TOP生物信息

绘图代码交流群已经成立半年多了，群里的氛围，还算是不错的。通常群里的提问我都会尽量回答；大家对代码有啥建议，我也会优化。针对高级绘图系列中，大家讨论得比较多的几个代码近期进行了更新。

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。

cellphonedb

单细胞转录组中常见的气泡图根据分组信息展开

单细胞高级绘图

本次教程的figure仍然是读者求助的图，算得上是kegg富集图的新流派。据我的调查，该图应该是基迪奥云平台首创(https://www.omicshare.com/tools/Home/Soft/enrich_circle)，之后公众号小白鱼的生统笔记进行了复现(仿一个网图，使用circlize包绘制圈图可视化基因集富集分析结果)。最开始也是跟着上述的帖子学习，之后自己对代码进行了改写，重新安排图形的布局，使之（在我看来）更有意义。另一个改动是增加了kegg pathway的注释信息，我在之前的帖子中

单细胞转录组细胞通讯分析

细胞通讯分析，我很早之前就写过，当时详细介绍了CellPhoneDB的原理、实操、可视化。单细胞分析实录(18): 基于CellPhoneDB的细胞通讯分析及可视化 (上篇)单细胞分析实录(19): 基于CellPhoneDB的细胞通讯分析及可视化 (下篇)今天说的这个问题还是很常见的：「在进行细胞通讯分析之后，如何比较两组的受配体对的差异？」 如果你的数据包含两个以上的组别，大概率是要做这个事情的。CellPhoneDB这个软件很简单(这也是用得多的原因)，在几组数据分别运行之后，是不能直接比较的

这一节画的图是比较新的，图中我用红色箭头标出的是pathway一级注释信息(big annotation，自己想的，非专有名词)，纵轴花花绿绿的标注是pathway的二级注释(small annotation)。「如何获取注释」算一个难点，我上一讲也已经讲过：KEGG通路的从属/注释信息如何获取。整个图反映的是有多少基因落到了对应的分类里面。「辩证地看」，整张图都是pathway注释，没有具体的pathway名称，跟平常做的富集分析很不一样。把图里面的二级注释换成具体的pathway会更好。另外，这个.

组合小提琴图

今天的图较简单，在展示基因表达以及基因集分数时，较为常见。图中横轴表示细胞类型，并且根据不同组别分开；纵轴表示通路打分。类似的图，之前出过视频教程，样式比上图更多变。B站收藏量也挺高，破千了：跟着Cell Research学单细胞分析：箱型图、小提琴图、误差棒，总有一款适合你获取代码这个系列都会采取限时公开的方式共享代码，24小时内是免费的。超过这个时间如何获取，后台回复2022A可知（可能需要你动动小手转发一下）。代码是从count开始的，即使完全不懂单细胞，也能把图画出来，比较友好，希望对大.

上一节介绍了两组比较中如何展示差异基因数目，这一节的内容更进了一步，我造了一种图，可以用来表示具体的差异基因。想象一下你的单细胞数据同时包含对照组和实验组，在做完前期的基础分析之后，得到了A B C D等共享的亚群，现在你想知道在A亚群中，实验组和对照组比较有哪些差异基因。类似的场景也可以是你的数据有多个肿瘤患者，每个病人都有配对的原发灶、转移灶，现在想每个病人单独看看原发、转移的差异基因。怎么想到这个图的说到差异基因，火山图大家一定都画过，但是如果有多个亚群、多个病人，那么多张火山图又显得冗.

接下来两节会介绍两种比较新的图形，可能大多数做单细胞分析的小伙伴没有见过。今天讲的这种图形是用来展示差异基因数目的，比如你的单细胞数据同时包含对照组和实验组，在做完前期的基础分析之后，得到了A B C D等共享的亚群，现在你想知道在A亚群中，实验组和对照组比较有哪些差异基因，差异基因数目是多少。下面这种图就很适合用来展示差异基因数目：这张图是这么看的：左侧图是Arep组相对于Brep组高表达的基因，每一列是一个亚群，每一行是一个基因；基因又分为两个panel，下层panel是unique基因，即.

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...

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。这张图分上中下三部分，最上面是各个细胞亚群的层次聚类关系，中间用点的大小来表示亚群细胞数量，最下面是marker基因的表达热图，后面抽空再修改一下，把一些重要基因的label标上去...

我在B站发布了“单细胞转录组绘图”系列视频教程，一共分了9集，共计57分钟，适合入门single cell和想进阶的小伙伴。1. 数据预处理and肿瘤样本去不去批次（这个图是没有去批次的）2. tsne或者umap降维图的一般画法3. 左下角的坐标轴怎么画其实是用线段代替了坐标轴4. 散点图加等高线加二维密度图nature那篇的绘图还有个大圆圈，最后把它俩组合起来就可以了，后期全靠AI5. 计算基因集分数_投影图6. 热图展示marker基因7. 气泡图展示marker基因

联系转录组特征和表型特征是非常常见的操作，这次的视频，我以文献中一个小图为例，讲解了在均值比较中常见的箱型图、小提琴图，以及几种变形。视频已经上传B站，这是链接：跟着Cell Research学单细胞分析：箱型图、小提琴图、误差棒，总有一款适合你_哔哩哔哩_bilibili视频中涉及到的知识点包括：分组箱型图/小提琴图/条形图/误差棒均值比较，p值计算，在图形中添加p值小提琴图组合箱型图小提琴图组合竖直线段添加阴影效果相关代码可以在我公粽号后台回复20220112获取1. 文献原图

最终可以得到这样的图：跟风写个标题，原视频在B站，搜标题即可看到（UP主：TOP菌）。如果你对视频中的内容有不清楚/不认同的地方，欢迎在评论区留言讨论。涉及到的知识点包括且不限于：小提琴图，添加均值标记，拼图ggplot2绘制聚类热图，数据框长宽转换单细胞分析如何使用特定的基因聚类使用每个cluster的均值画热图，分组统计...

