color = Hu_AO_db_QC2@meta.data$Major_celltype)) + stat_unchull(alpha = 0.25, size = 0.25,delta = 0.5,lty = 1) + geom_point(size = 0.2, show.legend = FALSE) + theme( aspect.ratio = 1, panel.background = element_blank(), panel.grid = element_blank(), axis.line = element_line(arrow = arrow(type = "closed")), axis.title = element_text(hjust = 0.05, face = "italic")) + guides(color = FALSE, x = axis, y = axis) + scale_x_continuous(breaks = NULL) + scale_y_continuous(breaks = NULL)）
图片
图9
2）转变坐标轴标署名体大小
图片
图10
好意思化有缱绻5:只重心隆起强调观念细胞群
单细胞UMAP图只象征特定细胞群，不错通过树立颜料杀青。“刻意”安排好颜料法规，将需要标注的群树立为需要的颜料，其他的群树立为灰色即可，如下图红色和蓝色细胞群。
colors <- c("grey","#FB8072","grey","grey","grey","grey","grey","grey","#7BAFDE")plot6 <- DimPlot(Hu_AO_db_QC2, reduction = "umap", group.by = "active.ident", label = TRUE) + scale_color_manual(values = colors) + NoLegend()图片
图11
好意思化有缱绻6:AI杀青手动对缱绻细胞群的圈选和审视
照片中，年轻的梅西与一个可爱的婴儿合影，那个半岁的婴儿就是亚马尔。
本期为排列三第2024181期开奖，郑州物联网软件开发开奖日期为：2024年7月9日，历史上排列三第181期已开出了19次奖号，历年同期开出号码分别为：402-959-849-393-069-806-599-693-153-727-868-437-484-573-306-293-549-071-779。
上述好意思化有缱绻等共享了通过R来给细胞群添加置信椭圆和详细线，但波及到更为复杂的不规定圈选时，使用R谈话不仅费时难度所有高，还不一定能达到预期的圈选终结（咱们这里也不错发现上述圈选时有两个细胞群未被圈住）。那咱们该怎么办呢？
办法总比疼痛多，这手艺AI（Adobe Illustrator）来开赴点！AI不仅不错进行科研绘制（详见科研器用系列书册），在单细胞绘制好意思化上，如添加指引箭头、对应文本标签等亦然手到拿来。底下通俗演示通过AI进行标签的添加，更多更具体的AI好意思化口头，如有需要，在之后的推送里会堤防先容。1）将绘制出的UMAP图导入到AI图片
图12
2）使用文本器用给细胞群添加标签图片
图13
以上仅是先容了通俗的几种好意思化有缱绻，底下共享一些实用的单细胞配色。
TS
02
R作念图（单细胞）的配色共享在之前Bilibili“雀跃doctor”的壮不雅竭诚共享的公开课《R谈话科研绘制之化繁为简》中，还是先容了几种R作图的配色有缱绻，底下我再来总结一下。
1）基于已有的配色有缱绻① RColorBrewer包
网址：
https://colorbrewer2.org/#type=sequential&scheme=BuGn&n=3RColorBrewer包提供了三种类型的配色有缱绻，用于在R中创建各式颜料调色板。法规（Sequential）配色有缱绻：适用于伙同型数据，颜料跟着数据值的变化而缓缓改变。频繁用于暗意数据的渐变。发散（Diverging）配色有缱绻： 适用于呈现数据的变化趋势，数据鸠集在某小数隔邻的变化情况。频繁用于露出数据的偏离或对比。定性（Qualitative）配色有缱绻： 适用于残害型数据，每个类别的数据用不同的颜料暗意。频繁用于暗意分类或分组的数据。
图片
图片
② carto包
网址：https://carto.com/carto-colors/
图片
图片
③ viridis包图片
④ colorspace包图片
⑤ ggsci包网址：https://nanx.me/ggsci/articles/ggsci.htmlggsci包内有不同时刊配色汇总：
图片
图片
使用ggsci包中的配色好意思化的上述UMAP图如下所示。
library(ggsci)plot8 = DimPlot(Hu_AO_db_QC2, reduction = "umap", group.by = "active.ident", label = TRUE) + scale_color_npg(alpha = 0.1)
图片
图142）自创或从文件中鉴戒配色有缱绻已有的配色有缱绻往往不可称心生信可视化对好意思的条目，这手艺好意思蒙胧限、最具个性化的配色源于我方闲居阅读文件时的配色积存加上合理搭配杀青的。举例本篇中对UMAP图好意思化时的配色即是如斯。在本公众号中特意有的科研配色系列（详见科研器用系列书册），匡助民众在阅读文件中积存配色，民众可爱不错鉴戒！下图是一些自界说配色有缱绻供参考。
图片
图15
以上即是本期推送的全部本色，民众关于推送本色有任何问题或建议不错在公众号菜单栏“更多--读者的话”栏目中建议，咱们会尽快复兴！参考文件：
1.Zheng C, Zheng L, Yoo JK, et al. Landscape of Infiltrating T Cells in Liver Cancer Revealed by Single-Cell Sequencing. Cell. 2017;169(7):1342-1356.e16.
图片
期待已久～｜R谈话与组学调解交流群来啦！
（宥恕民众入群交流～郑州物联网软件开发
本站仅提供存储处事，通盘本色均由用户发布，如发现存害或侵权本色，请点击举报。