大海哥单细胞数据Dotplot图美化的保姆级教程！！

大海哥单细胞数据Dotplot图美化的保姆级教程！！ by 生信滩

大海哥也教了不少有关单细胞数据可视化的方式，但是没有讲解一些专门对细节美化的，这次大海哥带来一种Dotplot美化的教程，可以让小伙伴单细胞的数据使用Dotplot可视化的时候，绘制自己的图更加精美！其实这个Dotplot图呢，就是点图/气泡图是类似热图的图表，它提供了一种紧凑的方式，通过不同大小和颜色的点同时显示两个定量信息。尽管这种可视化方法很受欢迎，特别是在单细胞 RNA 测序 (scRNA-seq) 研究中，但用于制作点图的现有工具在功能和可用性方面受到限制。

同时呢，我们通常使用的是Seurat::DotPlot可视化方式，这个Seurat::DotPlot 是可视化 Marker 基因如何跨不同 cluster 变化的直观方式。

这个图里面的点的大小编码一个类中细胞的百分比，而颜色编码一个类中所有细胞的 AverageExpression 水平。

了解了这个图的构成，我们就去为Dotplot图进行美化吧!

我们使用的是R包scRNAtoolVis自带的数据pbmc，先看一下我们前期准备吧

library(scRNAtoolVis) # 为了使用数据library(Seurat) # dotplotlibrary(cowplot) # plot_grid

加载下数据：

httest <- system.file("extdata", "htdata.RDS", package = "scRNAtoolVis")pbmc <- readRDS(httest)# add groups    pbmc$groups <- rep(c('stim','control'),each = 1319)# add celltypepbmc$celltype <- Seurat::Idents(pbmc)# load markergenedata("top3pbmc.markers")# checkhead(top3pbmc.markers,3)

我们一步一步来，从基础的散点图开始，

library(ggplot2)p <- DotPlot(pbmc,             features = split(top3pbmc.markers$gene, top3pbmc.markers$cluster),             cols = c("#ffffff", "#448444")) +  RotatedAxis() + # 来自Seurat  theme(        panel.border = element_rect(color = "black"),    panel.spacing = unit(1, "mm"),    axis.title = element_blank(),    axis.text.y = element_blank(),  )P

为了让小伙伴更清楚的知道如何绘制，我们使用ggplot2从头开始绘制：

p$data$feature.groups2 <- factor(p$data$feature.groups,                                  levels = c("Platelet","DC","NK","FCGR3A+ Mono","CD8 T","B","Memory CD4 T","CD14+ Mono","Naive CD4 T"))
library(ggh4x)    
strip <- strip_themed(  background_x = elem_list_rect(fill = brewer.pal(9, "Paired")))把数据设置好后，下面开始绘制图p$data %>%   ggplot(aes(x = features.plot,             y = id)) +   geom_point(aes(size = pct.exp,                  color = avg.exp.scaled)) +   facet_wrap2(~feature.groups2,               scales = "free_x",               strip = strip,               nrow = 1) +   theme_classic() +   theme(axis.text.x = element_text(angle = 90,                                    hjust = 0.5,                                    vjust = 0.3,                                    color = "black"),        axis.title = element_blank(),        strip.background = element_rect(color = "white"),        axis.text.y = element_blank()) +   scale_color_gradient(low = "#ffffff",                           high = "#448444",                        name = "avg.exp") -> p

p

这个图其实已经很好看了，但是中间细节呢，我们想改一下，比如气泡的样式等等

来看一下散点图的修饰

#散点图修饰df <- data.frame(x = 0, y = levels(pbmc), stringsAsFactors = F )df$y <- factor(df$y, levels = df$y )
pl <- ggplot(df, aes(x, y, color = factor(y))) +  geom_point(size = 6, show.legend = F) +  scale_color_manual(values = rev(brewer.pal(9, "Paired"))) +  theme_classic() +      scale_x_continuous(expand = c(0,0)) +  theme(    plot.margin = margin(r=0),    axis.title = element_blank(),    axis.text.x = element_blank(),    axis.text.y = element_text(size = 9),    axis.ticks = element_blank(),    axis.line = element_blank()  )
Pl

从点开始修改，我们修改成矩形：

#改变形状pl2 <- ggplot(df, aes(x, y, color = factor(y))) +geom_point(size = 6, shape = 15, show.legend = F) +scale_color_manual(values = rev(brewer.pal(9, "Paired"))) +theme_classic() +scale_x_continuous(expand = c(0,0)) +theme(plot.margin = margin(r=0),axis.title = element_blank(),axis.text.x = element_blank(),axis.text.y = element_text(size = 9),axis.ticks = element_blank(),axis.line = element_blank()  )
pl2

然后我们在使用cowplot函数进行拼图：

#拼图library(cowplot)plot_grid(pl2, p, align = "h", axis="bt", rel_widths = c(1.5, 9))

怎么样，有没有学会呢，

下面大海哥在介绍一种绘制的方式FlexDotPlot，

这是一个 R 包，用于从多元数据（包括 scRNA-seq 数据）生成点图。它提供了通用且易于使用的解决方案，具有高度的多功能性。还提供交互式 R Shiny 应用程序，允许非 R 用户轻松生成具有多个可调参数的点图

这个包可以帮助我们改变图形的形状，来看看：

#BiocManager::install("FlexDotPlot")#没有的小伙伴下载一下library(FlexDotPlot)

FlexDotPlot 包采用数据框作为输入：前两列包含沿 x 和 y 轴分布的两个因子，后跟要显示的相应定量和/或定性数据

下面我们加载示例数据

#加载数据data(PBMC3K_example_data)head(PBMC3K_example_data)

summary(PBMC3K_example_data)

我们使用月亮的形式去展示

#半月dot_plot(data.to.plot = PBMC3K_example_data,         size_var = "pct.exp", shape.scale = 25,         shape_var= "pct.exp",         col_var = "avg_logFC",         vertical_coloring=c(NA, "gray80"))

是不是有点与众不同，我们还可以添加聚类树

#聚类树dot_plot(data.to.plot = PBMC3K_example_data,         size_var = "pct.exp", shape.scale = 25,         shape_var= "pct.exp",         col_var = "avg_logFC",         dend_x_var = c("pct.exp","avg_logFC"),         dend_y_var = c("pct.exp","avg_logFC"),         dist_method="euclidean", hclust_method="ward.D")

其实还有很多的展示形式，小伙伴要多多理解代码的意思，多多摸索，这样才能绘制出自己想要的图片，上面就是我们这次的教程，小伙伴快去动手试试！

大海哥还提供思路设计、定制生信分析、文献思路复现；有需要的小伙伴欢迎直接扫码咨询~

定制生信分析

服务器租赁

扫码咨询大海哥

往期回顾

｜生信人必备神器——1024G存储的生信服务器，免费试用啦

｜【BWMR】孟德尔随机化分析利器，克服分析挑战！

｜分子对接花了几个小时？批量分子对接帮你5分钟搞定！

｜手把手带你复现XGboost和LightGBM机器学习算法特征重要性排名和 SHAP 汇总图

ixxmu / mp_duty

大海哥单细胞数据Dotplot图美化的保姆级教程！！ #4501

大海哥单细胞数据Dotplot图美化的保姆级教程！！ by 生信滩