生信分析代谢通路可视化分析R工具包ggkegg的使用案例_怎么用r包对多个代谢物进行kegg通路分析

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以点击这里获取！

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

geom_edge_parallel(arrow=arrow(length=unit(1,"mm")),
                   aes(color=subtype_name),
                   end_cap=circle(7.5,"mm"),
                   alpha=0.5)+
geomtextpath::geom_textcontour(aes(x=x, y=y, z=z,color=after_stat(level)),
                               size=3, linetype=2,
                               linewidth=0.1, data=cont)+
geom_node_rect(aes(fill=padj, filter=type=="gene"))+
ggfx::with_outer_glow(geom_node_rect(aes(fill=padj, filter=!is.na(padj) & padj<0.05)),
                      colour="yellow", expand=2)+
geom_node_text(aes(label=converted_name), family="monocraft")+
scale_color_gradient2(low=scales::muted("blue"),
                      high=scales::muted("red"),
                      name="LFC")+
scale_edge_color_manual(values=viridis::viridis(11), name="Edge type")+
scale_fill_gradient(low="pink",high="steelblue") +
theme_void()

gg

![](https://img-blog.csdnimg.cn/img_convert/b7a6085e1afa3a13f9f3de5009985023.png)






### 将数值积分到`tbl_graph`



#### 将数值向量积分到`tbl_graph`


数值可以反映在节点或边表中，利用 或 函数。输入可以是命名向量，也可以是包含 id 和 value 列的 tibble。`node_numeric``edge_numeric`

vec <- 1
names(vec) <- c(“hsa:51343”)
new_g <- g |> mutate(num=node_numeric(vec))
new_g
#> # A tbl_graph: 134 nodes and 157 edges
#> #
#> # A directed acyclic multigraph with 40 components
#> #
#> # A tibble: 134 × 23
#> name type reaction graphics_name x y width
#>
#> 1 hsa:1029 gene CDKN2A, ARF,… 532 -218 46
#> 2 hsa:51343 gene FZR1, CDC20C… 981 -630 46
#> 3 hsa:4171 h… gene MCM2, BM28, … 553 -681 46
#> 4 hsa:23594 … gene ORC6, ORC6L.… 494 -681 46
#> 5 hsa:10393 … gene ANAPC10, APC… 981 -392 46
#> 6 hsa:10393 … gene ANAPC10, APC… 981 -613 46
#> # ℹ 128 more rows
#> # ℹ 16 more variables: height , fgcolor ,
#> # bgcolor , graphics_type , coords ,
#> # xmin , xmax , ymin , ymax ,
#> # orig.id , pathway_id , deseq2 ,
#> # padj , converted_name , lfc , num
#> #
#> # A tibble: 157 × 6
#> from to type subtype_name subtype_value pathway_id
#>
#> 1 118 39 GErel expression --> hsa04110
#> 2 50 61 PPrel inhibition --| hsa04110
#> 3 50 61 PPrel phosphorylation +p hsa04110
#> # ℹ 154 more rows

####  将矩阵积分到`tbl_graph`


如果要在图形中反映表达式矩阵，则 和 函数可能很有用。通过指定基质和基因 ID，您可以将每个样品的数值分配给 . 分配由边连接的两个节点的总和，忽略组节点（[Adnan 等人，2020]( ) 年）。`edge_matrix``node_matrix``tbl_graph``edge_matrix`

mat <- assay(vst(res))
new_g <- g |> edge_matrix(mat) |> node_matrix(mat)
new_g
#> # A tbl_graph: 134 nodes and 157 edges
#> #
#> # A directed acyclic multigraph with 40 components
#> #
#> # A tibble: 134 × 48
#> name type reaction graphics_name x y width
#>
#> 1 hsa:1029 gene CDKN2A, ARF,… 532 -218 46
#> 2 hsa:51343 gene FZR1, CDC20C… 981 -630 46
#> 3 hsa:4171 h… gene MCM2, BM28, … 553 -681 46
#> 4 hsa:23594 … gene ORC6, ORC6L.… 494 -681 46
#> 5 hsa:10393 … gene ANAPC10, APC… 981 -392 46
#> 6 hsa:10393 … gene ANAPC10, APC… 981 -613 46
#> # ℹ 128 more rows
#> # ℹ 41 more variables: height , fgcolor ,
#> # bgcolor , graphics_type , coords ,
#> # xmin , xmax , ymin , ymax ,
#> # orig.id , pathway_id , deseq2 ,
#> # padj , converted_name , lfc ,
#> # SRR14509882 , SRR14509883 , …
#> #
#> # A tibble: 157 × 34
#> from to type subtype_name subtype_value pathway_id
#>
#> 1 118 39 GErel expression --> hsa04110
#> 2 50 61 PPrel inhibition --| hsa04110
#> 3 50 61 PPrel phosphorylation +p hsa04110
#> # ℹ 154 more rows
#> # ℹ 28 more variables: from_nd , to_nd ,
#> # SRR14509882 , SRR14509883 ,
#> # SRR14509884 , SRR14509885 ,
#> # SRR14509886 , SRR14509887 ,
#> # SRR14509888 , SRR14509889 ,
#> # SRR14509890 , SRR14509891 , …

