【TOP生物信息】CNS图表复现，单细胞marker基因展示的另一种方式——蜂巢图

最新推荐文章于 2024-05-10 10:22:15 发布
最新推荐文章于 2024-05-10 10:22:15 发布
阅读量1.9k 收藏 9
点赞数 2
分类专栏： 单细胞 生物信息 绘图 文章标签： r语言 单细胞
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_38774801/article/details/130791574
版权
单细胞 同时被 3 个专栏收录
53 篇文章 81 订阅
订阅专栏
绘图
27 篇文章 3 订阅
订阅专栏
生物信息
16 篇文章 7 订阅
订阅专栏

扫码关注下方公粽号，回复推文合集，获取400页单细胞学习资源！

在这里插入图片描述

本文共计1359字，阅读大约需要4分钟。

Sten Linnarsson大神的单细胞绘图堪称极致美学，在这里，小编选择了发表在nature上展示marker基因的绘图进行复现。

图片

本文目录如下：

  • 准备数据
  • 常规小提琴图展示
  • 使用geom_beeswarm()绘制
  • 使用geom_quasirandom()绘制
  • 更换配色
  • 更换主题
  • 获取代码和数据
  • 参考
  • 往期回顾

准备数据

首先处理单细胞数据为ggplot2绘图所需格式，准备的数据包括marker基因名（gene），单个细胞编号名（CB），细胞分群命名（celltype），基因表达量（exp）作为输入数据，进行melt转换后得到如下展示的数据表（vln.df）

library(tidyverse)
library(ggplot2)
library(ggbeeswarm)
library(scales)
library(reshape2)
vln.df <- read.csv(file = 'vln.df.0319.csv',row.names = 1)
vln.df$gene = factor(
  vln.df$gene,
  levels = c(
    "Krt18","Krt14","Mbp","Cd34","Pdgfra","Cldn5","Pecam1","Acta2","Myh11","Ly6g",
    "S100a8","Kit","Ms4a2","Mki67","Stmn1","Lyz2","Retnla","Cd74","Cd83","Jchain",
    "Mzb1","Cd19","Cd79a","Cd3d","Cd3g","Klrd1","Nkg7"
  )
)
head(vln.df)

> head(vln.df)
    gene                     CB       exp celltype
1  Krt18 Brep4_TAGACTGCACTTGGGC 0.7077087   cell_B
2  Krt14 Brep4_TAGACTGCACTTGGGC 3.2859138   cell_B
3    Mbp Brep4_TAGACTGCACTTGGGC 0.0000000   cell_B
4   Cd34 Brep4_TAGACTGCACTTGGGC 0.0000000   cell_B
5 Pdgfra Brep4_TAGACTGCACTTGGGC 0.0000000   cell_B
6  Cldn5 Brep4_TAGACTGCACTTGGGC 0.0000000   cell_B

从上图观察发现，作者并没有用传统的dotplot或者violinplot进行marker基因展示，而像是用散点图绘制而来，因此我们尝试是否可以在小提琴图的基础上进行改进。

常规小提琴图展示

先看一下小提琴图的展示效果

p1 <- vln.df%>%ggplot(aes(celltype,exp),color=factor(celltype))+
  geom_violin(aes(fill=celltype),scale = "width")+ 
  facet_grid(gene~.,scales = "free_y")+
  scale_y_continuous(expand = c(0,0))+
  theme_bw()+
  theme(
    panel.grid = element_blank(),
    
    axis.title.x.bottom = element_blank(),
    axis.ticks.x.bottom = element_blank(),
    axis.text.x.bottom = element_text(angle = 45,hjust = 1,vjust = NULL,color = "black",size = 14),
    axis.title.y.left = element_blank(),
    axis.ticks.y.left = element_blank(),
    axis.text.y.left = element_blank(),
    
    legend.position = "none",
    
    panel.spacing.y = unit(0, "cm"),
    strip.text.y = element_text(angle=0,size = 14,hjust = 0),
    strip.background.y = element_blank()
  )
p1
ggsave("图01.png",width = 12,height = 20,units = "cm")

