chuiqin
commented
3 years ago 很感谢你使用我的工具。irGSEA.density.scatterplot函数反映的是基因集打分分数的密度分数。它主要是通过Nebulosa包实现的，Nebulosa包结合每个细胞在二维空间的投影（例如TSNE，UMAP）以及细胞自身的基因集打分分数，估算了一个加权的核密度估计分数。这个密度分数就是irGSEA.density.scatterplot图中展示的分数。然后，FeaturePlot函数主要反映的是基因集打分的实际分数。ssgsea的打分分数看着有点大，是因为我取消了ssgsea中最后一不的标准化，为的是让这个基因集富集分析算法不受样本组成和批次的影响。其余几种算法（例如AUCell，UCell和singscore）也是基于单个细胞基因表达秩次排名计算。更多关于irGSEA包算法原理以及每一步实现的方法的中文教程，可以参考我在简书上的教程：https://www.jianshu.com/p/463dd6e2986f。 最后，感谢你的提问，我也在最近的1.1.2版本中修复了irGSEA.density.scatterplot函数（主要是取消不区分基因正负向情况下，singscore分数的center化。这种center化不利于irGSEA.density.scatterplot函数的展示。取消singscore分数的center化，对irGSEA.integrate的计算结果有轻微影响，需要重新计算）和irGSEA.density.scatterplot函数（主要是调整了可视化中的参数选择，获得更好的可视化体验）中存在的一些小问题。假如你想获得更好的irGSEA.density.scatterplot函数可视化体验，可以更新到1.1.2版本。 下面3个代码块可以达到一样的可视化效果：
library(irGSEA)
irGSEA.density.scatterplot(object = pbmc3k.final,
method = "ssgsea",
show.geneset = "HALLMARK-INFLAMMATORY-RESPONSE",
reduction = "umap")library(viridis)
library(Nebulosa)
library(ggplot2)
DefaultAssay(pbmc3k.final) <- "ssgsea"
test <- FeaturePlot(pbmc3k.final, features = "HALLMARK-INFLAMMATORY-RESPONSE",slot = "scale.data", reduction = "umap")
test <- test$data
test$HALLMARK.INFLAMMATORY.RESPONSE <- as.numeric(test$HALLMARK.INFLAMMATORY.RESPONSE)
dens <- Nebulosa:::calculate_density(test[, 4], test[,1:2], method = "wkde")
test$dens <- dens
ggplot(test, mapping = aes(x = UMAP_1, y = UMAP_2, colour = dens)) +
geom_point(size = 0.5)+
scale_color_viridis()+
theme_classic()+
ggtitle("HALLMARK-INFLAMMATORY-RESPONSE")+
theme(plot.title = element_text(hjust = 0.5))library(Nebulosa)
library(ggplot2)
DefaultAssay(pbmc3k.final) <- "ssgsea"
Nebulosa::plot_density(pbmc3k.final, features = "HALLMARK-INFLAMMATORY-RESPONSE",
slot = "scale.data", reduction = "umap",
method = "wkde", joint = T) +
ggplot2::theme(plot.title = ggplot2::element_text(size = 10, hjust = 0.5),
axis.title = ggplot2::element_text(size = 10))
TPOW-001
您好, 近期在尋找single cell scoring相關方式, 發現了這麼方便的整合性package.
但目前使用上有一個問題是, 在irGSEA.density.scatterplot畫出的scatter plot如圖呈現: https://ibb.co/GfZYsnY
scatterplot <- irGSEA.density.scatterplot(object = da1, method = "ssgsea", show.geneset = c("MSC-1","MSC-2","EC-1"), reduction = "umap")
但如果直接調出ssGSEA data的話, 會如下圖呈現: https://ibb.co/pbkrL8k
DefaultAssay(da1) <- 'ssgsea' FeaturePlot(da1, features = c("MSC-1","MSC-2","EC-1"))
想詢問您在這兩張圖是如何進行換算的, 謝謝~
再次感謝您整合了這麼多種scoring方式, 方便讓我們對有興趣的signatures進行比較.