##### 边值


相同的效果可以通过 获得，使用命名数值向量作为输入。此函数根据节点值添加边值。以下示例显示了将 LFC 组合到边缘。这与 的行为不同。`edge_matrix``edge_numeric_sum``edge_numeric`

Numeric vector (name is SYMBOL)

vinflfc <- vinf$log2FoldChange |> setNames(row.names(vinf))

g |>

Use graphics_name to merge

mutate(grname=strsplit(graphics_name, “,”) |> vapply(“[”, 1, FUN.VALUE=“a”)) |>
activate(edges) |>
mutate(summed = edge_numeric_sum(vinflfc, name=“grname”)) |>
filter(!is.na(summed)) |>
activate(nodes) |>
mutate(x=NULL, y=NULL, deg=centrality_degree(mode=“all”)) |>
filter(deg>0) |>
ggraph(layout=“nicely”)+
geom_edge_parallel(aes(color=summed, width=summed,
linetype=subtype_name),
arrow=arrow(length=unit(1,“mm”)),
start_cap=circle(2,“mm”),
end_cap=circle(2,“mm”))+
geom_node_point(aes(fill=I(bgcolor)))+
geom_node_text(aes(label=grname,
filter=type==“gene”),
repel=TRUE, bg.colour=“white”)+
scale_edge_width(range=c(0.1,2))+
scale_edge_color_gradient(low=“blue”, high=“red”, name=“Edge”)+
theme_void()

![](https://img-blog.csdnimg.cn/img_convert/6f0549a6cb9b56920cf229de81d2a82b.png)







### 可视化多重富集结果


您可以可视化多个富集分析的结果。与将函数与类一起使用类似，可以在函数中使用一个函数。通过向此功能提供对象，如果结果中存在可视化的通路，则通路内的基因信息可以反映在图中。在这个例子中，除了上面提到的尿路上皮细胞的变化外，还比较了肾近端肾小管上皮细胞的变化（[Assetta等人，2016]( )）。`ggkegg``enrichResult``append_cp``mutate``enrichResult`

These are RDAs storing DEGs

load(“degListRPTEC.rda”)
load(“degURO.rda”)

library(org.Hs.eg.db);
library(clusterProfiler);
input_uro <- bitr(uroUp, ## DEGs in urothelial cells
fromType = “SYMBOL”,
toType = “ENTREZID”,
OrgDb = org.Hs.eg.db)$ENTREZIDinpu{t}_{r}ptec<-bitr(gls$day3_up_rptec, ## DEGs at 3 days post infection in RPTECs
fromType = “SYMBOL”,
toType = “ENTREZID”,
OrgDb = org.Hs.eg.db)$ENTREZID

ekuro <- enrichKEGG(gene = input_uro)
ekrptec <- enrichKEGG(gene = input_rptec)

g1 <- pathway(“hsa04110”) |> mutate(uro=append_cp(ekuro, how=“all”),
rptec=append_cp(ekrptec, how=“all”),
converted_name=convert_id(“hsa”))
ggraph(g1, layout=“manual”, x=x, y=y) +
geom_edge_parallel(width=0.5, arrow = arrow(length = unit(1, ‘mm’)),
start_cap = square(1, ‘cm’),
end_cap = square(1.5, ‘cm’), aes(color=subtype_name))+
geom_node_rect(aes(fill=uro, xmax=x, filter=type==“gene”))+
geom_node_rect(aes(fill=rptec, xmin=x, filter=type==“gene”))+
scale_fill_manual(values=c(“steelblue”,“tomato”), name=“urothelial|rptec”)+
ggfx::with_outer_glow(geom_node_text(aes(label=converted_name, filter=type!=“group”), size=2), colour=“white”, expand=1)+
theme_void()

