今天接着单细胞文章的内容：
从Cell学单细胞转录组分析(一):开端！！！
跟着Cell学单细胞转录组分析(二):单细胞转录组测序文件的读入及Seurat对象构建
跟着Cell学单细胞转录组分析(三):单细胞转录组数据质控（QC）及合并去除批次效应
跟着Cell学单细胞转录组分析(四):单细胞转录组测序UMAP降维聚类
跟着Cell学单细胞转录组分析(五):单细胞转录组marker基因鉴定及细胞群注释
前面几期主要说了下每个阶段出现图的个性化修饰，后面依然如此，有需要值得单拎出来说的，我们也是会讲到。
细胞分群命名完成之后，大多数研究会关注各个样本细胞群的比例，尤其是免疫学的研究中，各群免疫细胞比例的变化是比较受关注的。所以这里说说细胞群比例的计算，以及如何可视化。
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$orig.ident)#查看各组细胞数#BM1 BM2 BM3 GM1 GM2 GM3 #2754 747 2158 1754 1528 1983prop.table(table(Idents(scedata)))table(Idents(scedata), scedata$orig.ident)#各组不同细胞群细胞数#BM1 BM2 BM3 GM1 GM2 GM3# Endothelial 752 244 619 716 906 1084# Fibroblast 571 135 520 651 312 286# Immune1220 145 539 270 149 365# Epithelial 69 62 286 62 82 113# Other 142 161 194 55 79 135Cellratio <- prop.table(table(Idents(scedata), scedata$orig.ident), margin = 2)#计算各组样本不同细胞群比例Cellratio#BM1 BM2 BM3 GM1 GM2 GM3# Endothelial 0.27305737 0.32663989 0.28683967 0.40820981 0.59293194 0.54664650# Fibroblast 0.20733479 0.18072289 0.24096386 0.37115165 0.20418848 0.14422592# Immune0.44299201 0.19410977 0.24976830 0.15393387 0.09751309 0.18406455# Epithelial 0.02505447 0.08299866 0.13253012 0.03534778 0.05366492 0.05698437# Other 0.05156137 0.21552878 0.08989805 0.03135690 0.05170157 0.06807867Cellratio <- as.data.frame(Cellratio)colourCount = length(unique(Cellratio$Var1))library(ggplot2)ggplot(Cellratio) + geom_bar(aes(x =Var2, y= Freq, fill = Var1),stat = "identity",width = 0.7,size = 0.5,colour = '#222222')+ theme_classic() +labs(x='Sample',y = 'Ratio')+coord_flip()+theme(panel.border = element_rect(fill=NA,color="black", size=0.5, linetype="solid"))
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$orig.ident)#查看各组细胞数prop.table(table(Idents(scedata)))table(Idents(scedata), scedata$orig.ident)#各组不同细胞群细胞数Cellratio <- prop.table(table(Idents(scedata), scedata$orig.ident), margin = 2)#计算各组样本不同细胞群比例Cellratio <- data.frame(Cellratio)library(reshape2)cellper <- dcast(Cellratio,Var2~Var1, value.var = "Freq")#长数据转为宽数据rownames(cellper) <- cellper[,1]cellper <- cellper[,-1]###添加分组信息sample <- c("BM1","BM2","BM3","GM1","GM2","GM3")group <- c("BM","BM","BM","GM","GM","GM")samples <- data.frame(sample, group)#创建数据框rownames(samples)=samples$samplecellper$sample <- samples[rownames(cellper),'sample']#R添加列cellper$group <- samples[rownames(cellper),'group']#R添加列###作图展示pplist = list()sce_groups = c('Endothelial','Fibroblast','Immune','Epithelial','Other')library(ggplot2)library(dplyr)library(ggpubr)for(group_ in sce_groups){cellper_ = cellper %>% select(one_of(c('sample','group',group_)))#选择一组数据colnames(cellper_) = c('sample','group','percent')#对选择数据列命名cellper_$percent = as.numeric(cellper_$percent)#数值型数据cellper_ <- cellper_ %>% group_by(group) %>% mutate(upper = quantile(percent, 0.75), lower = quantile(percent, 0.25),mean = mean(percent),median = median(percent))#上下分位数print(group_)print(cellper_$median)pp1 = ggplot(cellper_,aes(x=group,y=percent)) + #ggplot作图geom_jitter(shape = 21,aes(fill=group),width = 0.25) + stat_summary(fun=mean, geom="point", color="grey60") +theme_cowplot() +theme(axis.text = element_text(size = 10),axis.title = element_text(size = 10),legend.text = element_text(size = 10),legend.title = element_text(size = 10),plot.title = element_text(size = 10,face = 'plain'),legend.position = 'none') + labs(title = group_,y='Percentage') +geom_errorbar(aes(ymin = lower, ymax = upper),col = "grey60",width = 1)###组间t检验分析labely = max(cellper_$percent)compare_means(percent ~ group, data = cellper_)my_comparisons <- list( c("GM", "BM") )pp1 = pp1 + stat_compare_means(comparisons = my_comparisons,size = 3,method = "t.test")pplist[[group_]] = pp1}library(cowplot)plot_grid(pplist[['Endothelial']],pplist[['Fibroblast']],pplist[['Immune']],pplist[['Epithelial']],pplist[['Other']])
好了，以上就是我们的分享了，起到抛砖引玉的效果，还有很多其他的展示方法，不必全都会，中意就好。
更多内容请至我的个人公众号《KS科研分享与服务》
