前情提要

在上期的推文细胞类群marker基因识别及可视化结尾的时候，提到了五种基本可视化Marker基因的方式

图片

那这期一起来了解一下DoHeatmap函数的参数设置，以及在可视化marker基因有什么可以调整修改的地方。

DoHeatmap常用参数

图片

常用参数object：输入的seurat对象features：要绘制的基因向量，可以是marker基因也可以需要可视化的基因集cells：要绘制的细胞，默认是全部的细胞slot = "scale.data"：指定使用的数据，默认使用的是scale.data分组信息及颜色group.by = "ident"：分组的依据，可以自行选择，默认是active.ident的内容group.bar：添加分组信息的颜色条group.colors：指定分组颜色条的颜色group.bar.height = 0.02：缩放颜色条的高度标签信息label = TRUE：分组信息的标签size = 5.5：文本字体的代销hjust = 0：水平对齐vjust = 0：垂直对齐angle = 45：倾斜的角度分隔线draw.lines = TRUE：用线将各组信息分隔lines.width = NULL：分隔线的宽度DoHeatmap可视化及美化获取marker基因直接可视化

用到的数据，还是seurat官网pbmc-3k的示例数据

走完基本的降维聚类分群，然后使用FindAllMarkers分析获取全部亚群的marker基因，然后选择top5的marker基因进行可视化

pbmc.markers <- FindAllMarkers(pbmc, only.pos = TRUE, min.pct = 0.25,  logfc.threshold = 0.25, verbose = FALSE)top5 = pbmc.markers %>% group_by(cluster) %>% top_n(n = 5, wt = avg_log2FC)g = unique(top5$gene)#五种方式可视化marker基因DoHeatmap(pbmc,features = g) + NoLegend()

图片

直接可视化的结果图有些可以调整的点：

标签角度：默认参数会导致部分标签信息展示不全颜色调整：默认颜色有点不好看top5基因颜色在对应亚群没有很明显，因为没有scale所以展示没有很明显细胞数量太多，可以考虑抽样展示，不展示太具体的细胞CD4 T的marker基因在naive和memory间亮度不明显，可能因为marker基因不够特异，后续可以再细分1. 调整颜色和标签角度

因为默认参数的标签的角度是angle = 45所以是向右倾斜的，导致Platelet标签会显示不全

可以改变一下横轴标签的排列顺序可以改变一下倾斜的角度

#改变标签的排列顺序pbmc$cell_type <- factor( x= pbmc$cluster_by_counts ,c("Naive CD4 T", "CD14+ Mono", "Memory CD4 T",                                                       "B", "CD8 T","FCGR3A+ Mono", "Platelet", "NK", "DC"))#调整倾斜角度和颜色DoHeatmap(pbmc,features = g,group.by = "cell_type",group.colors = mycolors,          size = 3,angle = -50,hjust=0.8) +   scale_fill_gradientn(colors = c("white","grey","firebrick3"))

使用group.colors调整分组颜色——可以设置和umap图一样的颜色，使用scale_fill_gradientn调整热图的颜色，一般设置三个颜色

图片

2. 重新scale并且抽样展示

正好看到群里有朋友在问，为什么选了top5基因进行可视化的时候，通常会发现展示的时候只剩下3到4个基因？

之前做细胞类群注释top5基因的dotplot的时候经常发现剩3个4个基因，我以为是这一步2000筛除了

因为DoHeatmap中默认slot = "scale.data" ，也就是用的数据是ScaleData后的结果数据集。而FindAllMarkers中默认slot = "data" ，也就是用的数据是NormalizeData后的数据集。

因此就可能会造成DoHeatmap画热图时，不在前2000个高变基因中的marker不出现在热图中。可以基于top基因重新scale，并且抽样展示，不展示全部的细胞

#基于top基因重新scale并随机抽样pbmc.Scale <- ScaleData(subset(pbmc,downsample=100),features = g )  DoHeatmap(pbmc.Scale,          features = g,          group.by = "cell_type",size = 3,          assay = 'RNA', label = T)+  scale_fill_gradientn(colors = c("white","grey","firebrick3"))

图片

3.是否展示图例

一般是默认展示图例的，如果不想展示的话可以加上NoLegend()，选择不展示图例

DoHeatmap(pbmc.Scale,          features =  g,          group.by = "cell_type",size = 3,          assay = 'RNA', label = T)+NoLegend()+  scale_fill_gradientn(colors = c("white","grey","firebrick3"))

图片

小结

这期推文主要整理了一下DoHeatmap的常用参数，以及基于DoHeatmap的参数我们可以进行的一些图片调整与美化。

很多朋友在进行热图可视化的时候，会选择用到Complexheatmap包，进行美化。那下期可以一起来学习一下使用Complexheatmap绘制热图。

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。