寫(xiě)在開(kāi)頭 最近#單細(xì)胞實(shí)戰(zhàn)100次 合集里面，開(kāi)始在解析 胃腺癌的空間轉(zhuǎn)錄組與單細(xì)胞RNA測(cè)序研究 系列推文，和之前 胃癌單細(xì)胞圖譜 是一個(gè)團(tuán)隊(duì)的成果
在研讀文獻(xiàn)的過(guò)程中發(fā)現(xiàn)，文中好喜歡用密度星云圖展示不同分組的細(xì)胞占比情況，有一說(shuō)一就怪好看的，就像嘗試復(fù)現(xiàn)一下。
主要參考借鑒的推文有：
讀取數(shù)據(jù)并隨機(jī)下采樣 數(shù)據(jù)鏈接是： https://www.ncbi.nlm./geo/query/acc.cgi?acc=GSE183904
第一層次降維聚類(lèi)可視化——UMAP圖新解：首次分群后按大類(lèi)分組加圈
復(fù)現(xiàn)圖表及注釋?zhuān)篋ensity plot of UMAP representation comparing normal and gastric tumor samples after random downsampling to approximately 30,000 cells each to allow statistical equivalence. Each dot represents a single cell. Dashed lines highlight higher proportions of epithelial cells in normal samples and myeloid cells in tumor samples.
所以需要提取注釋后的數(shù)據(jù)，并基于Normal和tumor分組進(jìn)行隨機(jī)下采樣
#清空環(huán)境，加載需要的R包 rm(list = ls()) library(Seurat) library(tidyverse) source ( 'scRNA_scripts/lib.R' ) #讀取數(shù)據(jù)及注釋結(jié)果 load(file = "phe.Rdata" ) sce.all <- readRDS( "2-harmony/sce.all_int.rds" ) sce.all@meta.data <- phe #整理activeident，并下采樣 sce.all.int <- SetIdent(sce.all, value = "group" ) sce.all.int <- subset(sce.all.int,downsample=30000) sce.all.int <- SetIdent(sce.all.int, value = "cell_class" ) 得到需要的數(shù)據(jù)后，就可以嘗試復(fù)現(xiàn)密度星云圖。
亞群分類(lèi)密度圖 老俊俊的生信筆記——單細(xì)胞二維密度圖一文拿捏! 中，使用ggSCvis亞群分類(lèi)密度圖，看起來(lái)得到的結(jié)果和文獻(xiàn)結(jié)果很像
代入實(shí)際分析的數(shù)據(jù)進(jìn)行可視化：
library(ggSCvis) p1 <- ggscplot(object = sce.all.int) + stat_density2d(geom = "raster" , aes(fill = ..density..), contour = F, show.legend = T) + geom_scPoint(color = "white" , size = 0.00001) + facet_wrap(~group, ncol = 2) + theme_bw() + theme(panel.grid = element_blank(), axis.ticks = element_blank(), strip.background = element_blank(), strip.text = element_blank(), axis.text = element_blank()) + scale_fill_viridis_c(option = "magma" , direction = 1) + coord_cartesian(expand = F);p1 使用ggSCvis（通常用于單細(xì)胞數(shù)據(jù)的可視化）來(lái)創(chuàng)建一個(gè)二維散點(diǎn)圖，其中包含了密度圖和點(diǎn)的分布
初始化一個(gè)繪圖對(duì)象 p1，使用 ggscplot 函數(shù)，其中 object 參數(shù)指定了要可視化的單細(xì)胞數(shù)據(jù)對(duì)象 sce.all.int。 添加一個(gè)二維密度圖層 stat_density2d，使用 raster 幾何對(duì)象來(lái)顯示密度。 添加一個(gè)點(diǎn)圖層 geom_scPoint，其中點(diǎn)的顏色為白色，大小為 0.2。 使用 facet_wrap 函數(shù)根據(jù) group 變量分面顯示，每行顯示 2 個(gè)分面。 結(jié)果和文章中出入還是較大，比如密度圖顏色被覆蓋較多，不按group分組進(jìn)行展示，所以再試試別的方法
ggpointdensity繪制細(xì)胞密度圖 生信技能樹(shù)——畫(huà)個(gè)同款新奇的“Galaxy”星系UMAP圖（Nat Immunol：IF27.8） 中得到帶注釋信息圈的密度圖
提取需要的UMAP坐標(biāo)數(shù)據(jù)以及注釋分組信息，繪制需要的密度圖：
#ggpointdensity install.packages( "ggpointdensity" ) # 如未安裝 library(ggpointdensity) # 提取UMAP + 分組信息 # 提取UMAP坐標(biāo) umap_df <- Embeddings(sce.all.int, reduction = "umap" ) %>% as.data.frame() # 確保列名統(tǒng)一為 UMAP_1 和 UMAP_2 colnames(umap_df) <- c( "UMAP_1" , "UMAP_2" ) # 添加meta信息（如group、cell_class） umap_df $group <- sce.all.int $group umap_df $cell_class <- sce.all.int $cell_class 分開(kāi)可視化之后拼圖：