图片

使用geom_beeswarm()绘制

通过一番搜寻发现，可以用ggbeeswarm包绘制散点图，ggbeeswarm提供了两种使用ggplot2创建蜂群图的方法。一个是geom_beeswarm(),另一个是geom_quasirandom()，我们分别进行尝试

首先使用geom_beeswarm()试一试。注意！散点图的绘制会比较慢，需要等待一段时间

p2 <- vln.df%>%ggplot(aes(celltype,exp,color=factor(celltype)))+
  geom_beeswarm(cex = 0.1)+  #用蜂巢图替代小提琴图
  facet_grid(gene~.,scales = "free_y")+
  scale_y_continuous(expand = c(0,0))+
  theme_bw()+
  theme(
    panel.grid = element_blank(),
    
    axis.title.x.bottom = element_blank(),
    axis.ticks.x.bottom = element_blank(),
    axis.text.x.bottom = element_text(angle = 45,hjust = 1,vjust = NULL,color = "black",size = 14),
    axis.title.y.left = element_blank(),
    axis.ticks.y.left = element_blank(),
    axis.text.y.left = element_blank(),
    
    legend.position = "none",
    
    panel.spacing.y = unit(0, "cm"),
    strip.text.y = element_text(angle=0,size = 14,hjust = 0),
    strip.background.y = element_blank()
  )
ggsave("图02.pdf",plot = p2,width = 12,height = 20,units = "cm")
p2=ggrastr::rasterise(p2, dpi = 300)#得到的图太大使用ggrastr包降低分辨率进行保存
ggsave("图02b.pdf",plot = p2,width = 12,height = 20,units = "cm")

这里有一个小技巧：单细胞的点非常多，直接保存文件很大，可以使用ggrastr::rasterise()降低分辨率进行保存。

图片

图片效果并不好，原因是ggbeeswarm会横向展开所有点。单细胞数据点太多，图片装不下，point往两边无限展开，字就往中间挤。

所有点少的时候可以用ggbeeswarm这个函数画蜂巢图。

使用geom_quasirandom()绘制

我们来看看另一个函数geom_quasirandom，当点很多的时候，该函数可以处理过度绘图(overplotting)的问题。

p3 <- vln.df%>%ggplot(aes(celltype,exp,color=factor(celltype)))+
  geom_quasirandom(size=0.02,method = "smiley")+ #设置散点大小，因为单细胞测序数量很多，点可以尽量小一点，否则看不出效果
  facet_grid(gene~.,scales = "free_y")+
  scale_y_continuous(expand = c(0,0))+
  theme_bw()+
  theme(
    panel.grid = element_blank(),
    
    axis.title.x.bottom = element_blank(),
    axis.ticks.x.bottom = element_blank(),
    axis.text.x.bottom = element_text(angle = 45,hjust = 1,vjust = NULL,color = "black",size = 14),
    axis.title.y.left = element_blank(),
    axis.ticks.y.left = element_blank(),
    axis.text.y.left = element_blank(),
    
    legend.position = "none",
    
    panel.spacing.y = unit(0, "cm"),
    strip.text.y = element_text(angle=0,size = 14,hjust = 0),
    strip.background.y = element_blank()
  )
ggsave("图03.pdf",plot = p3,width = 12,height = 20,units = "cm")

