我们生信技能树的单细胞月更群里面经常看到小伙伴提出的图片美化需求，这就来看看单细胞umap美化工具吧！

关于SCP，我们前面也有一个专门的专辑对其进行了大篇幅的介绍，不知道大家用起来了没呢？

其学习的官网地址为：https://zhanghao-njmu.github.io/SCP/index.html

没有安装的，这次就不要再错过啦：

# 安装devtools::install_github("zhanghao-njmu/SCP")

本次，我们使用的数据为来自 GSE128531 数据注释后的seurat对象，你自己用的时候可以使用任何一个经过了注释后的seurat对象。

rm(list=ls())library(COSG)library(harmony)library(ggsci)library(dplyr) library(future)library(Seurat)library(clustree)library(cowplot)library(data.table)library(dplyr)library(ggplot2)library(patchwork)library(stringr)library(qs)# 导入数据sce.all.int <- readRDS('2-harmony/sce.all_int.rds')sp <- 'human'head(sce.all.int@meta.data)load("phe.Rdata")head(phe)sce.all.int <- AddMetaData(sce.all.int, metadata = phe)Idents(sce.all.int) <- "celltype"table(Idents(sce.all.int))

图片

看一下它对UMAP可视化的厉害之处！

################## umap1library(SCP)head(sce.all.int@meta.data)CellDimPlot(sce.all.int, group.by = "celltype", reduction = "UMAP")

这个配色非常CNS，且图中展示了总细胞数，每个亚群的细胞数这些信息：

图片

# 左下小箭头CellDimPlot(sce.all.int, group.by = "celltype", reduction = "UMAP", theme_use = "theme_blank")

图片

还可以一键调整整体字体大小：

CellDimPlot(sce.all.int, group.by = "celltype", reduction = "UMAP",             theme_use = ggplot2::theme_classic, theme_args = list(base_size = 16))

图片

上面三个是我最喜欢的ump风格，还有很多其他，总有你的一款：

图片

Nebulosa 是一个基于核密度估计可视化单细胞数据的 R 包，主要通过结合细胞之间的相似性来恢复丢失特征中的信号，从而实现细胞特征的“卷积”。

学习官网：https://bioconductor.org/packages/devel/bioc/vignettes/Nebulosa/inst/doc/nebulosa_seurat.html

Nebulosa 的主要功能是 plot_density，让我们按照以下方式绘制 一些marker基因 的核密度估计图，展示的marker基因表达水平高低：

# 安装一下options(BioC_mirror="https://mirrors.westlake.edu.cn/bioconductor")options("repos"=c(CRAN="https://mirrors.westlake.edu.cn/CRAN/"))BiocManager::install("Nebulosa")library(Nebulosa)

这种图也是在很多CNS级别的文章中出现的：

# 绘制一个基因PTPRCp1 <- plot_density(sce.all.int, c("PTPRC"),size = 0.3)p1

图片

# 同时绘制多个基因p3 <- plot_density(sce.all.int, c("CD3D","CD4","CD8A","CD68"),size = 0.3)p3

结果如下：

图片

这里可以同时展示两个基因都表达的地方：

# combine = FALSE 只保留两个基因都表达的区域p4 <- plot_density(sce.all.int, c("CD8A", "CCR7"), joint = TRUE,combine = FALSE) p4

图片

学习官网：https://samuel-marsh.github.io/scCustomize/index.html

# 安装# Base Rinstall.packages("scCustomize")

绘图：可以绘制一个marker，也可以展示多个marker：

################## umap4：scCustomizelibrary(viridis)library(Seurat)library(scCustomize)FeaturePlot_scCustom(seurat_object = sce.all.int, features = c("VWF","CD3E"), order = F)

这种风格很像早期的椒盐绘图风格：你看这个着色点是不是很像洒在鸡腿上面的椒盐！（椒盐风格这个词我在一篇单细胞文献中遇到过，现在找不见了，当时还专门在群里问了来着哈哈哈哈）

图片

还可以轻松地修改配色：

# 修改颜色# Set color palettepal <- viridis(n = 10, option = "D")FeaturePlot_scCustom(seurat_object = sce.all.int, features = c("VWF","CD3E"),                      colors_use = pal, order = T,pt.size = 0.3)

图片

在seurat包中有人提出一个绘图需求：https://github.com/satijalab/seurat/issues/6962

图片

这种图主要用来处理数据点重叠问题时非常有用，使用 MASS::kde2d() 进行二维核密度估计，并通过等高线显示结果，geom_density_2d() 绘制等高线，而 geom_density_2d_filled() 绘制填充的等高线带。

链接：https://ggplot2.tidyverse.org/reference/geom_density_2d.html

library(cetcolor)library(Seurat)library(ggplot2)# 设置颜色scale.col <- cet_pal(16, name = "fire")# generate UMAP plotpl1 <- UMAPPlot(sce.all.int, combine = FALSE) # returns full ggplot objectpl1# make plotpl1[[1]] &   stat_density_2d(aes_string(x = "umap_1", y = "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) &   DarkTheme()

这种风格很独特：

图片

在二维坐标系中可视化数据点有几种方法：如果你有大量的数据点重叠在一起，geom_point() 无法为你提供重叠点的数量估计。

刚刚上面介绍的geom_density2d() 和 geom_bin2d() 可以解决这个问题，但它们使得无法调查个别异常点，而这些异常点可能具有研究价值。

geom_pointdensity() 旨在通过结合两者的优点来解决这个问题：各个点根据邻近点的数量进行着色。这使得你既能看到整体分布，也能看到个别点。

学习官网：https://github.com/LKremer/ggpointdensity

细胞密度图：

# 安装install.packages("ggpointdensity")library(ggpointdensity)# 提取umap坐标数据dat <- Embeddings(sce.all.int, reduction = "umap")head(dat)# umap_1    umap_2# SC67mf2_AAACCTGAGAGTAATC -3.541568  5.127461# SC67mf2_AAACCTGAGCGCTTAT -6.623588 -3.025122# SC67mf2_AAACCTGAGGACACCA -4.586405  1.513219ggplot(data = dat, mapping = aes(x = umap_1, y = umap_2)) +  geom_pointdensity() +  scale_color_viridis()

图片

当然，它还可以展示marker特征基因表达：

# 提取umap坐标以及特征基因表达df <- FetchData(object =sce.all.int, vars = c("umap_1", "umap_2", "CD3D"), layer = "data")head(df)# umap_1    umap_2     CD3D# SC67mf2_AAACCTGAGAGTAATC -3.541568  5.127461 0.000000# SC67mf2_AAACCTGAGCGCTTAT -6.623588 -3.025122 1.430228# SC67mf2_AAACCTGAGGACACCA -4.586405  1.513219 0.000000p <- ggplot(df, aes(x= umap_1, y= umap_2 )) +  geom_point(data = df %>% filter(CD3D == 0), color = "#440154FF", size = 0.6) +  ggpointdensity::geom_pointdensity(data = df %>% filter(CD3D > 0), size = 0.6) +  viridis::scale_color_viridis() +  theme_classic(base_size = 14) +  labs(color= "CD3D")p

结果如下：

图片

上面哪一款是你的菜？可以在评论区大声说出来（爱就要勇敢说出来！）。

友情宣传：

生信入门&数据挖掘线上直播课2025年1月班

时隔5年，我们的生信技能树VIP学徒继续招生啦

满足你生信分析计算需求的低价解决方案