![](https://img-blog.csdnimg.cn/img_convert/3ec9117f2339ab7493d10d601256d7c4.png)



我们可以按 组合多个图。`rawMap``patchwork`

library(patchwork)
comb <- rawMap(list(ekuro, ekrptec), fill_color=c(“tomato”,“tomato”), pid=“hsa04110”) +
rawMap(list(ekuro, ekrptec), fill_color=c(“tomato”,“tomato”),
pid=“hsa03460”)
comb

![](https://img-blog.csdnimg.cn/img_convert/3ba449f141282f75a8fb8b072a2fc0eb.png)



下面的示例将类似的反射应用于原始 KEGG 图谱，并突出显示在两种条件下都显示出统计学显着变化的基因，使用黄色外光，由 clusterProfiler 生成的组成，富集结果为 。`ggfx``dotplot``patchwork`

right <- (dotplot(ekuro) + ggtitle(“Urothelial”)) /
(dotplot(ekrptec) + ggtitle(“RPTECs”))

g1 <- pathway(“hsa03410”) |>
mutate(uro=append_cp(ekuro, how=“all”),
rptec=append_cp(ekrptec, how=“all”),
converted_name=convert_id(“hsa”))
gg <- ggraph(g1, layout=“manual”, x=x, y=y)+
ggfx::with_outer_glow(
geom_node_rect(aes(filter=uro&rptec),
color=“gold”, fill=“transparent”),
colour=“gold”, expand=5, sigma=10)+
geom_node_rect(aes(fill=uro, filter=type==“gene”))+
geom_node_rect(aes(fill=rptec, xmin=x, filter=type==“gene”)) +
overlay_raw_map(“hsa03410”, transparent_colors = c(“#cccccc”,“#FFFFFF”,“#BFBFFF”,“#BFFFBF”))+
scale_fill_manual(values=c(“steelblue”,“tomato”),
name=“urothelial|rptec”)+
theme_void()
gg2 <- gg + right + plot_layout(design="
AAAA###
AAAABBB
AAAABBB
AAAA###
"
)
gg2

![](https://img-blog.csdnimg.cn/img_convert/337e7fdd50990ff8d1e569b2caba8a3c.png)




#### 跨多个通路的多重富集分析结果


除了天然布局外，有时还可以在多个通路中显示有趣的基因，例如DEGs。在这里，我们使用[散点图]( )库来可视化跨多个途径的多个富集分析结果。

library(scatterpie)

Obtain enrichment analysis results

entrezid <- uroUp |>
clusterProfiler::bitr(“SYMBOL”,“ENTREZID”,org.Hs.eg.db)
cp <- clusterProfiler::enrichKEGG(entrezid$ENTREZID)

entrezid2 <- gls$day{3}_u{p}_{r}ptec|>clusterProfiler::bitr("SYMBOL","ENTREZID",org.Hs.eg.db)cp2<-clusterProfiler::enrichKEGG(entrezid2$ENTREZID)

Filter to interesting pathways

include <- (data.frame(cp) |> row.names())[c(1,3,4)]
pathways <- data.frame(cp)[include,“ID”]
pathways
#> [1] “hsa04110” “hsa03460” “hsa03440”

我们获得多个通路数据（该函数返回原生坐标，但我们忽略它们）。

g1 <- multi_pathway_native(pathways, row_num=1)
g2 <- g1 |> mutate(new_name=
ifelse(name==“undefined”,
paste0(name,““,pathway_id,””,orig.id),
name)) |>
convert(to_contracted, new_name, simplify=FALSE) |>
activate(nodes) |>
mutate(purrr::map_vec(.orig_data,function (x) x[1,] )) |>
mutate(pid1 = purrr::map(.orig_data,function (x) unique(x[“pathway_id”]) )) |>
mutate(hsa03440 = purrr:::map_lgl(pid1, function(x) “hsa03440” %in% x$pathwa{y}_{i}d),hsa04110=purrr:::ma{p}_{l}gl(pid1,function(x)"hsa04110"$pathway_id),
hsa03460 = purrr:::map_lgl(pid1, function(x) “hsa03460” %in% x$pathway_id))

