前情概要

在上期的推文细胞类群marker基因识别及可视化驱逐的时刻，提到了五种基本可视化Marker基因的方式

图片

那这期一皆来了解一下DoHeatmap函数的参数建设，以及在可视化marker基因有什么不错调养修改的场地。

DoHeatmap常用参数

图片

常用参数object：输入的seurat对象features：要绘图的基因向量，不错是marker基因也不错需要可视化的基因集cells：要绘图的细胞，默许是全部的细胞slot = "scale.data"：指定使用的数据，默许使用的是scale.data分组信息及神采group.by = "ident"：分组的依据，不错自行收受，默许是active.ident的本色group.bar：添加分组信息的神采条group.colors：指定分组神采条的神采group.bar.height = 0.02：缩放神采条的高度标签信息label = TRUE：分组信息的标签size = 5.5：文本字体的代销hjust = 0：水平对皆vjust = 0：垂直对皆angle = 45：歪斜的角度分隔线draw.lines = TRUE：用线将各组信息分隔lines.width = NULL：分隔线的宽度DoHeatmap可视化及好意思化得到marker基因奏凯可视化

用到的数据，仍是seurat官网pbmc-3k的示例数据

走完基本的降维聚类分群，然后使用FindAllMarkers分析得到全部亚群的marker基因，然后收受top5的marker基因进行可视化

pbmc.markers <- FindAllMarkers(pbmc, only.pos = TRUE, min.pct = 0.25,  logfc.threshold = 0.25, verbose = FALSE)top5 = pbmc.markers %>% group_by(cluster) %>% top_n(n = 5, wt = avg_log2FC)g = unique(top5$gene)#五种方式可视化marker基因DoHeatmap(pbmc,features = g) + NoLegend()

图片

奏凯可视化的恶果图有些不错调养的点：

标签角度：默许参数会导致部分标签信息展示不全神采调养：默许神采有点不排场top5基因神采在对应亚群莫得很昭彰，因为莫得scale是以展示莫得很昭彰细胞数目太多，不错辩论抽样展示，不展示太具体的细胞CD4 T的marker基因在naive和memory间亮度不昭彰，可能因为marker基因不够特异，后续不错再细分1. 调养神采和标签角度

因为默许参数的标签的角度是angle = 45是以是向右歪斜的，导致Platelet标签会显现不全

不错改造一下横轴标签的胪列划定不错改造一下歪斜的角度

#改造标签的胪列划定pbmc$cell_type <- factor( x= pbmc$cluster_by_counts ,c("Naive CD4 T", "CD14+ Mono", "Memory CD4 T",                                                       "B", "CD8 T","FCGR3A+ Mono", "Platelet", "NK", "DC"))#调养歪斜角度和神采DoHeatmap(pbmc,features = g,group.by = "cell_type",group.colors = mycolors,          size = 3,angle = -50,hjust=0.8) +   scale_fill_gradientn(colors = c("white","grey","firebrick3"))

使用group.colors调营养组神采——不错建设和umap图相通的神采，使用scale_fill_gradientn调养热图的神采，一般建设三个神采

图片

2. 从头scale况且抽样展示

正排场到群里有一又友在问，为什么选了top5基因进行可视化的时刻，鄙俗会发现展示的时刻只剩下3到4个基因？

之前作念细胞类群正经top5基因的dotplot的时刻时常发现剩3个4个基因，我合计是这一步2000筛除了

因为DoHeatmap中默许slot = "scale.data" ，也即是用的数据是ScaleData后的恶果数据集。而FindAllMarkers中默许slot = "data" ，也即是用的数据是NormalizeData后的数据集。

因此就可能会形成DoHeatmap画热图时，不在前2000个高变基因中的marker不出当今热图中。不错基于top基因从头scale，况且抽样展示，不展示全部的细胞

#基于top基因从头scale独立地抽样pbmc.Scale <- ScaleData(subset(pbmc,downsample=100),features = g )  DoHeatmap(pbmc.Scale,          features = g,          group.by = "cell_type",size = 3,          assay = 'RNA', label = T)+  scale_fill_gradientn(colors = c("white","grey","firebrick3"))

图片

3.是否展示图例

一般是默许展示图例的，淌若不思展示的话不错加上NoLegend()，收受不展示图例

DoHeatmap(pbmc.Scale,          features =  g,          group.by = "cell_type",size = 3,          assay = 'RNA', label = T)+NoLegend()+  scale_fill_gradientn(colors = c("white","grey","firebrick3"))

图片

小结

这期推文主要整理了一下DoHeatmap的常用参数，以及基于DoHeatmap的参数咱们不错进行的一些图片调养与好意思化。

许多一又友在进行热图可视化的时刻，会收受用到Complexheatmap包，进行好意思化。那下期不错一皆来学习一下使用Complexheatmap绘图热图。

本站仅提供存储工作，通盘本色均由用户发布，如发现存害或侵权本色，请点击举报。