小图最近阅读文献时候发现有关单细胞分析是越来越多，并且许多高分文章中的单细胞图都非常的好看。小图就突发奇想想去复现这些高分文章中的图片，想到他们能发这么高分的文章，这里面图想必加了不少分，毕竟数据可视化才最能体现数据的美观性，才能够吸引读者。所以，我们有时候想不知道如何可视化数据时候，可以借鉴高分文章中的图片，用在自己的文章中。因此呢，小图就找了一篇文章，《Single cell transcriptomic analyses implicate an immunosuppressive tumor microenvironment in pancreatic cancer liver metastasis》IF16.6，这么高分的文章，小图看了看这篇文章的图，发现许多图都是我们见过的，还很好复现，这些图都是拼接而成的，组成一个非常好看的图。就比如下面这个图b
上图中的图b是不是挺好看的，但是小伙伴发现没，这个图b是我们非常熟悉的图，可能我们平时都绘制过，但是又不一样，小图这里就带小伙伴去复现这个图b，
我们想要复现这个图，肯定需要从哪里下手，首先就是了解这个图的组成，仔细观察，小图发现这是由两种图组成，一个是堆叠的小提琴图，右边是气泡热图，好了我们知道这两个组图的名字之后就是去实现他们。
我们从右边的图下手，因为这个文章是单细胞的文章，小图自己也用了自己单细胞数据，小伙伴可以套用数据格式去复现哦，
我们开始载入几个包，
library(scRNAtoolVis) # 小图加载这个包，为了使用这个包的数据，
library(Seurat) # dotplot，单细胞绘图使用
library(cowplot) # plot_grid
httest <- system.file(“extdata”, “htdata.RDS”, package = “scRNAtoolVis”)
pbmc <- readRDS(httest)
然后我们载入数据
# 添加分组
pbmc$groups <- rep(c(‘stim’,’control’),each = 1319)
# 添加细胞类型
pbmc$celltype <- Seurat::Idents(pbmc)
# 载入 markergene
data(“top3pbmc.markers”)
这个其实就是我们一般单细胞操作官方流程后，跑完第一个数据结果，小伙伴可以直接使用
后面我们可以使用这个数据去绘制图片
# check
head(top3pbmc.markers,3)
p <- DotPlot(pbmc,
features = split(top3pbmc.markers$gene, top3pbmc.markers$cluster),
cols = c(“#dddddd”, “#448444”)
) +
RotatedAxis() + # 来自Seurat
theme(
panel.border = element_rect(color = “black”),
panel.spacing = unit(1, “mm”),
axis.title = element_blank(),
axis.text.y = element_blank(),
)#设置主题，
p$data$feature.groups2 <- factor(p$data$feature.groups,
levels = c(“Platelet”,”DC”,”NK”,
“FCGR3A+ Mono”,”CD8 T”,”B”,
“Memory CD4 T”,”CD14+ Mono”,”Naive CD4 T”))#注释单细胞数据
P
这样一来文章中右边的图就大致的绘制出来了，上面小图还加了单细胞的注释结果，更加丰富，但是发现有一些小细节没有处理到位，中间还有分割的线，下面我们在继续绘制，我们对细节的修改需要用到ggplot2中的参数处理来看看如何处理
我们使用ggplot2从头绘制
library(ggh4x)#需要用到里面的函数处理数据
library(RColorBrewer)#加载这个包只是为了填充颜色
#下面把数据填充一下，
strip <- strip_themed(
background_x = elem_list_rect(fill = brewer.pal(9, “Paired”)))
#下面绘制图片，从主题颜色等，
p$data %>%
ggplot(aes(x = features.plot,
y = id)) +
geom_point(aes(size = pct.exp,
color = avg.exp.scaled)) +
facet_wrap2(~feature.groups2,
scales = “free_x”,
strip = strip,
nrow = 1) +
#主题的修正
theme_classic() +
theme(axis.text.x = element_text(angle = 90,
hjust = 0.5, #气泡间距
vjust = 0.3,
color = “black”),
axis.title = element_blank(),
strip.background = element_rect(color = “white”),
axis.text.y = element_blank()) +
scale_color_gradient(low = “#ffffff”,#底数据颜色设置
high = “#448444”,
name = “avg.exp”) -> p
#上述的绘图，许多都是默认的参数，小伙伴可以方向去使用
P#查看一下图
这样一来我们右边的图就复现的差不多，对比一下
发现都已经差不多了，只是颜色的设置，小伙伴对此可以自行去设置，还有小图自己加的单细胞分组信息在上方，小伙伴不喜欢这个单细胞分组可以删除，只需要把strip这个信息注释掉就可以，
好了我们实现了右边的图片，去复现一下左边的堆叠小提琴图吧
我们先载入使用的包
library(Seurat)
library(ggpubr)
library(ggsignif)
载入我们实例的数据
其实堆叠小提琴图，小伙伴不少见，做单细胞数据都会用得到，来看看如何绘制的
# 加载数据对象
#
pbmc <- readRDS(“pbmc_2k_1.rds”)
identity <- readRDS(“pbmc_2k_2.rds”)