nds <- g2 |> activate(nodes) |> data.frame()
eds <- g2 |> activate(edges) |> data.frame()
rmdup_eds <- eds[!duplicated(eds[,c(“from”,“to”,“subtype_name”)]),]

g2_2 <- tbl_graph(nodes=nds, edges=rmdup_eds)
g2_2 <- g2_2 |> activate(nodes) |>
mutate(
in_pathway_uro=append_cp(cp, pid=include,name=“new_name”),
x=NULL, y=NULL,
in_pathway_rptec=append_cp(cp2, pid=include,name = “new_name”),
id=convert_id(“hsa”,name = “new_name”)) |>
morph(to_subgraph, type!=“group”) |>
mutate(deg=centrality_degree(mode=“all”)) |>
unmorph() |>
filter(deg>0)

在这里，我们还将基于图的聚类结果分配给图，并缩放节点的大小，以便节点可以通过散点图可视化。

V(g2_2)$walktrap<-igraph::walktrap.community(g{2}_2)$membership

Scale the node size

sizeMin <- 0.1
sizeMax <- 0.3
rawMin <- min(V(g2_2)$deg)rawMax<-max(V(g{2}_2)$deg)
scf <- (sizeMax-sizeMin)/(rawMax-rawMin)
V(g2_2)$size<-scf\ast V(g{2}_2)$deg + sizeMin - scf * rawMin

Make base graph

g3 <- ggraph(g2_2, layout=“nicely”)+
geom_edge_parallel(alpha=0.9,
arrow=arrow(length=unit(1,“mm”)),
aes(color=subtype_name),
start_cap=circle(3,“mm”),
end_cap=circle(8,“mm”))+
scale_edge_color_discrete(name=“Edge type”)
graphdata <- g3$data

最后，我们用于可视化。背景散点表示基因是否在通路中，前景表示基因是否在多个数据集中差异表达。我们突出显示了在两个数据集中通过金色差异表达的基因。`geom_scatterpie`

g4 <- g3+
ggforce::geom_mark_rect(aes(x=x, y=y, group=walktrap),color=“grey”)+
geom_scatterpie(aes(x=x, y=y, r=size+0.1),
color=“transparent”,
legend_name=“Pathway”,
data=graphdata,
cols=c(“hsa04110”, “hsa03440”,“hsa03460”)) +
geom_scatterpie(aes(x=x, y=y, r=size),
color=“transparent”,
data=graphdata, legend_name=“enrich”,
cols=c(“in_pathway_rptec”,“in_pathway_uro”))+
ggfx::with_outer_glow(geom_scatterpie(aes(x=x, y=y, r=size),
color=“transparent”,
data=graphdata[graphdataKaTeX parse error: Expected 'EOF', got '&' at position 18: …_pathway_rptec &̲ graphdatain_pathway_uro,],
cols=c(“in_pathway_rptec”,“in_pathway_uro”)), colour=“gold”, expand=3)+
geom_node_point(shape=19, size=3, aes(filter=!in_pathway_uro & !in_pathway_rptec & type!=“map”))+
geom_node_shadowtext(aes(label=id, y=y-0.5), size=3, family=“sans”, bg.colour=“white”, colour=“black”)+
theme_void()+coord_fixed()
g4

![](https://img-blog.csdnimg.cn/img_convert/0c13d4c6c184d8ffc41343fc8b6a748c.png)






### 5.4 在KEGG图谱上投影基因调控网络


使用此软件包，可以将推断的网络（例如基因调控网络或由其他软件推断的 KO 网络）投射到 KEGG 图谱上。以下是使用 将 CBNplot 推断的通路内的 KO 网络子集投影到相应通路的参考图上的示例。当然，也可以投影使用其他方法创建的网络。`MicrobiomeProfiler`

library(dplyr)
library(igraph)
library(tidygraph)
library(CBNplot)
library(ggkegg)
library(MicrobiomeProfiler)
data(Rat_data)
ko.res <- enrichKO(Rat_data)
exp.dat <- matrix(abs(rnorm(910)), 91, 10) %>% magrittr::set_rownames(value=Rat_data) %>% magrittr::set_colnames(value=paste0(‘S’, seq_len(ncol(.))))
returnnet <- bngeneplot(ko.res, exp=exp.dat, pathNum=1, orgDb=NULL,returnNet = TRUE)
pg <- pathway(“ko00650”)
joined <- combine_with_bnlearn(pg, returnnet$str,returnnet$av)

