写在开头
从八月份开始整理单细胞中，不同方式可视化marker基因的系列推文，目前已经整理过了Doheatmap、DotPlot以及VlnPlot常见参数及其美化
接下来会基于FeaturePlot可视化及美化，那一起来了解一下FeaturePlot可视化及常用参数叭！
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)
FeaturePlot可视化
FeaturePlot——Visualize 'features' on a dimensional reduction plot
Colors single cells on a dimensional reduction plot according to a 'feature' (i.e. gene expression, PC scores, number of genes detected, etc.)
FeaturePlot绘图可以根据“特征”（即基因表达、PC分数、检测到的基因数量等）在降维图上给单个细胞上色。
1. 基因表达可视化
FeaturePlot(pbmc, features = g[1:4])
FeaturePlot函数用于在Seurat对象的降维空间（如UMAP）中绘制特定基因的表达情况。每个特征的表达水平通过颜色的深浅来表示，颜色条显示了表达水平的范围。
UMAP坐标轴：图的x轴和y轴代表UMAP的两个维度（umap_1和umap_2），是高维数据降维后的结果，用于展示细胞之间的相似性。
颜色表示表达水平：
每个点代表一个细胞，颜色的深浅表示该细胞中特定基因的表达水平。 颜色条显示了表达水平的范围，从低表达（通常是颜色条的起始颜色）到高表达（颜色条的结束颜色）。 通过观察不同特征的表达模式，可以识别出不同的细胞群体。
2. PC维度可视化
p1 <- FeaturePlot(pbmc, features = 'PC_1')
p2 <- DimPlot(pbmc, reduction = "umap", label = TRUE, repel = T,pt.size = 0.5) + NoLegend()
p1+p2
在之前整理PCA结果推文中——单细胞PCA降维结果理解中就看过不同PC维度基因对分群的影响
print(pbmc[["pca"]], dims = 1:5, nfeatures = 10)
所以根据PC_1（主成分1）的表达情况在UMAP的二维空间中可视化，可以看到主要是髓系相关的基因高亮
FeaturePlot参数浅析
一些默认常用参数：
object：一个Seurat对象，包含了要可视化的单细胞数据。features：要绘制的特征向量。这些特征可以是基因名称、元数据列（如线粒体百分比）或降维对象中的列名（如PC1得分）。dims：要绘制的维度，必须是一个包含两个数值的向量，指定x和y维度。cells：要绘制的细胞向量（默认是所有细胞）。pt.size：调整绘图点的大小。alpha：绘图的透明度值（默认为1）。order：布尔值，确定是否根据表达水平对细胞进行排序。keep.scale：如何处理多个图表的颜色尺度。选项有“feature”（默认；按行/特征缩放）、“all”（通用缩放）和“none”（无缩放）。slot：从哪个slot中提取表达数据。
可调节参数
blend参数可视化两个基因
blend：缩放和混合表达值以可视化两个特征的共表达。blend.threshold：从弱信号到强信号的颜色截止值；范围从0到1。cols：用于形成渐变的两种颜色。提供为字符串向量，第一个颜色对应低值，第二个对应高值。也可以接受Brewer颜色尺度或颜色向量。注意：这将根据提供的颜色数量对数据进行分箱。当blend为TRUE时，可以接受1-3种颜色。
FeaturePlot(pbmc, features = c('S100A9','S100A8'),
cols = c("lightgrey", "green", "orange"),
blend=T,blend.threshold=0)
Featureplot还可以通过 blend参数把两个基因画在同一个图中,通过右上角的颜色值可以发现黄色越深的地方两个基因叠加越多：
设定图例最大和最小阈值
通过修改cutoff参数来调整颜色（表达水平）的对比度，这样可以更清楚地区分表达水平的高低。
min.cutoff、max.cutoff：每个特征的最小和最大截止值向量，可以指定为分位数（例如'q1', 'q10'）。
在没有设置 min.cutoff 和 max.cutoff 的情况下，FeaturePlot 默认使用整个表达数据范围来映射颜色，这可能会导致表达水平较低的细胞在可视化中不够明显。
FeaturePlot(pbmc, features = g[1:4],min.cutoff = "q10", max.cutoff = "q90")
min.cutoff = "q10"：设置表达水平的最小截止值为第10百分位数（即10th percentile），表示在绘图时，只有表达水平高于数据集中10%的细胞的特征会被考虑，低于这个百分位数的表达水平将不会被显示。
max.cutoff = "q90"：设置表达水平的最大截止值为第90百分位数（即90th percentile），表示在绘图时，只有表达水平低于数据集中90%的细胞的特征会被考虑，高于这个百分位数的表达水平将不会被显示。
选择降维可视化方式
reduction：使用哪种降维方法。如果没有指定，首先搜索UMAP，然后是t-SNE，最后是PCA。
FeaturePlot(pbmc, features = g[1:4],reduction = "tsne",pt.size = 0.5)
分组展示或者改变性状
split.by：在对象元数据中的一个因子，用于分割图表，传递'ident'以按细胞身份分割。 (pbmc示例数据就一个分组，所以就不展示啦)shape.by：如果为NULL，则所有点都是圆形（默认）。可以指定任何细胞属性（可以使用FetchData获取），允许对细胞进行不同的颜色和形状标记。仅在raster = FALSE时适用。
FeaturePlot(pbmc, features = 'S100A9' ,pt.size = 1,
shape.by = 'celltype')
如果shape.by设置为NULL（默认值），那么所有的点都将是圆形的。 如果指定了一个细胞属性，那么这个属性的不同值将对应不同的形状，从而在图中为细胞着色的同时，也根据这个属性赋予细胞不同的形状。 使用shape.by参数时，可以指定的属性包括但不限于细胞的身份（如细胞类型）、细胞的活性状态、或者其他任何在Seurat对象的元数据中定义的属性，因此可以在图中提供额外的维度信息，使得图表更加丰富和信息量大。
结尾小结
以上简单整理了FeaturePlot可视化及常用参数，后续推文会根据FeaturePlot进行结果的美化，以及结合文章中的图进行学习绘制
如果你也想做单细胞转录组数据分析，最好是有自己的计算机资源哦，比如我们的2024的共享服务器交个朋友福利价仍然是800，而且还需要有基本的生物信息学基础，也可以看看我们的生物信息学马拉松授课，你的生物信息学入门课。
