工作细胞black白血球美图（承包单细胞所有美图）
工作细胞black白血球美图（承包单细胞所有美图）其含义就是针对Seurat对象的可视化增强器（装备感满满~，感觉好像可以一刀9999）首先我们来给Scillus包一个精炼的定义：Seurat wrapper for enhanced processing and visualization of scRNA-seq data晨曦：有的，马上就来~基于上面这个感兴趣的话题，我们就来看一下这个单细胞测序可视化的R包——Scillus包，可以承包你关于单细胞的所有美图哦~那么我们开始吧
承包你单细胞的所有美图_Scillus包
Hi，大家好，我是晨曦
今天这期推文来自一个小伙伴的留言
A同学：曦曦，除了ggplot2以外有没有更方便的方法可以更加丰富的展示我的scRNA-seq的结果，就是类似于scRNA-seq的ggpubr包
晨曦：有的，马上就来~
基于上面这个感兴趣的话题，我们就来看一下这个单细胞测序可视化的R包——Scillus包，可以承包你关于单细胞的所有美图哦~
那么我们开始吧
首先我们来给Scillus包一个精炼的定义：Seurat wrapper for enhanced processing and visualization of scRNA-seq data
其含义就是针对Seurat对象的可视化增强器（装备感满满~，感觉好像可以一刀9999）
当然了，前提是我们已经掌握了使用Seurat进行单细胞分析的标准流程，然后我们就可以使用Scillus包对我们的结果进行更为丰富的可视化展示
那么我们接下来就开始进行代码实操
#安装R包
if (!require(devtools)) {
install.packages("devtools")
}
devtools::install_github("xmc811/Scillus" ref = "development")
晨曦解读
作者把单细胞处理和可视化都进行了封装，通过运行确实是一个对于自己单细胞分析过程的复习，而且数据集比较少， 推荐大家也跑跑看，但是如果你已经有Seurat对象了，这里就可以直接进行后续的可视化
#加载R包
library(Scillus)
library(tidyverse)
library(Seurat)
library(magrittr)
#导入数据
a <- list.files("可视化/GSE128531_RAW" full.names = TRUE)#获取数据集列表
#六个样本的单细胞数据（每一个样本都是标准的三个文件）
m <- tibble(file = a
sample = stringr::str_remove(basename(a) ".csv.gz")
group = rep(c("CTCL" "Normal") each = 3))#获取数据集列表的表格形式并且提供分组信息
pal <- tibble(var = c("sample" "group" "seurat_clusters")
pal = c("Set2" "Set1" "Paired"))#可视化调色盘
#读取表达数据并自动创建Seurat对象
scRNA <- load_scfile(m)
length(scRNA)
#[1] 6
Scillus 将为每个样本创建 Seurat 对象，并自动调用 PercentageFeatureSet函数来计算线粒体基因百分比。由此产生多个Seurat对象的列表，它的长度等于元数据 m 的行数
plot_qc(scRNA metrics = "percent.mt")#展示每个样本的线粒体基因比例
plot_qc(scRNA metrics = "nFeature_RNA")#展示每个样本基因的数量
plot_qc(scRNA metrics = "nCount_RNA")#展示每个样本mRNA的数量
plot_qc(scRNA metrics = "percent.mt" plot_type = "box")#展示箱线图的线粒体基因比例
plot_qc(scRNA metrics = "nCount_RNA" plot_type = "density") scale_x_log10()
#展示mRNA的密度图
plot_qc(scRNA metrics = "percent.mt" group_by = "group")#展示不同分组下线粒体基因的比例
#这块的思路晨曦觉得作者做的真的很巧妙
#我们前面是通过m变量数据批量构建的Seurat对象，m变量如下
# A tibble: 6 × 3
# file sample group
# <chr> <chr> <chr>
#1 可视化/GSE128531_RAW/CTCL-5.csv.gz CTCL-5 CTCL
#2 可视化/GSE128531_RAW/CTCL-6.csv.gz CTCL-6 CTCL
#3 可视化/GSE128531_RAW/CTCL-8.csv.gz CTCL-8 CTCL
#4 可视化/GSE128531_RAW/HC-1.csv.gz HC-1 Normal
#5 可视化/GSE128531_RAW/HC-2.csv.gz HC-2 Normal
#6 可视化/GSE128531_RAW/HC-3.csv.gz HC-3 Normal
#通过m变量这样导入生成Seurat对象天生就附带了元数据的特性也就是大分组信息，保留在seurat对象中的是是样本信息scRNA[[1]]@project.name
#当然除了上面还有一些更多展示QC方式的可视化，代码如下，各位小伙伴可以私下运行学习
plot_qc(scRNA metrics = "percent.mt" group_by = "group" pal_setup = "Accent")