绘制生成的地图。在此示例中，估计的强度首先用彩色边缘显示，然后参考图的边缘在其顶部以黑色绘制。此外，两个图形中包含的边缘都以黄色突出显示。`CBNplot`

Summarize duplicate edges including strength attribute

number <- joined |> activate(edges) |> data.frame() |> group_by(from,to) |>
summarise(n=n(), incstr=sum(!is.na(strength)))

Annotate them

joined <- joined |> activate(edges) |> full_join(number) |> mutate(both=n>1&incstr>0)

joined |>
activate(nodes) |>
filter(!is.na(type)) |>
mutate(convertKO=convert_id(“ko”)) |>
activate(edges) |>
ggraph(x=x, y=y) +
geom_edge_link0(width=0.5,aes(filter=!is.na(strength),
color=strength), linetype=1)+
ggfx::with_outer_glow(
geom_edge_link0(width=0.5,aes(filter=!is.na(strength) & both,
color=strength), linetype=1),
colour=“yellow”, sigma=1, expand=1)+
geom_edge_link0(width=0.1, aes(filter=is.na(strength)))+
scale_edge_color_gradient(low=“blue”,high=“red”)+
geom_node_rect(color=“black”, aes(fill=type))+
geom_node_text(aes(label=convertKO), size=2)+
geom_node_text(aes(label=ifelse(grepl(“:”, graphics_name), strsplit(graphics_name, “:”) |>
sapply(“[”,2) |> stringr::str_wrap(22), stringr::str_wrap(graphics_name, 22)),
filter=!is.na(type) & type==“map”), family=“serif”,
size=2, na.rm=TRUE)+
theme_void()

![](https://img-blog.csdnimg.cn/img_convert/c25f47201e6618d458c21de50172b6f6.png)




#### 5.4.1 投影到原始 KEGG 地图上


您可以直接将推断网络投影到原始 PATHWAY 地图上，这样可以直接比较您自己的数据集中精选数据库和推断网络的知识。

raws <- joined |>
ggraph(x=x, y=y) +
geom_edge_link(width=0.5,aes(filter=!is.na(strength),
color=strength),
linetype=1,
arrow=arrow(length=unit(1,“mm”),type=“closed”),
end_cap=circle(5,“mm”))+
scale_edge_color_gradient2()+
overlay_raw_map(transparent_colors = c(“#ffffff”))+
theme_void()
raws

![](https://img-blog.csdnimg.cn/img_convert/c69edfb43b07834dc3530191d36594d8.png)






### 5.5 分析单细胞转录组学中的簇标记基因


该软件包也可应用于单细胞分析。例如，考虑将簇之间的标记基因映射到 KEGG 通路上，并将它们与降维图一起绘制。在这里，我们使用包。我们进行基本面分析。`Seurat`

library(Seurat)
library(dplyr)

dir = “…/filtered_gene_bc_matrices/hg19”

pbmc.data <- Read10X(data.dir = dir)

pbmc <- CreateSeuratObject(counts = pbmc.data, project = “pbmc3k”,

min.cells=3, min.features=200)

pbmc <- NormalizeData(pbmc)

pbmc <- FindVariableFeatures(pbmc, selection.method = “vst”)

pbmc <- ScaleData(pbmc, features = row.names(pbmc))

pbmc <- RunPCA(pbmc, features = VariableFeatures(object = pbmc))

pbmc <- FindNeighbors(pbmc, dims = 1:10, verbose = FALSE)

pbmc <- FindClusters(pbmc, resolution = 0.5, verbose = FALSE)

markers <- FindAllMarkers(pbmc)

save(pbmc, markers, file=“…/sc_data.rda”)

To reduce file size, pre-calculated RDA will be loaded

load(“…/sc_data.rda”)

随后，我们绘制了PCA降维的结果。  
 其中，在本研究中，我们对簇 1 和 5 的标记基因进行了富集分析。

library(clusterProfiler)

