object:对应的seurat对象,这里用的是pbmc示例数据 dims:对应的PCA降维后的维度 reduction:对UMAP使用哪种降维方法,一般默认是pca(如果是多样品harmony之后的数据,reduction = "harmony") umap.method:可以是uwot——通过uwot R包运行umap(一般选择这个参数),uwot-learn——通过uwot R包运行umap,并返回学到的umap模型...
umap_1<-pbmc_small[["umap"]]@cell.embeddings[,1]umap_2<-pbmc_small[["umap"]]@cell.embeddings[,2]umap_3<-pbmc_small[["umap"]]@cell.embeddings[,3]# Prepare a dataframe for cell plottingplot.data<-FetchData(object=pbmc_small,vars=c("UMAP_1","UMAP_2","UMAP_3","groups"))# Ma...
library(plot1cell) library(Seurat) library(tidyverse) library(stringr) library(RColorBrewer) load("sce.anno.RData") head(sce2,2) 已经注释过了,下面可以直接使用。 二plot1cell 函数 1,绘制大群umap图 首先使用prepare_circlize_data函数得到绘图信息,然后plot_circlize函数可以直接绘制umap主图 并把单独的...
library(ggplot2) library(ggunchull) data("pbmc3k") plotData <- as.data.frame(pbmc3k[["tsne"]]@cell.embeddings) plotData$cluster <- pbmc3k$seurat_clusters ggplot(plotData, aes(x = tSNE_1, y = tSNE_2, fill = cluster, color = cluster)) + stat_unchull(alpha = 0.5, size = 0.5...
单细胞常见的可视化方式有DimPlot,FeaturePlot ,DotPlot ,VlnPlot 和 DoHeatmap集中 ,在Seurat中均可以实现,但文献中的图大多会精美很多。之前 scRNA分析 | 定制 美化FeaturePlot 图,你需要的都在这介绍了FeaturePlot的美化方式。在跟SCI学umap图| ggplot2 绘制umap图,坐标位置 ,颜色 ,大小还不是你说了算介绍过DimP...
test<- system.file("extdata","seuratTest.RDS", package ="scRNAtoolVis") tmp <- readRDS(test) 具体见最开始参考教程。自己使用的一个示例: library(scRNAtoolVis) png(paste0("featureplot-main_marker.png"), width =18, height =6, res =400, units ="in") ...
单细胞常见的可视化方式有DimPlot,FeaturePlot ,DotPlot ,VlnPlot 和 DoHeatmap集中 ,在Seurat中均可以实现,但文献中的图大多会精美很多。之前scRNA分析 | 定制 美化FeaturePlot 图,你需要的都在这介绍了FeaturePlot的美化方式。在跟SCI学umap图| ggplot2 绘制umap图,坐标位置 ,颜色 ,大小还不是你说了算介绍过DimPlo...
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"...
在单细胞的R包Seurat中自带UMAP这个函数 我们这次介绍umap这个R包 install.packages("umap") library(umap) iris.umap = umap(iris[,1:4])#进行降维 # display object summary iris.umap head(iris.umap$layout)#获取数据矩阵 # create a dataset with structure likeiris, but with perturbation ...
(tmp_sce$seurat_clusters)for(ninneighbors_nums){for(dinmin_dist_nums){tmp_sce<-RunUMAP(tmp_sce,dims=1:15,umap.method="uwot",metric="cosine",reduction="harmony",n.neighbors=n,min.dist=d)pdf(paste0("pca_object_v",i,".pca_",j,"neighbors_",n,"dist_",d,".pdf"))p1<-DimPlot(...