今天我們完成的是熱圖展示不同細(xì)胞類型差異基因數(shù)目骄瓣。這個(gè)圖很多文章都在用丰捷，做這個(gè)圖流程還是挺復(fù)雜的。主要在兩個(gè)方面吊履。第一個(gè)是：分開整理上下調(diào)基因數(shù)據(jù)到需要的格式。第二個(gè)是：標(biāo)注specific基因數(shù)目的位置坐標(biāo)了罪。所以干脆包成一個(gè)通用的函數(shù)硼补。同時(shí)我們也進(jìn)行了創(chuàng)新茶鹃。第一：我認(rèn)為只顯示差異基因數(shù)目總感覺少了點(diǎn)啥释液，所以我們添加了參數(shù)全释，可以標(biāo)注自己關(guān)注的基因。第二：圖形保存提供了兩種方式均澳，可供選擇恨溜。那么學(xué)習(xí)這個(gè)函數(shù)不僅僅是做了這么一個(gè)圖，您可以拆解函數(shù)找前，學(xué)習(xí)數(shù)據(jù)的處理以及該機(jī)熱圖繪制！****這個(gè)函數(shù)的寫作還是花費(fèi)了較多的時(shí)間和精力的判族！
【****1****：A Single-Cell Transcriptomic Atlas of Human Skin Aging】
【****2****：Microbiota-host crosstalk in the newborn and adult rumen at single-cell resolution】
【****3****：A single-cell landscape of triptolide-associated testicular toxicity in mice】
這個(gè)圖的特點(diǎn)是將不同類型的celltype差異基因分上下調(diào)展示躺盛，而且每個(gè)celltype特異性的上下調(diào)基因和shared基因分開展示并展示數(shù)目。我們的函數(shù)將差異分析和可視化進(jìn)行了整合形帮，可以輕松的完成這個(gè)圖槽惫，不用因?yàn)閿?shù)據(jù)的整理和圖形的修改而煩惱。
接下來我們具體看看函數(shù)的操作效果辩撑，首先看看函數(shù)的參數(shù)：
接下來我們利用單細(xì)胞數(shù)據(jù)演示一下：我們需要先做差異基因分析界斜，所以DEGs選擇F，代表尚未進(jìn)行差異基因分析合冀，其他的參數(shù)是差異基因分析Findmarker的參數(shù)各薇。
setwd('D:/KS項(xiàng)目/單細(xì)胞差異基因數(shù)目熱圖') #設(shè)置工作路徑
load("D:/KS項(xiàng)目/單細(xì)胞差異基因數(shù)目熱圖/sce.RData")#加載單細(xì)胞數(shù)據(jù)
head(sce@meta.data)#看一下分組
DefaultAssay(sce) <- 'RNA'
table(sce$orig.ident)
table(sce$celltype)
#作圖,直接組合出圖
KS_DEGs_number(seurat_obj = sce,
DEGs=F,
idents = "celltype",
group.by = "orig.ident",
ident.1 = "AEH",
ident.2 = "HC",
min.pct = 0.5,
logFC = 0.8,
width = 3,
height = 6,
heatmap_show =F,
col = list(sample=c('SMC'='#006699','LY'='#993333','UEC'='#33CCCC',
"SF" ="orange","CEC" = "red","EC" = "grey","MAC"="blue")))
上面作圖heatmap_show參數(shù)使用的是默認(rèn)的F，所以直接組合出圖俺泣，我們可以選擇T疗认，直接分別導(dǎo)出上下調(diào)的熱圖。這里因?yàn)橐呀?jīng)有了差異基因的結(jié)果伏钠，所以為了避免不必要的運(yùn)行横漏，DEGs參數(shù)選擇T。
#pdf分別保存Heatmap贝润，因?yàn)樯厦嬉呀?jīng)進(jìn)行了差異分析
#再次作圖為了防止重復(fù)绊茧，DEGs參數(shù)選擇T。heatmap_show選擇T
KS_DEGs_number(seurat_obj = sce,
DEGs=T,
idents = "celltype",
group.by = "orig.ident",
ident.1 = "AEH",
ident.2 = "HC",
min.pct = 0.5,
logFC = 0.8,
width = 3,
height = 6,
heatmap_show = T,
col = list(sample=c('SMC'='#006699','LY'='#993333','UEC'='#33CCCC',
"SF" ="orange","CEC" = "red","EC" = "grey","MAC"="blue")))
#運(yùn)行完成后打掘，路徑文件夾中會出現(xiàn)先兩個(gè)pdf文件华畏，分別是g1鹏秋、g2，是上下調(diào)的圖
最后亡笑，我們還可以標(biāo)注感興趣的基因侣夷。
#標(biāo)記感興趣的基因
label_gene <- read.csv("label_genes.csv", header = T)#可以整理為一個(gè)frame
#也可以直接在參數(shù)gene_list_up中以向量的形式輸入
KS_DEGs_number(seurat_obj = sce,
DEGs=T,
idents = "celltype",
group.by = "orig.ident",
ident.1 = "AEH",
ident.2 = "HC",
min.pct = 0.5,
logFC = 0.8,
width = 3,
height = 6,
heatmap_show = T,
col = list(sample=c('SMC'='#006699','LY'='#993333','UEC'='#33CCCC',
"SF" ="orange","CEC" = "red","EC" = "grey","MAC"="blue")),
gene_label = T,
gene_list_up = label_gene$up,
gene_list_down = label_gene$down)
這樣這個(gè)圖就很完美了。這里有兩個(gè)注意事項(xiàng)仑乌，也是我們在其他數(shù)據(jù)集測試的時(shí)候發(fā)現(xiàn)的問題百拓，第一個(gè)，如果某個(gè)celltype晰甚，在一組中只有0-2個(gè)細(xì)胞衙传，那么差異基因分析會出錯(cuò)，況且這樣的數(shù)據(jù)也不適合做差異分析厕九，可以將這個(gè)celltype刪除再進(jìn)行分析作圖蓖捶。第二種情況則是某些細(xì)胞類型差異基因?yàn)?，這時(shí)候我們設(shè)置了終止函數(shù)扁远，因?yàn)檫@樣的數(shù)據(jù)展示沒有意義俊鱼，況且也會報(bào)錯(cuò)，所以可以將這種celltype刪除畅买。