这期推文的封面是一张富集分析的网络图，来自文献：Single cell RNA sequencing of human liver reveals distinct intrahepatic macrophage populations，算是比较新颖的富集展示方法，是用Cytoscape做的。之前我介绍过一个网页工具，可以做富集结果的网络图，这篇推文的阅读量已经是我的小破公众号关注人数的两倍多，可以看出大家对这个很感兴趣。这一期，我继续介绍这种网络图，用到的是Cytoscape，比之前的网页工具可定制程度

不知道分析过转录组的小伙伴有没有碰到过这样的问题：转录组后续做GO富集的时候，发现最前面的那些term其实对应的基因都差不多，如果选前几个画图，可能说明的只是一件事。我一般是手动选，在足够显著的前提下，选择几个不一样的term来画图（当然还得符合预期）。今天就发现了一个网页工具，可以对（语义）相似的GO term进行聚类，然后选出每个cluster中的代表term，同时不得不提该工具的图形展示，个人觉得相当好看。先看图：该工具支持大部分的模式物种：Homo sapiens (human), G.

前几天分析了一批单细胞TCR的数据，需要画这样一个图：行是不同的样本，列是不同的T细胞类型，每一个位置点的大小表示T细胞的数目多少，并且还需要根据T细胞所属的克隆型类型涂色。这个图用来描述TCR是我自己构思的，之前没有在文章中见过。好在画图工具是现成的，用的是余老师的scatterpie包。后台回复20210722即可获取本文的测试数据。1. 导入测试数据library(tidyverse)library(scatterpie)library(reshape2)df1=read.table(

今天花了很多时间整理这个包的绘图函数，不得不说这个基于ggplot2的包，是真的友好，很适合初学者。可能对于熟悉ggplot2的人来说，ggpubr的存在有些多余，但这并不妨碍它成为一个优秀的R包。接下来我主要依据变量类型，对这个包的十来种函数，近30种图形进行展示，几乎涵盖了平常看到的大多数图。这篇推文也很可能成为你见过的最详细的ggpubr中文教程。公众号后台回复20210330，获取今天的代码和图形示例pdf。install.packages("ggpubr")lib.

桑基图（Sankey diagram），即桑基能量分流图，也叫桑基能量平衡图。它是一种特定类型的流程图，图中延伸的分支的宽度对应数据流量的大小，通常应用于能源、材料成分、金融、生物信息等数据的可视化分析。因1898年Matthew Henry Phineas Riall Sankey绘制的“蒸汽机的能源效率图”而闻名，此后便以其名字命名为“桑基图”。前两天正好碰到了这类“数据流量”的可视化问题，因此花了点时间学习了一下桑葚图的画法，比较简单，在这里给大家演示一下：我自己编了一个数据，如下图所示.

属于比较常用的技巧。下面我用ggplot2内置数据集进行演示：先来看一下，仅有散点和拟合线的图df=diamonds[sample(1:dim(diamonds)[1],40),]df$price=df$price / 10000p=df%>%ggplot(aes(carat,price))+ geom_point(size=4,alpha=0.3,color="#6baed6")+ geom_smooth(method = "lm", fo.

这里以火山图为例进行说明，在转录组分析中，火山图是很常见的一类图，纵轴表示p_value，横轴表示log (fold change)。单一的散点图绘制很简单，火山图比较难处理的地方就是一些基因的注释，基因越多，加文本注释越困难，因为文字会堆在一起，看不清。示例数据df1是转录组做差异表达后的部分结果，df2将logFC绝对值大于0.3的挑出来了。> head(df1) p_val avg_logFC class gene cd avg_logFC_new2 p_va

相信很多人都看到过上面这种方块图，有点像“华夫饼图”的升级版，也有点像“热图”的离散版。我在一些临床多组学的文章里面看到过好几次这种图，用它来展示病人的临床信息非常合适，我自己也用R包或者AI画过类似的图。今天给大家演示一下，如何用ggplot2里面的geom_tile函数画这种图。先构造一个练习数据集，假设有15个病人，每个病人有年龄、性别、症状、是否有RNA-seq和WES测序等信息。library(ggplot2)library(tidyverse)library(reshape2)lib.

当我们在绘制散点图的时候，可能会遇到点特别多的情况，这时点与点之间过度重合，影响我们对图的认知。为了更好地反映特征，我们可以加上点的密度信息，比如在原来散点所在的位置将密度用热图的形式呈现出来，再比如在主图的边缘加上直方图等来反映密度。具体实现如下：先导入数据，除了ggplot2，还有一个ggExtra包library(ggplot2)library(tidyverse)library(ggExtra)df=read.table("20191126P31_HTODemux_CiteFus