density plot细胞密度图展示部分细胞的分布密度

1.灵感来源

灵感来源于Single-cell atlas of healthy human blood unveils age-related loss of NKG2C+GZMB−CD8+ memory T cells and accumulation of type 2 memory T cells的图2.C。原文用密度图展示CD4+ T cells在不同年龄组的分布情况。

(C) UMAP density plots characterizing the distribution of CD4+ T cells across age groups A–E.

https://www.cell.com/immunity/fulltext/S1074-7613(23)00453-3?_returnURL=https%3A%2F%2Flinkinghub.elsevier.com%2Fretrieve%2Fpii%2FS1074761323004533%3Fshowall%3Dtrue#sec5.1

2.思路

目前的任务是证明“证明细胞类型A发生了衰老”，此前已经尝试多种方法效果不佳，包括按每细胞类型每年龄段进行基因集打分/GSEA富集等。考虑到可能存在“单个细胞类型的单个年龄段并非所有细胞都发生了衰老（或者说衰老程度不同）”的情况，决定通过卡值的方法，超过阈值的细胞定义为“衰老亚型（发生了衰老/衰老程度更高）”，并使用密度图展示这部分细胞。

密度图本身的作用是“展示密度”，即基于平面上点坐标分布越密集，颜色越深。那么应该如何在展示所有细胞的基础上，只展示部分细胞的分布密度？

我的思路是1.绘制一个所有细胞的散点图(m)；2.绘制只有衰老亚型的散点图并叠加密度图(n1/n2/n3)；3.在AI中把图n叠加到图m上方。

3.代码实现

3.1 python

import scanpy as sc

#基因集打分
aging_gene_list_f = [x for x in list(aging_gene_list) if x in adata.var_names]
sc.tl.score_genes(adata,aging_gene_list_f)


#定义衰老亚型
adata.obs.loc[adata.obs['score']>=0.6,['aging_subtype']]='aged'
adata.obs.loc[adata.obs['score']<0.6,['aging_subtype']]='unaged'

import collections
collections.Counter(adata.obs['aging_subtype'])

#导出UMAP坐标值以及衰老亚型信息
df_den = pd.DataFrame(adata.obsm['X_umap'])
df_den['aging_subtype'] = list(pd.DataFrame(adata.obs['aging_subtype'])['aging_subtype'])
df_den = df_den.rename(columns={0:'X_umap_1', 1: 'X_umap_2','aging_subtype':'aging_subtype'})
df_den


df_den.to_csv('/df_den_re.tsv',sep='\t')

df_den格式如下：

3.2 R

library(cetcolor)
library(Seurat)
library(ggplot2)


df_den <- read.table('/df_den_re.tsv',sep="\t",header=T,row.names=1)
df_den$X_umap_1


###0 all of cells
m <- ggplot(df_den, aes(x = df_den$X_umap_1, y = df_den$X_umap_2)) +
  geom_point()
# m + geom_density_2d_filled(alpha = 0.5) #查看所有细胞分布密度，无意义


###1 aging subtype with categorical legend and contour line
df_den_filtered <- df_den %>% filter(aging_subtype  == 'aged')

n1 <- ggplot(df_den_filtered, aes(x = df_den_filtered$X_umap_1, y = df_den_filtered$X_umap_2)) +
  geom_point() + geom_density_2d_filled(alpha = 0.5 ) +  geom_density_2d(linewidth = 0.25, colour = "black")


###2 aging subtype with categorical legend
df_den_filtered <- df_den %>% filter(aging_subtype  == 'aged')

n2 <- ggplot(df_den_filtered, aes(x = df_den_filtered$X_umap_1, y = df_den_filtered$X_umap_2)) +
  geom_point() + geom_density_2d_filled(alpha = 0.5 ) 


###3 aging subtype with continuous legend
scale.col <- cet_pal(16, name = "fire")

n3 <- ggplot(df_den_filtered, aes(x = df_den_filtered$X_umap_1, y = df_den_filtered$X_umap_2)) +
  geom_point() + stat_density_2d(aes_string(x = df_den_filtered$X_umap_1, y =df_den_filtered$X_umap_2, fill = "after_stat(level)"), 
                                 linewidth = 0.2, geom = "density_2d_filled", 
                                 colour = "ivory", alpha = 0.4, n = 150, h = c(1.2, 1.2)) & 
  scale_fill_gradientn(colours = scale.col)


m + n1 + n2 + n3

3.3 出图

搞掂。