1、堆叠柱状图 这是比较普通也是最常用的细胞比例可视化方法。这种图在做微生物菌群的研究中非常常见。具体的思路是计算各个样本中细胞群的比例,形成数据框之后转化为长数据,用ggplot绘制即可。 table(scedata$orig.ident)#查看各组细胞数 #BM1 BM2 BM3 GM1 GM2 GM3 #2754 747 2158 1754 1528 1983 prop.table...
2、批量统计图 很多时候,我们不仅想关注各个样本中不同细胞群的比例,而且更想指导他们在不同样本之中的变化是否具有显著性。这时候,除了要计算细胞比例外,还需要进行显著性检验。这里我们提供了一种循环的做法,可以批量完成不同样本细胞比例的统计分析及可视化。 table(scedata$orig.ident)#查看各组细胞数prop.table...
1、堆叠柱状图 这是比较普通也是最常用的细胞比例可视化方法。这种图在做微 生物菌群的研究中非常常见。具体的思路是计算各个样本中细胞群的 比例,形成数据框之后转化为长数据,用 ggplot 绘制即可。 • • • • • • • • • • • • • • • • • • • • • ...
FeatureScatter通常用于可视化特征-特征关系,但也可以用于对象计算的任何东西,例如对象元数据中的列,PC分数等。 # FeatureScatter is typically used to visualize feature-feature relationships, # but can be used for anything calculated by the object, i.e. columns in object # metadata, PC scores etc. plo...
计算细胞周期分数 ##Seurat具有根据已知的S期和G2/M期基因列表计算细胞周期分数的功能data.filt <- CellCycleScoring(object = data.filt,g2m.features = cc.genes$g2m.genes,s.features = cc.genes$s.genes) VlnPlot(data.filt, features = c("S.Score","G2M.Score")) ...
对于叶节点细胞簇,特征定义为样本中落入该节点的细胞比例。 对于中间父节点或根节点,可以选择在聚合(默认设置)、连接叶节点或连接直接子节点之一中定义特征。 一旦定义了每个节点的特征,将遍历每个树节点以检查其特征与样本表型之间的相关性(或其他汇总统计量)。 计算汇总统计量的方法取决于表型是单变量还是多变量: ...
Seurat自带一些优秀的可视化工具,之前的分析内容陆续展示过一些,本节内容将总结这些可视化函数的使用。 RidgePlot山脊图 代码语言:javascript 复制 library(Seurat)library(tidyverse)library(patchwork)rm(list=ls())dir.create("visual")scRNA<-readRDS("scRNA.rds")p1=RidgePlot(scRNA,features="FCN1")p2=RidgePlot...
1.即使修改resolution参数保持了细胞亚群数量的一致,但是细胞ID的分配以及细胞亚群的比例可能并不是一致 2.后续的细胞注释更多的是依靠marker基因和SingleR,所以我们这里保证resolution参数,尽管亚群数量不一致,但是通过marker基因注释,我们也可以把相同的细胞亚群进行合并 ...
一般采用被引用率较高的SingleR软件进行细胞类型注释,基本原理是通过计算细胞与内置数据库的相关性来判断细胞类型,每个点代表一个细胞,不同细胞类型以不同颜色区分。鉴定的结果如下: 图 细胞鉴定结果tSNE/UMAP图 更多高级分析敬请期待~ 往期精彩 IF=18 时序单细胞转录组 揭秘光如何调控植物发育 ...
横坐标表示排名,纵坐标表示RSS特异性得分。排名前三位的Regulon以红色点表示。RSS越高的调控子可能与该细胞类型特异性相关。 plot_rss(rss, cell_type='B', top_n=5) sc.set_figure_params(frameon=False, dpi=150, fontsize=8) sc.pl.umap(adata, color=[cell_type_key,'PAX5','TCF7','EOMES','TB...