图片

与原图有些接近了，下一步修改颜色，原图采用了单一的红色配色，表达量用透明度进行区分，这里我们采用黄蓝渐变的配色方案，如果不会配色可以问chatGPT哒

更换配色

my_colors <- colorRampPalette(c("#1A5276", "#F7DC6F"))(15)

p4 <- vln.df%>%ggplot(aes(celltype,exp,color=factor(celltype),alpha=abs(exp)))+ #用透明度映射基因表达量
  geom_quasirandom(size=0.02,method = "smiley")+
  facet_grid(gene~.,scales = "free_y")+
  scale_y_continuous(expand = c(0,0))+
  scale_color_manual(values = my_colors)+ #给每个celltype添加颜色
  theme_bw()+
  theme(
    panel.grid = element_blank(),

    axis.title.x.bottom = element_blank(),
    axis.ticks.x.bottom = element_blank(),
    axis.text.x.bottom = element_text(angle = 90,hjust = 1,vjust = 0.5,color = "black",size = 14),
    axis.title.y.left = element_blank(),
    axis.ticks.y.left = element_blank(), 
    axis.text.y.left = element_blank(),
    
    legend.position = "none",
    
    panel.spacing.y = unit(0, "cm"),
    strip.text.y = element_text(angle=180,size = 14,hjust = 1),
    strip.background.y = element_blank()
  )
ggsave("图04.pdf",plot = p4,width = 12,height = 20,units = "cm")

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-PVitPKU1-1684650313266)(data:image/svg+xml,%3C%3Fxml version=‘1.0’ encoding=‘UTF-8’%3F%3E%3Csvg width=‘1px’ height=‘1px’ viewBox=‘0 0 1 1’ version=‘1.1’ xmlns=‘http://www.w3.org/2000/svg’ xmlns:xlink=‘http://www.w3.org/1999/xlink’%3E%3Ctitle%3E%3C/title%3E%3Cg stroke=‘none’ stroke-width=‘1’ fill=‘none’ fill-rule=‘evenodd’ fill-opacity=‘0’%3E%3Cg transform=‘translate(-249.000000, -126.000000)]’ fill=‘%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)

更换主题

最后，更换theme去掉分面网格线，就得到美美的图啦~

p5 <- vln.df%>%ggplot(aes(celltype,exp,color=factor(celltype),alpha=abs(exp)))+
  geom_quasirandom(size=0.02,method = "smiley")+
  facet_grid(gene~.,scales = "free_y")+
  scale_y_continuous(expand = c(0,0))+
  scale_color_manual(values = my_colors)+
  theme_classic()+ #更换theme主题
  theme(
    axis.title.x.bottom = element_blank(),
    #axis.ticks.x.bottom = element_blank(),#添加刻度
    axis.text.x.bottom = element_text(angle = 90,hjust = 1,vjust = 0.5,color = "black",size = 14),
    axis.title.y.left = element_blank(),
    axis.ticks.y.left = element_blank(),
    axis.text.y.left = element_blank(),
    
    legend.position = "none",
    
    panel.spacing.y = unit(0, "cm"),
    strip.text.y = element_text(angle=180,size = 14,hjust = 1),
    strip.background.y = element_blank()
  )
ggsave("图05.pdf",plot = p5,width = 12,height = 20,units = "cm")

图片

需要注意的是，细胞量太大会导致散点图看起来不明显，因此该绘图方法更适合细胞数量较少的单细胞marker基因展示

获取代码和数据

代码和测试数据请关注公粽号获取

在这里插入图片描述

参考

原图来自文献：Molecular architecture of the developing mouse brain

绘图代码参考：

https://r-charts.com/distribution/ggbeeswarm/ https://github.com/eclarke/ggbeeswarm