Directly access slots in Seurat

pcas <- data.frame(
pbmc@reductions$pca@cell.embeddings[,1],pbmc@reductions$pca@cell.embeddings[,2],
pbmc@active.ident,
pbmc@meta.data$seurat_clusters) |>
colnames<-(c(“PC_1”,“PC_2”,“Cell”,“group”))

aa <- (pcas %>% group_by(Cell) %>%
mutate(meanX=mean(PC_1), meanY=mean(PC_2))) |>
select(Cell, meanX, meanY)
label <- aa[!duplicated(aa),]

dd <- ggplot(pcas)+
geom_point(aes(x=PC_1, y=PC_2, color=Cell))+
shadowtext::geom_shadowtext(x=label$meanX,y=label$meanY,label=label$Cell, data=label,
bg.colour=“white”, colour=“black”)+
theme_minimal()+
theme(legend.position=“none”)

marker_1 <- clusterProfiler::bitr((markers |> filter(cluster==“1” & p_val_adj < 1e-50) |>
dplyr::select(gene))$gene,fromType="SYMBOL",toType="ENTREZID",OrgDb=org.Hs.eg.db)$ENTREZID
marker_5 <- clusterProfiler::bitr((markers |> filter(cluster==“5” & p_val_adj < 1e-50) |>
dplyr::select(gene))$gene,fromType="SYMBOL",toType="ENTREZID",OrgDb=org.Hs.eg.db)$ENTREZID
mk1_enrich <- enrichKEGG(marker_1)
mk5_enrich <- enrichKEGG(marker_5)

从中获取颜色信息，并使用 获取通路。在这里，我们选择了 ，节点根据降维图中的颜色着色，两个聚类中的标记都按指定的颜色 （） 着色。这促进了通路信息（如KEGG）与单细胞分析数据之间的联系，从而能够创建直观且易于理解的视觉表示。`ggplot2``ggkegg``Osteoclast differentiation (hsa04380)``ggfx``tomato`

Make color map

built <- ggplot_build(dd)$data[[1]]cols<-built$colour
names(cols) <- as.character(as.numeric(built$group)-1)
gr_cols <- cols[!duplicated(cols)]

g <- pathway(“hsa04380”) |> mutate(marker_1=append_cp(mk1_enrich),
marker_5=append_cp(mk5_enrich))
gg <- ggraph(g, layout=“manual”, x=x, y=y)+
geom_node_rect(aes(filter=marker_1&marker_5), fill=“tomato”)+ ## Marker 1 & 5
geom_node_rect(aes(filter=marker_1&!marker_5), fill=gr_cols[“1”])+ ## Marker 1
geom_node_rect(aes(filter=marker_5&!marker_1), fill=gr_cols[“5”])+ ## Marker 5
overlay_raw_map(“hsa04380”, transparent_colors = c(“#cccccc”,“#FFFFFF”,“#BFBFFF”,“#BFFFBF”))+
theme_void()
gg+dd+plot_layout(widths=c(0.6,0.4))

![](https://img-blog.csdnimg.cn/img_convert/3ecced5d9aa8a1559db1cfd587484737.png)




#### 5.5.1 组成多个通路的示例


我们可以在多种途径中检查标记基因，以更好地了解标记基因的作用。

library(clusterProfiler)
library(org.Hs.eg.db)

subset_lab <- label[label$Celldd<-ggplot(pcas)+ggfx::wit{h}_{o}ute{r}_{g}low(geo{m}_{n}od{e}_{p}oint(size=1,aes(x=P{C}_1,y=P{C}_2,filter=group=="1",color=group)),colour="tomato",expand=3)+ggfx::wit{h}_{o}ute{r}_{g}low(geo{m}_{n}od{e}_{p}oint(size=1,aes(x=P{C}_1,y=P{C}_2,filter=group=="5",color=group)),colour="tomato",expand=3)+ggfx::wit{h}_{o}ute{r}_{g}low(geo{m}_{n}od{e}_{p}oint(size=1,aes(x=P{C}_1,y=P{C}_2,filter=group=="4",color=group)),colour="gold",expand=3)+ggfx::wit{h}_{o}ute{r}_{g}low(geo{m}_{n}od{e}_{p}oint(size=1,aes(x=P{C}_1,y=P{C}_2,filter=group=="6",color=group)),colour="gold",expand=3)+shadowtext::geo{m}_{s}hadowtext(x=subse{t}_{l}ab$meanX,
y=subset_lab$meanY,label=subse{t}_{l}ab$Cell,
data=subset_lab,
bg.colour=“white”, colour=“black”)+
theme_minimal()

