|
本系列推送旨在带领生信零基础的科研人一起入门单细胞（核）转录组数据分析。 在单细胞RNA测序（scRNA-seq）研究中，Dotplot图是一种重要的可视化工具，用于展示基因表达模式和细胞群之间的差异。Dotplot图可以快速而直观地比较单个基因在不同细胞亚群中的表达水平，并发现可能存在的生物学趋势或群体特征。 Introduction 本期内容中，我们将使用几种方法来绘制Dotplot图，以展示单细胞数据的丰富内容，并学会如何利用Dotplot图揭示细胞之间的差异和特征。让我们一起来学习吧，探索单细胞世界中隐藏的宝藏！加载需要的包和数据：
library(Seurat)
library(clustree)
library(cowplot)
library(tidyverse)
library(dplyr)
library(patchwork)
library(ggplot2)
上期 （单细胞组学 | 第20期. 美无极限——卷起来的UMAP图美化方案），我们完成了细胞注释，学习了各种美化UMAP图的配色方法，接下来根据注释的细胞类型绘制dotplot图。 准备关注的差异基因
Dotplot图在单细胞RNA测序研究中具有多种作用，如展示基因表达模式，发现细胞群差异，生物学趋势分析，辅助生物学解释，数据探索和验证等。根据不同的作图需要，我们需要得到不同细胞类群的差异基因或者我们关注的一些基因集，在这里我们用细胞类群的主要marker基因来展示不同细胞亚群的差异。 Hu_AO_db_QC2 <- FindClusters(Hu_AO_db_QC2,resolution = 0.2)
all_markers = FindAllMarkers(Hu_AO_db_QC2,
only.pos = T, #只会去找某一群特定上调的基因
logfc.threshold=0.5,#倍数的对数的阈值，默认是0.25
min.pct = 0.5)
top3_markers <- as.data.frame(all_markers %>% group_by(cluster) %>%
top_n(n = 3, wt = avg_log2FC))
top3_markers
画图 （1）最简单的版本 colors2 <- c("#96C3D8", "#F5B375", "#C0937E", "#67A59B", "#A5D38F", "#8D75AF", "#F19294", "#E45D61", "#BDA7CB")
p1<-DotPlot(Hu_AO_db_QC2,features = top3_markers$gene,group.by ='Major_celltype',cols = colors2)+RotatedAxis()
p1
p2<-DotPlot(Hu_AO_db_QC2, features = split(top3_markers$gene, top3_markers$cluster),group.by ='Major_celltype', cols =c ("#67A59B", "#A5D38F"))+RotatedAxis()
p2
p <- DotPlot(Hu_AO_db_QC2, features = unique(top3_markers$gene) ,
assay='RNA',group.by ='Major_celltype' ) +
coord_flip() + #翻转
theme(panel.grid = element_blank(),
axis.text.x=element_text(angle = 45, hjust = 0.5,vjust=0.5))+ #轴标签
labs(x=NULL,y=NULL) +
guides(size = guide_legend("Percent Expression") )+ #legend
scale_color_gradientn(colours = c('#330066','#336699','#66CC66')) #颜色
p
p <- DotPlot(Hu_AO_db_QC2, features = top3_markers$gene,group.by ='Major_celltype')
exp <- p$data
library(ggplot2)
p1 <- ggplot(exp,aes(x=features.plot,y=id))+
geom_point(aes(size=`pct.exp`,
color=`avg.exp.scaled`))+
theme_bw()+coord_flip()+
theme(panel.grid = element_blank(),
axis.text.x=element_text(hjust = 1,vjust=0.5))+
scale_color_gradient(low="lightgrey",high="blue")+
labs(x=NULL,y=NULL)+guides(size=guide_legend(order=3))
p1
#基因聚类
library(ggtree)
df1<-reshape2::dcast(exp,id~features.plot,value.var = "avg.exp.scaled")
rownames(df1)<-df1[,1]
df1 <- df1[,-1]
df1 <- t(df1)
head(df1)
p4<-ggtree(hclust(dist(df1)))
#分组聚类
p3 <- ggtree(hclust(dist(t(df1))))+layout_dendrogram()
p3
#合并图形
library(aplot)
p1%>%insert_left(p4)
p1%>%insert_top(p3,height = 0.15)%>%insert_left(p4,width = 0.3)
library(patchwork)
（5）另一种画法的整合修饰使用了aplot包，也在这里分享一下p <- DotPlot(Hu_AO_db_QC2, features = top3_markers$gene,
cols = my36colors, group.by = 'Major_celltype')+coord_flip()
exp <- p$data
library(forcats)
exp$features.plot <- as.factor(exp$features.plot)
exp$features.plot <- fct_inorder(exp$features.plot)
p2 <- ggplot(exp,aes(x=id,y= features.plot))+
geom_point(aes(size=`pct.exp`,
color=`avg.exp.scaled`))+theme_bw()+
theme(panel.grid = element_blank(),
axis.text.x=element_text(angle=90,hjust = 1,vjust=0.5))+
scale_color_gradientn(values = seq(0,1,0.2),colours = c('#6699CC','#FFFF99','#CC3333'))+
labs(x=NULL,y=NULL)+guides(size=guide_legend(order=3))+
theme(legend.direction = "horizontal", legend.position = "bottom")
library(aplot)
p2%>%
insert_left(p4,width = 0.3)%>%insert_top(p3,height = 0.3)
|