# 分成兩個(gè)數(shù)據(jù)框 df_normal <- umap_df %>% filter(group == "Normal" ) df_tumor <- umap_df %>% filter(group == "Tumor" ) # 星云密度圖函數(shù) plot_density_map <- function (data, title) { ggplot(data, aes(x = UMAP_1, y = UMAP_2)) + geom_pointdensity(size = 0.5) + scale_color_viridis_c(option = "plasma" ) + theme_void(base_size = 12) + ggtitle(title) + theme( legend.position = "none" , plot.title = element_text(hjust = 0.5, face = "bold" , size = 16) ) } p1 <- plot_density_map(df_normal, "Normal" ) p2 <- plot_density_map(df_tumor, "Tumor" ) p1 + p2 可視化結(jié)果中，按照group分組分開(kāi)展示，并且按照細(xì)胞亞群密度可視化，但是和星云圖還是有點(diǎn)區(qū)別。
所以想著如果添加一個(gè)點(diǎn)圖層 geom_scPoint會(huì)不會(huì)看起來(lái)好些，也就是結(jié)合兩篇推文的內(nèi)容進(jìn)行可視化
密度圖加上點(diǎn)圖層 p <- ggplot(umap_df, aes(x = UMAP_1, y = UMAP_2)) + stat_density_2d( geom = "raster" , aes(fill = after_stat(density)), contour = FALSE, n = 200 ) + geom_point(color = "white" , size = 0.0001, alpha = 0.5) + facet_wrap(~group, ncol = 2) + scale_fill_viridis(option = "magma" , direction = 1) + coord_cartesian(expand = FALSE) + theme_void() + theme( strip.text = element_text(face = "bold" , size = 14), legend.position = "none" );p 有點(diǎn)類(lèi)似了，但是白色有點(diǎn)掩蓋掉了密度圖本身的顏色，所以可以調(diào)整為更加淡一些的顏色，然后加上細(xì)胞大類(lèi)注釋以及圈圖即可
#加載需要的R包 library(ggplot2) library(ggrepel) library(ggforce) library(viridis) # 計(jì)算每組每類(lèi)細(xì)胞的中心位置 label_centroids <- umap_df %>% group_by(group, cell_class) %>% summarize( UMAP_1 = median(UMAP_1), UMAP_2 = median(UMAP_2), .groups = 'drop' ) #最終可視化結(jié)果 p <- ggplot(umap_df, aes(x = UMAP_1, y = UMAP_2)) + stat_density_2d( geom = "raster" , aes(fill = after_stat(density)), contour = FALSE, n = 200 ) + geom_point(color = "#FFFFFFAA" , size = 0.005, alpha = 0.2) + geom_text_repel( data = label_centroids, aes(label = cell_class), color = "white" , size = 4, fontface = "bold" , box.padding = 0.5, max.overlaps = Inf ) + facet_wrap(~group, ncol = 2) + scale_fill_viridis(option = "magma" , direction = 1) + coord_cartesian(expand = FALSE) + theme_void() + theme( strip.text = element_text(face = "bold" , size = 14), legend.position = "none" ) + stat_ellipse(aes(group = cell_class), color = "white" , linetype = "dashed" , alpha = 0.5);p 代碼簡(jiǎn)單解析：
計(jì)算每個(gè)細(xì)胞類(lèi)在每組中的中心位置用于標(biāo)注——label_centroids “星云圖”外觀由 stat_density_2d() 渲染出的密度熱圖模擬 geom_point(color = "#FFFFFFAA", size = 0.005, alpha = 0.2) 白色透明點(diǎn)，制造一種“邊緣星點(diǎn)”效果，視覺(jué)上增強(qiáng)結(jié)構(gòu)邊界的細(xì)膩感。 geom_text_repel 避讓機(jī)制有效防止標(biāo)簽遮擋密度區(qū)域 facet_wrap(~group, ncol = 2) 分成兩列圖（Normal / Tumor） viridis::magma 是適合暗背景圖的高對(duì)比色帶，星云感較強(qiáng), theme_void() 去除坐標(biāo)軸、背景網(wǎng)格等視覺(jué)雜項(xiàng)。 stat_ellipse(aes(group = cell_class), color = "white", linetype = "dashed", alpha = 0.5) 為每個(gè) cell_class 添加輪廓線(xiàn)（高斯橢圓擬合） 對(duì)比原圖不足之處 輪廓線(xiàn)沒(méi)有很好的契合到UMAP的圖形上，細(xì)胞亞群標(biāo)注由于位置問(wèn)題，導(dǎo)致有些亞群標(biāo)題不夠突出
文章應(yīng)該對(duì)細(xì)胞亞群進(jìn)行了篩選，但復(fù)現(xiàn)的時(shí)候，只基于分組進(jìn)行了下采樣，大家按照自己的實(shí)際需求去展示即可
如果你也想做單細(xì)胞轉(zhuǎn)錄組數(shù)據(jù)分析，最好是有自己的計(jì)算機(jī)資源哦，比如我們的滿(mǎn)足你生信分析計(jì)算需求的低價(jià)解決方案 ，而且還需要有基本的生物信息學(xué)基礎(chǔ)，也可以看看我們的生物信息學(xué)馬拉松授課 ，你的生物信息學(xué)入門(mén)課。
2025年也會(huì)繼續(xù)學(xué)習(xí)分享單細(xì)胞內(nèi)容，并且組建了交流群——承包你2025全部的單細(xì)胞轉(zhuǎn)錄組降維聚類(lèi)分群 ，歡迎一起討論交流學(xué)習(xí)！