plot_qc(scRNA metrics = "percent.mt" group_by = "group" pal_setup = pal)
plot_qc(scRNA metrics = "percent.mt" group_by = "group" pal_setup = c("purple" "yellow"))
#基于Seurat的标准piplines
scRNA_f <- filter_scdata(scRNA subset = nFeature_RNA > 500 & percent.mt < 10)
#并且自动显示质控结果（这个功能感觉超棒）
scRNA_f %<>%
purrr::map(.f = NormalizeData) %>%
purrr::map(.f = FindVariableFeatures) %>%
purrr::map(.f = CellCycleScoring
s.features = cc.genes$s.genes
g2m.features = cc.genes$g2m.genes)
scRNA_int <- IntegrateData(anchorset = FindIntegrationAnchors(object.list = scRNA_f dims = 1:30 k.filter = 50) dims = 1:30)
scRNA_int %<>%
ScaleData(vars.to.regress = c("nCount_RNA" "percent.mt" "S.Score" "G2M.Score"))
scRNA_int %<>%
RunPCA(npcs = 50 verbose = TRUE)
#%>% 管道符号不赋值就只是给你看看
#%<>% 结果自动进行赋值
scRNA_int %<>%
RunUMAP(reduction = "pca" dims = 1:20 n.neighbors = 30) %>%
FindNeighbors(reduction = "pca" dims = 1:20) %>%
FindClusters(resolution = 0.3)
简单来说，上面这个piplines就可以帮助我们完成scRNA-seq多数据集联合，而且重点是这个piplines是可以复制的
#我们把元数据的分组信息提取出来，方便我们后续作图
m %<>%
mutate(group = factor(group levels = c("CTCL" "Normal")))
scRNA_int %<>%
refactor_seurat(metadata = m)
至此，我们的数据处理过程就结束了，这个流程可以复制到我们scRNA-seq数据多数据集联合上，当然我们标准的Seurat对象标准流程也是可以使用后续的可视化方式
注意：如果不是基于这个R包获得的对象，尽管对象本质都是一样，但是有些信息是缺少的，可能只能可视化部分图表，需要额外添加信息
#可视化案例1
plot_scdata(scRNA_int pal_setup = pal)
#可视化案例2
plot_stat(scRNA_int plot_type = "group_count")
#可视化案例3
markers <- FindAllMarkers(scRNA_int logfc.threshold = 0.1 min.pct = 0 only.pos = T)
plot_heatmap(dataset = scRNA_int
markers = markers
sort_var = c("seurat_clusters" "sample")
anno_var = c("seurat_clusters" "sample" "percent.mt" "S.Score" "G2M.Score")
anno_colors = list("Set2" # RColorBrewer palette
c("red" "orange" "yellow" "purple" "blue" "green") # color vector
"Reds"
c("blue" "white" "red") # Three-color gradient
"Greens"))
#可视化案例4
plot_cluster_go(markers cluster_name = "1" org = "human" ont = "CC")
#可视化案例5
de <- find_diff_genes(dataset = scRNA_int
clusters = as.character(0:6)
comparison = c("group" "CTCL" "Normal")
logfc.threshold = 0 # threshold of 0 is used for GSEA
min.cells.group = 1) # To include clusters with only 1 cell
gsea_res <- test_GSEA(de
pathway = pathways.hallmark)
plot_GSEA(gsea_res p_cutoff = 0.1 colors = c("#0570b0" "grey" "#d7301f"))
当然还有其它可视化的结果，这里晨曦就不一一展示了，各位小伙伴可以查看下面的R包地址进行进一步的学习：Home | Scillus
这个R包晨曦使用最大的亮点我觉得有三点：
1. 提供了一个多数据集联合的piplines，可复制性极强
2. 优化了Seurat的可视化展示（其中的复杂热图很好看~）
可视化的展示每一种都可以展示亚群、分组以及基因和样本这些基本的Seurat可以可视化的信息
3. 提供了GO和GSEA的一键式分析
那么，本期推文到这里就结束啦~
