文章图片
随着生物学背景知识的增加，单细胞图谱的可视化直接用10X的Loup或者seurat的Dimplot函数直接绘制的umap/tsne图往往很难达到要求了，这就要求我们提高绘图技能。我们都知道ggplot2是一款很好的绘图R包，甚至可以说在语法上扩展了R语言本身。那么，当我们需要绘图的时候，自然我们会想到它及其周边。今天我们就主要地看一下ggforce这个包带给我们的可能性。
【你到底想要什么样的umap/tsne图（）】首先，我载入数据：

library(Seurat) library(ggplot2) library(tidyverse) pbmc <- readRDS('G:\\Desktop\\Desktop\\RStudio\\single_cell\\filtered_gene_bc_matrices\\hg19pbmc_tutorial.rds') pbmcAn object of class Seurat 13714 features across 2638 samples within 1 assay Active assay: RNA (13714 features) 3 dimensional reductions calculated: pca, umap, tsne···

为了提供更多的分群结果，我们再跑一次FindClusters,当然你也可自己构建分组方式，比如不同的样本，VDJ不同的克隆型等

pbmc<-FindClusters(pbmc,resolution = c(.4,.8,1.2,1.6,2)) head(pbmc@meta.data)orig.ident nCount_RNA nFeature_RNA percent.mt RNA_snn_res.0.5 AAACATACAACCACpbmc3k24197793.01777591 AAACATTGAGCTACpbmc3k490313523.79359583 AAACATTGATCAGCpbmc3k314711290.88973631 AAACCGTGCTTCCGpbmc3k26399601.74308452 AAACCGTGTATGCGpbmc3k9805211.22448986 AAACGCACTGGTACpbmc3k21637811.66435511 seurat_clusters RNA_snn_res.0.4 RNA_snn_res.0.8 RNA_snn_res.1.2 AAACATACAACCAC1215 AAACATTGAGCTAC0322 AAACATTGATCAGC2211 AAACCGTGCTTCCG3144 AAACCGTGTATGCG8678 AAACGCACTGGTAC1211 RNA_snn_res.1.6 RNA_snn_res.2 AAACATACAACCAC91 AAACATTGAGCTAC20 AAACATTGATCAGC12 AAACCGTGCTTCCG43 AAACCGTGTATGCG88 AAACGCACTGGTAC11

为了调用ggplot2我们把UMAP的坐标放到metadata中：

pbmc<-AddMetaData(pbmc,pbmc@reductions$umap@cell.embeddings,col.name = colnames(pbmc@reductions$umap@cell.embeddings))head(pbmc@meta.data)

读入一套我珍藏多年的颜色列表：

allcolour=c("#DC143C","#0000FF","#20B2AA","#FFA500","#9370DB","#98FB98","#F08080","#1E90FF","#7CFC00","#FFFF00", "#808000","#FF00FF","#FA8072","#7B68EE","#9400D3","#800080","#A0522D","#D2B48C","#D2691E","#87CEEB","#40E0D0","#5F9EA0", "#FF1493","#0000CD","#008B8B","#FFE4B5","#8A2BE2","#228B22","#E9967A","#4682B4","#32CD32","#F0E68C","#FFFFE0","#EE82EE", "#FF6347","#6A5ACD","#9932CC","#8B008B","#8B4513","#DEB887")

我用ggplot画一个带有标签的umap图：

class_avg <- pbmc@meta.data %>% group_by(RNA_snn_res.2) %>% summarise( UMAP_1 = median(UMAP_1), UMAP_2 = median(UMAP_2) )umap <-ggplot(pbmc@meta.data ,aes(x=UMAP_1,y=UMAP_2))+ geom_point(aes(color=RNA_snn_res.2))+ scale_color_manual(values = allcolour)+ geom_text(aes(label = RNA_snn_res.2), data = https://www.it610.com/article/class_avg)+ theme(text=element_text(family="Arial",size=18)) + theme(panel.background = element_rect(fill='white', colour='black'), panel.grid=element_blank(), axis.title = element_text(color='black', family="Arial",size=18),axis.ticks.length = unit(0.4,"lines"), axis.ticks = element_line(color='black'), axis.ticks.margin = unit(0.6,"lines"), axis.line = element_line(colour = "black"), axis.title.x=element_text(colour='black', size=18), axis.title.y=element_text(colour='black', size=18), axis.text=element_text(colour='black',size=18), legend.title=element_blank(), legend.text=element_text(family="Arial", size=18), legend.key=element_blank())+ theme(plot.title = element_text(size=22,colour = "black",face = "bold"))+ guides(colour = guide_legend(override.aes = list(size=5)))umap

