我们生信技能树的单细胞月更群里面经常看到小伙伴提出的图片美化需求，这就来看看单细胞umap美化工具吧！
第一种：SCP 包（这个包非常的出色）
关于SCP，我们前面也有一个专门的专辑对其进行了大篇幅的介绍，不知道大家用起来了没呢？
端到端的单细胞管道SCP-整合流程 端到端的单细胞管道SCP-细胞质控 端到端的单细胞管道SCP-标准流程 端到端的单细胞管道SCP-快速开始 SCP—为单细胞分析设计的端到端解决方案 端到端的单细胞管道SCP-安装
其学习的官网地址为：https://zhanghao-njmu.github.io/SCP/index.html
没有安装的，这次就不要再错过啦：
# 安装
devtools::install_github("zhanghao-njmu/SCP")
本次，我们使用的数据为来自 GSE128531 数据注释后的seurat对象，你自己用的时候可以使用任何一个经过了注释后的seurat对象。
rm(list=ls())
library(COSG)
library(harmony)
library(ggsci)
library(dplyr)
library(future)
library(Seurat)
library(clustree)
library(cowplot)
library(data.table)
library(dplyr)
library(ggplot2)
library(patchwork)
library(stringr)
library(qs)
# 导入数据
sce.all.int <- readRDS('2-harmony/sce.all_int.rds')
sp <- 'human'
head(sce.all.int@meta.data)
load("phe.Rdata")
head(phe)
sce.all.int <- AddMetaData(sce.all.int, metadata = phe)
Idents(sce.all.int) <- "celltype"
table(Idents(sce.all.int))
看一下它对UMAP可视化的厉害之处！
1、先看默认主题一键出图：
################## umap1
library(SCP)
head(sce.all.int@meta.data)
CellDimPlot(sce.all.int, group.by = "celltype", reduction = "UMAP")
这个配色非常CNS，且图中展示了总细胞数，每个亚群的细胞数这些信息：
2、坐标改成 左下小箭头，也是大家非常常见的需求！
# 左下小箭头
CellDimPlot(sce.all.int, group.by = "celltype", reduction = "UMAP", theme_use = "theme_blank")
3、只显示X、Y轴
还可以一键调整整体字体大小：
CellDimPlot(sce.all.int, group.by = "celltype", reduction = "UMAP",
theme_use = ggplot2::theme_classic, theme_args = list(base_size = 16))
上面三个是我最喜欢的ump风格，还有很多其他，总有你的一款：
第二种：Nebulosa（r包）
Nebulosa 是一个基于核密度估计可视化单细胞数据的 R 包，主要通过结合细胞之间的相似性来恢复丢失特征中的信号，从而实现细胞特征的“卷积”。
学习官网：https://bioconductor.org/packages/devel/bioc/vignettes/Nebulosa/inst/doc/nebulosa_seurat.html
Nebulosa 的主要功能是 plot_density，让我们按照以下方式绘制 一些marker基因 的核密度估计图，展示的marker基因表达水平高低：
# 安装一下
options(BioC_mirror="https://mirrors.westlake.edu.cn/bioconductor")
options("repos"=c(CRAN="https://mirrors.westlake.edu.cn/CRAN/"))
BiocManager::install("Nebulosa")
library(Nebulosa)
1、 绘制一个基因PTPRC
这种图也是在很多CNS级别的文章中出现的：
# 绘制一个基因PTPRC
p1 <- plot_density(sce.all.int, c("PTPRC"),size = 0.3)
p1
2、绘制多个基因
# 同时绘制多个基因
p3 <- plot_density(sce.all.int, c("CD3D","CD4","CD8A","CD68"),size = 0.3)
p3
结果如下：
3、绘制基因共表达
这里可以同时展示两个基因都表达的地方：
# combine = FALSE 只保留两个基因都表达的区域
p4 <- plot_density(sce.all.int, c("CD8A", "CCR7"), joint = TRUE,combine = FALSE)
p4
第三种：scCustomize（r包）
学习官网：https://samuel-marsh.github.io/scCustomize/index.html
# 安装
# Base R
install.packages("scCustomize")
绘图：可以绘制一个marker，也可以展示多个marker：
################## umap4：scCustomize
library(viridis)
library(Seurat)
library(scCustomize)