往期回顾

01.marker展示_聚类和热图组合

图片01.marker展示_聚类和热图组合

02.marker展示_堆叠小提琴图

图片02.marker展示_堆叠小提琴图

03.两组比较_差异基因数目展示

图片03.两组比较_差异基因数目展示

04.两组比较_差异基因展示

图片04.两组比较_差异基因展示

05.两组比较_基因集分数添加显著性

图片05.两组比较_基因集分数添加显著性

06.feature展示

图片06.feature展示

07.KEGG富集柱形图，并添加通路注释信息

图片07.KEGG富集结果展示

08.细胞通讯_两组比较_气泡图

图片08.细胞通讯_两组比较_气泡图

09.细胞通讯_两组比较_连线图

图片09.细胞通讯_两组比较_连线图

10.KEGG富集结果的圆圈图

图片10.KEGG富集结果的圆圈图

11.marker展示_分组气泡图

图片

TOP生物信息
关注
  • 2
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
单细胞分析实录(8): 展示marker基因的4种图形（一）
TOP生物信息
01-08 1万+
今天的内容讲讲单细胞文章中经常出现的展示细胞marker的图：tsne/umap图、热图、堆叠小提琴图、气泡图，每个图我都会用两种方法绘制。 使用的数据来自文献：Single-cell transcriptomics reveals regulators underlying immune cell diversity and immune subtypes associated with prognosis in nasopharyngeal carcinoma. 去年7月发表在Cell Researc
单细胞marker基因展示之热图
2301_79403025的博客
10-09 588
【代码】单细胞marker基因展示之热图。
单细胞各类细胞常用marker基因
最新发布
qq_36608036的博客
05-10 549
单细胞各类细胞常用marker
单细胞分析实录(9): 展示marker基因的4种图形（二）
热门推荐
TOP生物信息
03-02 1万+
在上一篇中，我已经讲解了展示marker基因的前两种图形，分别是tsne/umap图、热图，感兴趣的读者可以回顾一下。这一节我们继续学习堆叠小提琴图和气泡图。 3. 堆叠小提琴图展示marker基因 相比于其他可视化形式，小提琴图可以更直观地展示某一类亚群的某一个基因的表达分布情况。我的marker基因一共选了12个，下面来画图： Seurat内置的VlnPlot函数可以直接画， library(xlsx) markerdf2=read.xlsx("ref_marker2.xlsx".
单细胞各种组织的marker gene
qq_36608036的博客
07-27 4095
单细胞细胞亚群注释
单细胞marker基因平均表达量热图
qq_42090739的博客
12-15 2829
最近有小伙伴问道如下的文献图，简单明了的一种细胞一列进行marker gene表达展示。这个图其实就是展示了平均的细胞表达量而已。此外，顺便复现下基因注释。选择需要的marker gene进行展示，平均表达量使用seurat自带函数AverageExpression进行计算。热图使用Complexheatmap做即可。legend自己修饰一下就可以了。Complexheatmap真的很强大，有很多有用的功能，慢慢的我们探索。
【单细胞高级绘图】11.marker展示_分组气泡图
TOP生物信息
12-22 2614
单细胞转录组中常见的气泡图根据分组信息展开
SingleCellR:对单细胞凋亡的学习，跟着流程走'CNS图复现'走
03-29
`SingleCellR` 是一个基于 R 语言的工具包，专为单细胞凋亡分析设计，它提供了从原始数据预处理到复杂生物信息学分析的一整套流程。通过使用 `SingleCellR`，研究者可以复现"CNS图"（可能是指 Cell、Nature 或 ...
一种基于INS_GPS_CNS的全信息导航滤波算法.pdf
09-07
【全信息导航滤波算法】是针对传统的INS/GPS组合导航系统存在观测信息不完整问题的一种解决方案。在传统的INS/GPS系统中，由于只利用位置和速度信息进行导航，缺乏对姿态信息的直接观测，这可能导致姿态误差逐渐发散...
一种简化的发射系下SINS/GPS/CNS组合导航系统无迹卡尔曼滤波算法
02-26
一种简化的发射系下SINS/GPS/CNS组合导航系统无迹卡尔曼滤波算法
