单细胞分析 | 基因组区域的可视化 (1)

简介: 单细胞分析 | 基因组区域的可视化 (1)

引言

本篇教程将向您展示如何利用Signac软件包,将单细胞数据以基因组浏览器轨迹图的形式进行可视化展示。

为了进行演示,将采用处理过的人类外周血单个核细胞(PBMC)数据集。

library(Signac)
library(ggplot2)

# load PBMC dataset
pbmc <- readRDS("pbmc.rds")

Signac提供了多种基因组浏览器风格的图表类型,例如可及性轨迹图、基因注释图、峰值坐标图、基因组链接图以及片段位置图。

1聚合信号图

Signac 的核心绘图功能是CoveragePlot()函数,该函数用于计算在特定基因组区域内,不同细胞群体的测序DNA片段的平均覆盖频率。

roi = "chr2-86784605-86808396"

cov_plot <- CoveragePlot(
  object = pbmc,
  region = roi,
  annotation = FALSE,
  peaks = FALSE
)
cov_plot

还可以通过基因名称请求基因组区域。这将使用 Seurat 对象中存储的基因坐标来确定要绘制的基因组区域

CoveragePlot(
  object = pbmc,
  region = "CD8A",
  annotation = FALSE,
  peaks = FALSE
)

个性化图表设置

所有由Signac函数生成的图表都是基于ggplot2或patchwork的,这意味着您可以利用ggplot2或其他相关包的标准功能来进一步调整或个性化这些图表。比如,如果想要修改之前图表中轨迹的颜色,可以利用ggplot2包中的scalefill系列函数,比如使用scale_fill_brewer()函数来实现。

cov_plot + scale_fill_brewer(type = "seq", palette = 1)

## Scale for fill is already present.
## Adding another scale for fill, which will replace the existing scale.

## Warning in RColorBrewer::brewer.pal(n, pal): n too large, allowed maximum for palette Blues is 9
## Returning the palette you asked for with that many colors

cov_plot + scale_fill_brewer(type = "qual", palette = 1)

## Scale for fill is already present.
## Adding another scale for fill, which will replace the existing scale.

## Warning in RColorBrewer::brewer.pal(n, pal): n too large, allowed maximum for palette Accent is 8
## Returning the palette you asked for with that many colors

请注意,当您使用 Patchwork 来合并图表时,可以利用 & 运算符对合并后的对象中的所有图表进行统一的美学调整。

基因注释图

您可以使用 AnnotationPlot() 函数来绘制特定基因组区域内的基因注释信息。

gene_plot <- AnnotationPlot(
  object = pbmc,
  region = roi
)
gene_plot

峰值位置

您可以通过 PeakPlot() 函数在特定的基因组区域内绘制出峰值的位置信息。

peak_plot <- PeakPlot(
  object = pbmc,
  region = roi
)
peak_plot

基因组间的联系

利用 LinkPlot() 函数,可以绘制基因组位置上的相互关系。该函数会以弧线形式展示两个相关位置之间的连接,弧线的透明度与该连接的评分成正比。这种连接可以用来表示多种信息,比如调控关系(例如,将增强子与其调控的基因相连),或者是实验数据,比如染色体互作(Hi-C)。

为了展示这个功能,创建了一个模拟的链接,并将其加入到了PBMC数据集中进行示例说明。

link_plot <- LinkPlot(
  object = pbmc,
  region = roi
)
link_plot

相关文章
|
机器学习/深度学习 数据可视化 算法
泰酷辣!探索七种常用的机器学习图型
泰酷辣!探索七种常用的机器学习图型
1163 0
|
数据可视化
绘制热图时看不出颜色差异?四种方式转换处理使结果显而“易”见
绘制热图时看不出颜色差异?四种方式转换处理使结果显而“易”见
20663 2
如何用vcftools从VCF文件中提取某条染色体信息
如何用vcftools从VCF文件中提取某条染色体信息
|
数据可视化
Signac R|如何合并多个 Seurat 对象 (2)
Signac R|如何合并多个 Seurat 对象 (2)
338 11
Signac R|如何合并多个 Seurat 对象 (2)
|
8月前
|
Unix Linux C语言
【Linux】 Linux makefile 教程
本文详细介绍了 Linux 环境下 Makefile 的基本结构、语法和使用方法,并通过一个简单的 C++ 项目示例演示了 Makefile 的实际应用。Makefile 是一个强大而灵活的工具,通过合理配置,可以极大地简化项目的编译和管理过程,提高开发效率。希望本文能帮助您更好地理解和应用 Makefile,在实际项目中高效管理代码的编译和构建。
391 20
|
10月前
|
Ubuntu Linux
Linux 各发行版安装 ping 命令指南
如何在不同 Linux 发行版(Ubuntu/Debian、CentOS/RHEL/Fedora、Arch Linux、openSUSE、Alpine Linux)上安装 `ping` 命令,详细列出各发行版的安装步骤和验证方法,帮助系统管理员和网络工程师快速排查网络问题。
1111 20
|
数据可视化 Java 数据处理
单细胞|RNA-seq & ATAC-seq 联合分析
单细胞|RNA-seq & ATAC-seq 联合分析
|
存储 Java 关系型数据库
JavaWeb期末项目 图书馆管理系统
JavaWeb期末项目 图书馆管理系统
381 1
|
机器学习/深度学习 人工智能 开发者
AI音效生成器概述
这篇文章介绍了AI音效生成器如何助力提升创作体验。AI音效生成器,如ElevenLabs、Audiogen和LOVO AI,利用深度学习创造和编辑音效,为电影制作、游戏开发及播客制作人提供高效、高质量且多样的声音效果。这些工具节省了时间和成本,具有用户友好的界面,方便各类型创作者使用。考虑功能、易用性、音质、成本等因素,选择合适的AI音效生成器能显著增强内容的专业性和吸引力。
|
数据可视化 关系型数据库 数据挖掘
scRNA分析|一(尽)文(力)解决你的单细胞火山图问题
scRNA分析|一(尽)文(力)解决你的单细胞火山图问题
1369 0