文章图片
学会了吗? 为了使我们的图层不要那么复杂，还是先画一个简单的：

umap <-ggplot(pbmc@meta.data ,aes(x=UMAP_1,y=UMAP_2,color=RNA_snn_res.2))+ geom_point() umap

文章图片
好奇的我们来看一下umap这个图都有什么：

head(umap$data) umap$theme umap$layers umap$scales umap$mapping umap$coordinates umap$facet umap$plot_env umap$labels

然后，我们请出ggforce这个包，看看第一次的惊喜。

library(ggforce) umap + facet_zoom(x = RNA_snn_res.2 == "14")

想要细致刻画某个亚群，这不失是一个方法：

文章图片

umap +facet_zoom(xlim = c(-15, -10), ylim = c(0, 2.5))

文章图片

umap + geom_mark_rect(aes(label = RNA_snn_res.2), show.legend = FALSE) + theme_void()

给每个群加框加标签，优雅：

文章图片

library(concaveman) umap + geom_mark_hull(aes(label = RNA_snn_res.2)) + theme_void()

可以根据自己的数据格式换一换 ：

文章图片

umap + geom_mark_hull(aes(label = RNA_snn_res.2, fill = RNA_snn_res.0.4), show.legend = FALSE) + theme_void()

如果有需要特别化为一类的可以用背景色来圈住：

文章图片

umap + geom_mark_hull(aes(label = RNA_snn_res.2, fill = RNA_snn_res.2), show.legend = FALSE, expand = unit(3, "mm")) + theme_void()

文章图片

umap + geom_mark_hull(aes(label = RNA_snn_res.2, fill = RNA_snn_res.2), show.legend = FALSE, expand = unit(3, "mm")) + theme_no_axes()

文章图片

desc <- 'I am aluck dog' umap + geom_mark_ellipse(aes(filter = RNA_snn_res.2 == '14', label = '14', description = desc))

想对某一亚群做进一步的注释：

文章图片
你也可以：

umap + geom_mark_hull(aes(filter = RNA_snn_res.2 == '14', label = '14', description = desc))

文章图片

umap + geom_voronoi_tile(aes(fill = RNA_snn_res.2, group = -1L)) + geom_voronoi_segment()

Voronoi图背后的想法是将图的区域分割成尽可能多的部分。与网格或热图不同，Voronoi根据与其他点的接近程度为每个点绘制自定义形状。它返回一个看起来像彩色玻璃的图。这可以很好地确定每个区域内的最近点。例如，零售商可以使用它来查看他们的商店位置所覆盖的区域，并可以帮助他们做出决策，根据每个Voronoi形状的大小来优化他们的位置。

文章图片
其实这并看不清

umap + geom_voronoi_tile(aes(fill = RNA_snn_res.2), max.radius = 1,colour = 'black')

看一看出哪些地方的细胞比较密集，这一点当然需要好的降维结构了，细胞密集与否分别代表什么？越密集的区域细胞距离越近，说明异质性较低。当然，这和降维结构有关。

文章图片

umap + geom_voronoi_tile(aes(fill = RNA_snn_res.2), max.radius = .1,colour = 'black')

文章图片

umap + geom_mark_hull(aes(fill = RNA_snn_res.2), expand = unit(3, "mm")) + coord_cartesian(xlim = c(-15, -10), ylim = c(0, 2.5))+ geom_voronoi_segment()

有种细胞的感觉了吗?