features <- c(“CD79A”, “MS4A1”, “CD8A”, “CD8B”, “LYZ”,
“LGALS3”)
我们提取几个基因绘制
# 提取数据框子集
pbmc <- pbmc[,features]
# 添加细胞name和细胞群身份
pbmc$Cell <- rownames(pbmc)
pbmc$Idents <- identity
对上述数据处理一下
# melt数据变长
pbmc <- reshape2::melt(pbmc,
id.vars = c(“Cell”,”Idents”),
measure.vars = features,
variable.name = “Feat”,
value.name = “Expr”)
# 查看数据前10行
head(pbmc, 10)
下面我们就去绘制图片
#主题theme（大小，颜色），legend
p2 <- ggplot(pbmc, aes(Feat, Expr, fill = Feat)) +
geom_violin(scale = “width”, adjust = 1, trim = TRUE) +
scale_y_continuous(expand = c(0, 0),
position=”right”,
labels = function(x)#对主题水平的设置
c(rep(x = “”, times = length(x)-2), x[length(x) – 1], “”)) +
facet_grid(rows = vars(Idents), scales = “free”, switch = “y”) +
#下面是对主题的设置
theme_cowplot(font_size = 12) +
theme(legend.position = “none”,
panel.spacing = unit(0, “lines”),#图中线的设置
plot.title = element_text(hjust = 0.5),
panel.background = element_rect(fill = NA, color = “black”),#颜色填充
plot.margin = margin(6, 6, 0, 6, “pt”),#图中小提琴图的间距
strip.background = element_blank(),
strip.text = element_text(face = “bold”),
strip.text.y.left = element_text(angle = 0),
axis.title.x = element_blank(),
axis.ticks.x = element_blank(),
axis.text.x = element_blank()) +
ggtitle(“”) +#添加主题名字，可以不写
ylab(“Expression Level”)#Y轴的名称
#coord_flip()#可以修改横纵坐标
p2
这个图是不是和文章中差不多了
一些细节还没处理到位，小伙伴要是需要将小提琴反转可以使用coord_flip()
我们下面对数据颜色的设置一下
spring <- c(“#f6bcfd”,”#8dd3c6″,”#ffc512″,”#ffa300″,”#ff7d00″,”#ff6581″,”#f8d90d”,”#a5da6b”,”#e578d6″,”#ffd2d8″,”#90e4cd”,”#84dce0″,”#fe65b3″)
对颜色赋值
library(scales)
show_col(spring,ncol=5)#查看一下有那些颜色
p1 <- ggplot(pbmc, aes(Feat, Expr, color = Feat, fill = Feat)) +
geom_violin(scale = “width”, adjust = 1, trim = TRUE) +
scale_y_continuous(expand = c(0, 0),
position=”right”,
labels = function(x)
c(rep(x = “”, times = length(x)-2), x[length(x) – 1], “”)) +
facet_grid(rows = vars(Idents), scales = “free”, switch = “y”) +
theme_cowplot(font_size = 12) +
theme(legend.position = “none”,
panel.spacing = unit(0, “lines”),
plot.title = element_text(hjust = 0.5),
panel.background = element_rect(fill = NA, color = “black”),
plot.margin = margin(6, 6, 0, 6, “pt”),
strip.background = element_blank(),
strip.text = element_text(face = “bold”),
strip.text.y.left = element_text(angle = 0),
axis.title.x = element_blank(),
axis.ticks.x = element_blank(),
axis.text.x = element_blank()) +
ggtitle(“”) +
ylab(“Expression Level”) +
scale_fill_manual(values = spring) +
scale_color_manual(values = spring)
和上述代码一样，小伙伴多多理解一下
p1
颜色可能没做到一样，但是也挺好看，那么这两个图我们都绘制完成了，我们就去组合一下这两个图，来看看最终的步骤
plot_grid(p1,p, align =”h”, axis=”bt”, rel_widths = c(2,7))
rel_widths这个可以设置两个组组合的比例
好了，我们的组合图就绘制完成了
对于上述的数据，小伙伴可以使用自己的数据去设置一下，要多多理解代码的意思，其实许多高分文章中的图片都是一步一步组合而来的，理解代码的意思，把自己的图绘制高级起来，小伙伴快去动手试试吧！