跟着Cell学单细胞转录组分析(十):Monocle2拟时分析演示之结果可视化(下)

上节完成了拟时分析,剩下的内容就比较简单了,只需要可视化。我们可视化一些一般文章中出现的图。用到的文件是上节分析得到的cds文件。图的主题可以结合ggplot2进行修饰。

先做一个细胞群的谱系分化图。从这个图可以看出我们关注的细胞分化轨迹。


library(ggsci)
plot_cell_trajectory(cds, color_by = "Cluster")  + scale_color_nejm()

plot_cell_trajectory(cds, color_by = "State")  + scale_color_npg()

plot_cell_trajectory(cds, color_by = "Pseudotime")

如果细胞轨迹全部在一起,很难看出不同细胞状态在分支上的位置,这时,我们可以将每个状态单独画出来,看起来比较清晰。


plot_cell_trajectory(cds, color_by = "State") +
  facet_wrap(~State, nrow = 1)

处理细胞谱系拟时可视化,我们还关注分化轨迹过程中基因的情况。选定关注的基因,看看其在拟时中的表达。

pData(cds)$TGFBR2 = log2( exprs(cds)['TGFBR2',]+1)

通过拟时基因表达模式聚类。

cds$id <- rownames(cds)
library(dplyr)
cds %>% arrange(qval) %>% head(10) %>% select(id) -> gene_to_cluster
gene_to_cluster <- gene_to_cluster$id
my_pseudotime_cluster <- plot_pseudotime_heatmap(cds[gene_to_cluster,],
                                                 num_clusters = 3,
                                                 cores = 8,
                                                 show_rownames = TRUE)

BEAM进行统计分析。

BEAM_res <- BEAM(my_cds_subset, branch_point = 1, cores = 8)
BEAM_res <- BEAM_res[order(BEAM_res$qval),]
BEAM_res <- BEAM_res[,c("gene_short_name", "pval", "qval")]
head(BEAM_res)
table(BEAM_res$qval < 1e-4)
plot_genes_branched_heatmap(my_cds_subset[row.names(subset(BEAM_res, qval < 1e-4)),],
                            branch_point = 1,
                            num_clusters = 4,
                            cores = 8,
                            use_gene_short_name = TRUE,
                            show_rownames = TRUE)

拟时分析的内容很丰富,也很多,在不同的研究中有不同的意义,这里只是简单展示了几种常见的可视化结果,对于结果的解读,应用,还需要结合具体的生物学意义,通过推断与生物学背景结合,才能让分析彰显意义。

  • 1
    点赞
  • 27
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
R语言是一种流行的编程语言,广泛应用于数据分析和统计建模领域。单细胞测序是一种高通量技术,能够检测和分析单个细胞的基因表达模式,为研究生物体内不同细胞类型、分化状态及其相互关系提供了重要手段。拟时分析则是一种用于推测细胞状态转变和动态过程的统计模型。 在R语言中,有众多强大的工具包可供单细胞测序的数据分析。其中包括Seurat、Monocle、Scater等。这些工具包提供了一系列函数和方法,可以对测序数据进行预处理、表达差异分析聚类分析和时序分析。 针对单细胞测序数据的拟时分析,重点是确定细胞状态的变化趋势和过程。Monocle是R语言中一款常用的工具包,它可以用来构建细胞转录的发育轨迹和时间轴。在Monocle中,可以通过丰富的函数和方法,对细胞分群、细胞状态转变、细胞分化等过程进行拟时分析拟时分析的关键是基于单细胞测序数据,构建细胞状态转变的模型。这通常包括非线性降维方法(如t-SNE、UMAP),细胞分群算法(如k-means、DBSCAN)和拟时间排序算法(如pseudotime)。通过这些算法和模型,可以将细胞按照从起始状态到最终状态的顺序进行排序和分析拟时分析在生物研究中具有重要意义,可以揭示细胞分化过程中的关键因素和关键时间点。通过R语言单细胞测序技术,我们可以深入探索细胞发育和特定生物过程中的动态变化,为揭示生物系统的内部机制提供宝贵的工具和理论支持。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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