ggplot修饰monocle2拟时热图：一众问题全部解决

上周微信小伙伴问了一个图，想要用ggplot做拟时热图，其实我在看文献的时候，已经想要复现了，所以这里写一篇帖子，将一众问题一网打尽。**这是一篇超长贴，我们的内容还是一如既往的不仅实现了修饰，更多的是让你学到新的内容：

（reference：Single-cell sequencing of ascites fluid illustrates heterogeneity and therapy-induced evolution during gastric cancer peritoneal metastasis | Nature Communications）
在这个帖子中，我们主要完成了四件事： 一、之前就有小伙伴问，拟时热图的颜色怎么修改，它的实质是一个热图，当然是按照热图的颜色修改呀，很简单：

setwd('D:/KS项目/公众号文章/ggplot修饰monocle热图')
library(monocle)
library(monocle)
library(tidyverse)
library(ggridges)
library(RColorBrewer)
library(scales)
library(dplyr)
library(tidytree)
library(viridis)
library(scales)
load("D:/KS项目/公众号文章/ggplot修饰monocle热图/cds.RData")#拟时cds
#查看随着pseudotime变化的基因
# cds_DGT_pseudotimegenes <- differentialGeneTest(mouse_monocle,fullModelFormulaStr = "~sm.ns(Pseudotime)")
#这里完全是为了展示较少的基因所以控制了阈值，实际需要展示什么基因，自己选择
cds_DGT_pseudotimegenes_sig <- subset(ds_DGT_pseudotimegenes, qval < 0.01)

mouse_data <- readRDS("D:/KS项目/公众号文章/mouse_data.rds")
# marker <- FindAllMarkers(mouse_data, only.pos = T,logfc.threshold = 0.5)
# marker <- marker[which(marker$p_val_adj<0.05),]
top15 <- marker %>% group_by(cluster) %>% top_n(n = 15, wt = avg_log2FC)
top15_ordergene <- cds_DGT_pseudotimegenes_sig[top15$gene, ]
Time_genes <- top15_ordergene %>% pull(gene_short_name) %>% as.character()
Time_genes <- unique(Time_genes)

p <- plot_pseudotime_heatmap(mouse_monocle[Time_genes,], 
                             num_cluster = 4, 
                             show_rownames = T, 
                             return_heatmap = T,
                             hmcols = colorRampPalette(c("navy","white","firebrick3"))(100))

p <- plot_pseudotime_heatmap(mouse_monocle[Time_genes,], 
                             num_cluster = 4, 
                             show_rownames = T, 
                             return_heatmap = T,
                             hmcols =colorRampPalette(rev(brewer.pal(9, "PRGn")))(100))

p <- plot_pseudotime_heatmap(mouse_monocle[Time_genes,], 
                             num_cluster = 4, 
                             show_rownames = T, 
                             return_heatmap = F,
                             hmcols = viridis(256))

二、提取热图数据，用pheatmap修饰。

三、ggplot做拟时热图并进行修饰，结合一个山脊图，可以看出细胞在拟时的分布情况。

四、复现一下拟时基因的散点趋势图，这个数据处理类似于单细胞拟时分析：基因及通路随拟时表达变化趋势。这里和热图组合在一起，还是很好的。

至于文献中的富集分析，其实也很简单，在中间分析过程中，我们可以提取每个聚类cluster的基因去做富集分析，然后添加在图上。这图的修饰不得是CNS级别的。有需要的学习起来吧。

这里需要提一句，对于拼图不必请求R，如果觉得默认的拼图效果不是特别好的时候，AI可以更好地修饰。更多精彩内容请至我的公众号KS科研分享与服务