marker_1 <- clusterProfiler::bitr((markers |> filter(cluster==“1” & p_val_adj < 1e-50) |>
dplyr::select(gene))$gene,fromType="SYMBOL",toType="ENTREZID",OrgDb=org.Hs.eg.db)$ENTREZID
marker_5 <- clusterProfiler::bitr((markers |> filter(cluster==“5” & p_val_adj < 1e-50) |>
dplyr::select(gene))$gene,fromType="SYMBOL",toType="ENTREZID",OrgDb=org.Hs.eg.db)$ENTREZID
marker_6 <- clusterProfiler::bitr((markers |> filter(cluster==“6” & p_val_adj < 1e-50) |>
dplyr::select(gene))$gene,fromType="SYMBOL",toType="ENTREZID",OrgDb=org.Hs.eg.db)$ENTREZID
marker_4 <- clusterProfiler::bitr((markers |> filter(cluster==“4” & p_val_adj < 1e-50) |>
dplyr::select(gene))$gene,fromType="SYMBOL",toType="ENTREZID",OrgDb=org.Hs.eg.db)$ENTREZID
mk1_enrich <- enrichKEGG(marker_1)
mk5_enrich <- enrichKEGG(marker_5)
mk6_enrich <- enrichKEGG(marker_6)
mk4_enrich <- enrichKEGG(marker_4)

g1 <- pathway(“hsa04612”) |> mutate(marker_4=append_cp(mk4_enrich),
marker_6=append_cp(mk6_enrich),
gene_name=convert_id(“hsa”))
gg1 <- ggraph(g1, layout=“manual”, x=x, y=y)+
overlay_raw_map(“hsa04612”, transparent_colors = c(“#FFFFFF”, “#BFBFFF”, “#BFFFBF”))+
ggfx::with_outer_glow(
geom_node_rect(aes(filter=marker_4&marker_6), fill=“white”),
colour=“gold”)+
ggfx::with_outer_glow(
geom_node_rect(aes(filter=marker_4&!marker_6), fill=“white”),
colour=gr_cols[“4”])+
ggfx::with_outer_glow(
geom_node_rect(aes(filter=marker_6&!marker_4), fill=“white”),
colour=gr_cols[“6”], expand=3)+
overlay_raw_map(“hsa04612”, transparent_colors = c(“#B3B3B3”, “#FFFFFF”, “#BFBFFF”, “#BFFFBF”))+
theme_void()

g2 <- pathway(“hsa04380”) |> mutate(marker_1=append_cp(mk1_enrich),
marker_5=append_cp(mk5_enrich))
gg2 <- ggraph(g2, layout=“manual”, x=x, y=y)+
ggfx::with_outer_glow(
geom_node_rect(aes(filter=marker_1&marker_5),
fill=“white”), ## Marker 1 & 5
colour=“tomato”)+
ggfx::with_outer_glow(
geom_node_rect(aes(filter=marker_1&!marker_5),
fill=“white”), ## Marker 1
colour=gr_cols[“1”])+
ggfx::with_outer_glow(
geom_node_rect(aes(filter=marker_5&!marker_1),
fill=“white”), ## Marker 5
colour=gr_cols[“5”])+
overlay_raw_map(“hsa04380”,
transparent_colors = c(“#cccccc”,“#FFFFFF”,“#BFBFFF”,“#BFFFBF”))+
theme_void()
left <- (gg2 + ggtitle(“Marker 1 and 5”)) /
(gg1 + ggtitle(“Marker 4 and 6”))

final <- left + dd + plot_layout(design="
AAAAA###
AAAAACCC
BBBBBCCC
BBBBB###
")

final

![](https://img-blog.csdnimg.cn/img_convert/3778ddec4802bc052e705aa2109ee9e1.png)





#### 5.5.2 原始地图上数值的条形图


对于它们在多个聚类中丰富的节点，我们可以绘制数值的条形图。引用的代码由 inscaven [提供]( )。

Assign lfc to graph

mark_4 <- clusterProfiler::bitr((markers |> filter(cluster==“4” & p_val_adj < 1e-50) |>
dplyr::select(gene))KaTeX parse error: Expected 'EOF', got '&' at position 128: …r(cluster=="6" &̲ p_val_adj < 1e…gene,fromType=“SYMBOL”,toType=“ENTREZID”,OrgDb = org.Hs.eg.db)
mark_4$lfc<-markers[markers$cluster==“4” & markers$gene$SYMBOL,]$av{g}_{l}og2FCmar{k}_4$hsa <- paste0(“hsa:”,mark_4$ENTREZID)mar{k}_6$lfc <- markers[markersKaTeX parse error: Expected 'EOF', got '&' at position 14: cluster=="6" &̲ markersgene %in% mark_4$SYMBOL,]$avg_log2FC
mark_6$hsa<-paste0("hsa:",mar{k}_6$ENTREZID)
mk4lfc <- mark_4$lfcnames(mk4lfc)<-mar{k}_4$hsa
mk6lfc <- mark_6$lfcnames(mk6lfc)<-mar{k}_6$hsa

