分享是一种态度
我们以 seurat 官方教程为例：
代码语言：javascript复制rm(list = ls())
library(Seurat)
# devtools::install_github('satijalab/seurat-data')
library(SeuratData)
library(ggplot2)
library(patchwork)
library(dplyr)
load(file = 'basic.sce.pbmc.Rdata')
DimPlot(pbmc, reduction = 'umap',
label = TRUE, pt.size = 0.5) NoLegend()
sce=pbmc
如果你不知道 basic.sce.pbmc.Rdata 这个文件如何得到的，麻烦自己去跑一下 可视化单细胞亚群的标记基因的5个方法，自己 save(pbmc,file = 'basic.sce.pbmc.Rdata') ，我们后面的教程都是依赖于这个文件哦！
首先对每个细胞亚群找高表达量的标记基因
代码语言：javascript复制# 参考：https://mp.weixin.qq.com/s/enGx9_Sv5wKLdtygL7b4Jw
if (file.exists('sce.markers.all_10_celltype.Rdata')) {
load('sce.markers.all_10_celltype.Rdata')
}else {
sce.markers <- FindAllMarkers(object = sce, only.pos = TRUE,
min.pct = 0.25,
thresh.use = 0.25)
save(sce.markers,file = 'sce.markers.all_10_celltype.Rdata')
}
DT::datatable(sce.markers)
library(dplyr)
# 不同seurat版本的 avg_logFC 不一样
top5 <- sce.markers %>% group_by(cluster) %>% top_n(5, avg_logFC)
DoHeatmap(sce,top5$gene,size=3)
普通的热图或者气泡图可视化
代码语言：javascript复制DT::datatable(sce.markers)
library(dplyr)
# 不同seurat版本的 avg_logFC 不一样
top5 <- sce.markers %>% group_by(cluster) %>% top_n(5, avg_logFC)
DoHeatmap(sce,top5$gene,size=3)
p <- DotPlot(sce, features = unique(top5$gene) ,
assay='RNA' ) coord_flip()
p theme(axis.text.x = element_text(angle = 45,
vjust = 0.5, hjust=0.5))
如下所示：
其实这个函数不仅仅是接受一个向量，还可以接受一个列表，代码如下：
代码语言：javascript复制
head(top5)
top5=top5[!duplicated(top5$gene),]
select_genes_all=split(top5$gene,top5$cluster)
select_genes_all
DotPlot(object = sce,
features=select_genes_all,
assay = "RNA") theme(axis.text.x = element_text(angle = 45,
vjust = 0.5, hjust=0.5))
出图如下：
这样的雕虫小技肯定是入不了大家的法眼，出一个作业吧，文章是《High-Throughput Single-Cell Transcriptome Profiling of Plant Cell Types》，里面的图 ，见：差异分析要的是表达量矩阵，基因名字并不重要啊
注：如果想要获取文中代码。后台回复单细胞亚群即可！