FeaturePlot_scCustom(seurat_object = sce.all.int, features = c("VWF","CD3E"), order = F)
这种风格很像早期的椒盐绘图风格：你看这个着色点是不是很像洒在鸡腿上面的椒盐！（椒盐风格这个词我在一篇单细胞文献中遇到过，现在找不见了，当时还专门在群里问了来着哈哈哈哈）
还可以轻松地修改配色：
# 修改颜色
# Set color palette
pal <- viridis(n = 10, option = "D")
FeaturePlot_scCustom(seurat_object = sce.all.int, features = c("VWF","CD3E"),
colors_use = pal, order = T,pt.size = 0.3)
第四种：ggplot2绘制细胞密度umap图
在seurat包中有人提出一个绘图需求：https://github.com/satijalab/seurat/issues/6962
这种图主要用来处理数据点重叠问题时非常有用，使用 MASS::kde2d() 进行二维核密度估计，并通过等高线显示结果，geom_density_2d() 绘制等高线，而 geom_density_2d_filled() 绘制填充的等高线带。
链接：https://ggplot2.tidyverse.org/reference/geom_density_2d.html
library(cetcolor)
library(Seurat)
library(ggplot2)
# 设置颜色
scale.col <- cet_pal(16, name = "fire")
# generate UMAP plot
pl1 <- UMAPPlot(sce.all.int, combine = FALSE) # returns full ggplot object
pl1
# make plot
pl1[[1]] &
stat_density_2d(aes_string(x = "umap_1", y = "umap_2", fill = "after_stat(level)"),
linewidth = 0.2, geom = "density_2d_filled",
colour = "ivory", alpha = 0.4, n = 150, h = c(1.2, 1.2)) &
scale_fill_gradientn(colours = scale.col) &
DarkTheme()
这种风格很独特：
第五种：ggpointdensity（r包）
在二维坐标系中可视化数据点有几种方法：如果你有大量的数据点重叠在一起，geom_point() 无法为你提供重叠点的数量估计。
刚刚上面介绍的geom_density2d() 和 geom_bin2d() 可以解决这个问题，但它们使得无法调查个别异常点，而这些异常点可能具有研究价值。
geom_pointdensity() 旨在通过结合两者的优点来解决这个问题：各个点根据邻近点的数量进行着色。这使得你既能看到整体分布，也能看到个别点。
学习官网：https://github.com/LKremer/ggpointdensity
细胞密度图：
# 安装
install.packages("ggpointdensity")
library(ggpointdensity)
# 提取umap坐标数据
dat <- Embeddings(sce.all.int, reduction = "umap")
head(dat)
# umap_1 umap_2
# SC67mf2_AAACCTGAGAGTAATC -3.541568 5.127461
# SC67mf2_AAACCTGAGCGCTTAT -6.623588 -3.025122
# SC67mf2_AAACCTGAGGACACCA -4.586405 1.513219
ggplot(data = dat, mapping = aes(x = umap_1, y = umap_2)) +
geom_pointdensity() +
scale_color_viridis()
当然，它还可以展示marker特征基因表达：
# 提取umap坐标以及特征基因表达
df <- FetchData(object =sce.all.int, vars = c("umap_1", "umap_2", "CD3D"), layer = "data")
head(df)
# umap_1 umap_2 CD3D
# SC67mf2_AAACCTGAGAGTAATC -3.541568 5.127461 0.000000
# SC67mf2_AAACCTGAGCGCTTAT -6.623588 -3.025122 1.430228
# SC67mf2_AAACCTGAGGACACCA -4.586405 1.513219 0.000000
p <- ggplot(df, aes(x= umap_1, y= umap_2 )) +
geom_point(data = df %>% filter(CD3D == 0), color = "#440154FF", size = 0.6) +
ggpointdensity::geom_pointdensity(data = df %>% filter(CD3D > 0), size = 0.6) +
viridis::scale_color_viridis() +
theme_classic(base_size = 14) +
labs(color= "CD3D")
p
结果如下：
上面哪一款是你的菜？可以在评论区大声说出来（爱就要勇敢说出来！）。
友情宣传：
