单细胞常见的可视化方式有DimPlot，FeaturePlot ，DotPlot ，VlnPlot 和 DoHeatmap几种 ，Seurat均可以实现，但文献中的图大多会精美很多。比如
惊艳umap图: scRNA复现|所见即所得，和Cell学umap，plot1cell完成惊艳的细胞注释umap图；
DimPlot美化 scRNA分析 | 定制 美化FeaturePlot 图，你需要的都在这,
DotPlot美化scRNA分析| 和SCI学 定制化聚类点图（Dotplot ），含二行代码出图方式，
本次介绍DoHeatmap 热图的美化。
（1）Seurat优化
（2）dittoSeq 一键式 热图
（3）scillus 一键式 热图
一 载入R包，数据
仍然使用之前注释过的sce.anno.RData数据 ，后台回复 anno 即可获取
library(Seurat)library(tidyverse)library(viridis)library(RColorBrewer)load("sce.anno.RData")head(sce2,2)
二 Seurat 调整，美化
1，计算marker 基因
首先计算marker基因，然后使用seurat的DoHeatmap 函数绘制初始热图
all_markers <- FindAllMarkers(object = sce2)top5 <- all_markers %>% group_by(cluster) %>% top_n(5, avg_log2FC)##Seurat 初始热图DoHeatmap(sce2,top5$gene)
相较文献可调整（1）anno的标签有无以及大小（2）热图的颜色（3）聚类与否（4）是否添加sample，group 以及 评分等anno中相关信息的注释。
2，优化颜色，标签
基于seurat的基础上，同样也可以使用ggplot2 的一些函数进行美化
DoHeatmap(sce2, label = F ,features = as.character(unique(top5$gene)),group.by = "celltype",assay = "RNA",group.colors = c("#C77CFF","#7CAE00","#00BFC4","#F8766D","#AB82FF","#90EE90","#00CD00","#008B8B","#FFA500"))+scale_fill_gradientn(colors = c("navy","white","firebrick3"))
至于是否聚类，更多meta信息的注释，交给后续选手了！
三 "定制"热图
提取单细胞矩阵，然后使用pheatmap 或者 complexheatmap 进行绘图
mat <- GetAssayData(pbmc,slot = 'scale.data')注意使用scale后的数据，该方法需要一些基础知识的组合，以及时间的调整，但绝对是值得的。一些绘图细节可以参考：
scRNA分析| 和SCI学 定制化聚类点图（Dotplot ），含二行代码出图方式
下面同样给出封装比较好的2个现有R包，都可以一个函数完成多种美化内容，自行选取一个即可。
四 dittoSeq 绘制
使用dittoSeq 包中的dittoHeatmap函数，快速且简单的完成热图绘制以及多个meta信息的注释
#BiocManager::install("dittoSeq")library(dittoSeq)dittoHeatmap(sce2, top5$gene,annot.by = c("celltype", "sample","AUCell"))
可以使用??dittoHeatmap 查看更多的参数 或者 参照文末的链接，自定义热图的颜色，anno的颜色，是否聚类等。
五 scillus 绘制
scillus-R 包也是一个神器，这里只展示热图的绘制，更多的单细胞可视化参考文末的参考链接。
#devtools::install_github("xmc811/Scillus", ref = "development")library(Scillus)#使用和umap一致的颜色my36colors <-c('#E5D2DD', '#53A85F', '#F1BB72', '#F3B1A0', '#D6E7A3', '#57C3F3', '#476D87','#E95C59', '#E59CC4', '#AB3282', '#23452F', '#BD956A', '#8C549C', '#585658','#9FA3A8', '#E0D4CA', '#5F3D69', '#C5DEBA', '#58A4C3', '#E4C755', '#F7F398','#AA9A59', '#E63863', '#E39A35', '#C1E6F3', '#6778AE', '#91D0BE', '#B53E2B','#712820', '#DCC1DD', '#CCE0F5', '#CCC9E6', '#625D9E', '#68A180', '#3A6963','#968175')plot_heatmap(dataset = sce2,markers = top5$gene,sort_var = c("celltype","sample"),anno_var = c("celltype","sample","percent.mt","AUCell"),anno_colors = list("Set2", # RColorBrewer palettemy36colors, # color vecto"Reds","Greens"))
使用和umap一致的颜色，方便对比。anno_colors 接受一个list对象，根据anno_var 中的注释变量的情况，选择连续或者分类的颜色。
参考资料：
https://scillus.netlify.app/vignettes/plotting.html
https://bioconductor.org/packages/devel/bioc/vignettes/dittoSeq/inst/doc/dittoSeq.html
◆ ◆ ◆ ◆ ◆
精心整理（含图PLUS版）|R语言生信分析，可视化（R统计，ggplot2绘图，生信图形可视化汇总）