一种基于INS_GPS_CNS的联邦滤波算法.pdf
09-07
该方案采用INS（惯性导航系统）、GPS（全球定位系统）和CNS（组合导航系统）的三组合方式，并结合联邦滤波器的设计思想，提出了一种基于INS/GPS/CNS的新型联邦滤波算法。该算法将位置误差、速度误差以及平台失准角...
advancedSingleCell:单细胞首次的高级教程
03-29
《深入探索：高级单细胞分析教程》 在生物学领域，单细胞分析正逐渐成为研究复杂生物系统的关键技术。...通过复现"CNS图"，你将能够熟练运用R语言进行复杂的生物信息学分析，进一步揭示单细胞水平的生命奥秘。
用R语言做细胞互作网络
weixin_35752122的博客
02-12 318
在 R 语言中，可以使用多种包来分析细胞互作网络。其中一些常用的包包括 igraph、RCy3 和 Cytoscape。您可以使用这些包读取网络数据，并对其进行可视化、社团分析、中心性分析等。详细的步骤取决于您的研究目标和数据情况。 在此，我们不能详细说明如何使用 R 语言进行细胞互作网络分析，因为这是一个涉及多个方面的话题。如果您需要更详细的帮助，请提供更多信息，如您的数据格式和研究目标。 ...
（七）单细胞数据分析——CellChat细胞间通讯差异分析
m0_47675572的博客
06-28 4120
Cellchat差异分析不同组织之间的细胞间通讯结果，主要关注的是不同细胞群之间的细胞间通讯有何种差异！
单细胞数据可视化---Dotplot个性化修饰的一个简单小例子
qq_42090739的博客
12-08 8638
这里分享一种单细胞数据可视化的图形修饰。 先加载一个seurat公共的单细胞数据集 InstallData("pbmc3k") data("pbmc3k") PBMC <- pbmc3k.final PBMC = UpdateSeuratObject(object = PBMC) 一般展示marker基因用这种点图： Markers <- c('AGER','SCGB3A2','TPPP3','CD68','FCN1','CD1C','CD14','MARCO',
零基础进阶R语言与基因组学数据个性化分析与单细胞空间转录组！四大专题助你发顶刊
qwmb919的博客
02-23 1161
助力学员发表Nature、Science、Cell等正刊及子刊杂志！（在药物研发、药物发现、生信分析的新技术加持下，发更高质量的文章
单细胞seurat对象-气泡图dotplot美化-颜色配色-自定义修改
生信小博士的博客
11-27 6031
第一期我们分享了如何使用标准流程获取单细胞的seurat对象，也就是pbmc.rds。本期将分享如何美化dotplot，继续使用pbmc示例,第一期获得的pbmc对象。首先读取数据，并分组、通过findallmarkers计算marker基因。第二期我们分享了如何美化featureplot。大家好，欢迎来到单细胞图片美化专辑！
10X单细胞（10X空间转录组）降维分析之UMAP
weixin_53637133的博客
04-26 804
10X单细胞（10X空间转录组）降维分析之UMAP
02.marker展示_堆叠小提琴图
TOP生物信息
04-27 1658
整理了一些旧代码，颜值还不错。 我的公粽号有获取方式，除了提供代码，还会提供原始count数据，跟着代码一步一步运行，可以熟悉单细胞转录组基本分析的流程。我也会加入一些自己实际分析中的技巧，希望大家能喜欢这个系列。 竖直方向的 水平方向的 这种图我用很多种方法都画过，目前所采用的代码最灵活 ...
CNS-associated macrophages 的 gene mark有哪些？
05-15
CNS-associated macrophages的基因标记主要包括以下几个： 1. Cx3cr1 (编码蛋白质CX3CR1)，这是一种趋化受体，在CNS相关巨噬细胞中高表达。 2. P2ry12 (编码蛋白质P2Y12)，这是一种G蛋白偶联受体，在CNS相关巨噬细胞中特异性表达。 3. Tmem119 (编码蛋白质TMEM119)，这是一种跨膜蛋白，在CNS相关巨噬细胞中高表达。 4. Siglech (编码蛋白质SIGLEC-H)，这是一种受体分子，在CNS相关巨噬细胞中高表达。 5. Clec7a (编码蛋白质CLEC7A)，这是一种受体分子，在CNS相关巨噬细胞中高表达。 这些基因标记可以用于识别和分离CNS相关巨噬细胞，以便进行更深入的研究。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值