文章图片
最后，作为附赠：

pbmc@meta.data %>% gather_set_data(6:11) %>% ggplot(aes(x, id = id, split = y, value = https://www.it610.com/article/1))+ geom_parallel_sets(aes(fill = RNA_snn_res.0.4), show.legend = FALSE, alpha = 0.3) + geom_parallel_sets_axes(axis.width = 0.1, color ="lightgrey", fill = "white") + geom_parallel_sets_labels(angle = 0) + theme_no_axes()

文章图片

pbmc@meta.data %>% count(RNA_snn_res.0.4) %>% ggplot() + geom_arc_bar(aes(x0 = 0, y0 = 0, r0 = 0.7, r = 1, amount = n, fill = RNA_snn_res.0.4), alpha = 0.3, stat = "pie")

文章图片

p1 <- pbmc@meta.data %>% count(RNA_snn_res.0.4) %>% mutate(focus = ifelse(RNA_snn_res.0.4 == "0", 0.2, 0)) %>% ggplot()+ geom_arc_bar(aes(x0 = 0, y0 = 0, r0 = 0.7, r = 1, amount = n, fill = RNA_snn_res.0.4, explode = focus), alpha = 1, stat = "pie") + scale_fill_manual(values = allcolour)

文章图片

• sc-RAN-seq 数据分析||Seurat新版教程:Guided Clustering Tutorial
• sc-RAN-seq 数据分析||Seurat新版教程: Integrating datasets to learn cell-type specific responses
• sc-RAN-seq 数据分析||Seurat新版教程: Using sctransform in Seurat
• 单细胞转录组数据分析||Seurat新版教程:Differential expression testing
• 单细胞转录组 数据分析||Seurat新版教程:New data visualization methods in v3.0
• 单细胞转录组数据分析||Seurat并行策略
• Seurat Weekly NO.0 || 开刊词
• Seurat Weekly NO.1 || 到底分多少个群是合适的？！
• Seurat Weekly NO.2 || 我该如何取子集
• 你到底想要什么样的umap/tsne图？
• scRNA-seq拟时分析 || Monocle2 踩坑教程
• scRNA-seq数据分析 || Monocle3

https://www.r-bloggers.com/the-ggforce-awakens-again/
https://rviews.rstudio.com/2019/09/19/intro-to-ggforce/

推荐阅读

• 

  i909,I909年11月15日
• 

  信用卡逾期3个月会起诉吗 信用卡逾期3个月会起诉吗?
• 

  东芝空调闪灯但机不起动是什么原因造成的
• 

  男扮女装相机 男扮女装摄影
• 

  电商打印机用来干什么用 电商打印机用来干什么，电商打印机用来干什么的
• 

  英雄联盟怎么举报方法？ 英雄联盟怎么举报
• 

  尼康24120拍风景 尼康20拍雪景
• 

  阿里斯顿壁挂炉供热水不供暖原因介绍，解决方法公开！
• 

  都市帅气的通勤装选搭之一（西装+半裙，入秋的潮搭组合）
• 

  俯的组词 俯可以组哪些词
• 

  音乐剧猫观后感精选15个
• 

  头三月孕妇禁吃的水果
• 

  鲁班简介资料，鲁班有哪些发明？ 鲁班是哪个朝代的？
• 

  mysql 5724安装 mysql5.6.14安装
• 

  核酸检测48小时有效期是从什么时候开始算
• 

  被朱元璋收养之后,后人为明朝守江山的小乞丐是谁？
• 

  惠而浦空调能买吗 惠而浦怎么样
• 

  怎么煮牛蹄筋容易烂 怎样做牛蹄筋又烂又好吃
• 

  俄乌冲突有望结束？泽连斯基列出5项条件，俄若同意就能立即和谈
• 

  给财神上香上几根对都代表什么 给财神上香上几根

• 热闹中的孤独
• 放屁有这三个特征的，请注意啦！这说明你的身体毒素太多
• 尽力
• 你到家了吗
• 爱就是希望你好好活着
• 为什么你的路演总会超时（）
• 死结。
• 跌跌撞撞奔向你|跌跌撞撞奔向你 第四章（你补英语，我补物理）
• 奔向你的城市
• 喂，你结婚我给你随了个红包