g1 <- g1 |> mutate(mk4lfc=node_numeric(mk4lfc),
mk6lfc=node_numeric(mk6lfc))

Make data frame containing necessary data from node

subset_df <- g1 |> activate(nodes) |> data.frame() |>
dplyr::filter(marker_4 & marker_6) |>
dplyr::select(orig.id, mk4lfc, mk6lfc, x, y, xmin, xmax, ymin, ymax) |>
tidyr::pivot_longer(cols=c(“mk4lfc”,“mk6lfc”))

Actually we dont need position list

pos_list <- list()
annot_list <- list()
for (i in subset_dfKaTeX parse error: Expected '}', got 'EOF' at end of input: …et_df[subset_dforig.id==i,]
ymin <- tmp$ymin|>unique()ymax<-tmp$ymax |> unique()
xmin <- tmp$xmin|>unique()xmax<-tmp$xmax |> unique()
pos_list[[as.character(i)]] <- c(xmin, xmax,
ymin, ymax)
barp <- tmp |>
ggplot(aes(x=name, y=value, fill=name))+
geom_col(width=1)+
scale_fill_manual(values=c(gr_cols[“4”] |> as.character(),
gr_cols[“6”] |> as.character()))+
labs(x = NULL, y = NULL) +
coord_cartesian(expand = FALSE) +
theme(
legend.position = “none”,
panel.background = element_rect(fill = “transparent”, colour = NA),
line = element_blank(),
text = element_blank()
)
gbar <- ggplotGrob(barp)
panel_coords <- gbar$layout[gbar$layout$name=="panel",]gba{r}_{m}od<-gbar[pane{l}_{c}oords$t:panel_coords$b,pane{l}_{c}oords$l:panel_coords$r]
annot_list[[as.character(i)]] <- annotation_custom(gbar_mod,
xmin=xmin, xmax=xmax,
ymin=ymin, ymax=ymax)
}

Make ggraph, annotate barplot, and overlay raw map.

graph_tmp <- ggraph(g1, layout=“manual”, x=x, y=y)+
geom_node_rect(aes(filter=marker_4&marker_6),
fill=“gold”)+
geom_node_rect(aes(filter=marker_4&!marker_6),
fill=gr_cols[“4”])+
geom_node_rect(aes(filter=marker_6&!marker_4),
fill=gr_cols[“6”])+
theme_void()
final_bar <- Reduce(“+”, annot_list, graph_tmp)+
overlay_raw_map(“hsa04612”,
transparent_colors = c(“#FFFFFF”,
“#BFBFFF”,
“#BFFFBF”))
final_bar

最后的话

最近很多小伙伴找我要Linux学习资料，于是我翻箱倒柜，整理了一些优质资源，涵盖视频、电子书、PPT等共享给大家！

资料预览

给大家整理的视频资料：

给大家整理的电子书资料：

如果本文对你有帮助，欢迎点赞、收藏、转发给朋友，让我有持续创作的动力！

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以点击这里获取！

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

marker_6&!marker_4),
fill=gr_cols[“6”])+
theme_void()
final_bar <- Reduce(“+”, annot_list, graph_tmp)+
overlay_raw_map(“hsa04612”,
transparent_colors = c(“#FFFFFF”,
“#BFBFFF”,
“#BFFFBF”))
final_bar

最后的话

最近很多小伙伴找我要Linux学习资料，于是我翻箱倒柜，整理了一些优质资源，涵盖视频、电子书、PPT等共享给大家！

资料预览

给大家整理的视频资料：

[外链图片转存中…(img-Tk2ANNfp-1715101976818)]

给大家整理的电子书资料：

[外链图片转存中…(img-YQBoM2Xc-1715101976818)]

如果本文对你有帮助，欢迎点赞、收藏、转发给朋友，让我有持续创作的动力！

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以点击这里获取！

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！