單細胞繪圖系列：

• Seurat繪圖函數(shù)總結(jié)
• 使用ggplot2優(yōu)化Seurat繪圖
• scRNAseq靈活的點圖繪制：FlexDotPlot
• 富集分析結(jié)果雷達圖
• DoHeatmap的優(yōu)化+ComplexHeatmap繪制帶特定基因的單細胞熱圖
• 不同單細胞群之間的相關(guān)性分析

在讀文獻Single-cell RNA sequencing reveals distinct tumor
microenvironmental patterns in lung adenocarcinoma的時候，看到這樣的熱圖

Supplemental Figure 3G: Heatmap of the top 30 genes positively or negatively correlated with principal component 1 which were defined as the “alveolar/club-like” and “undifferentiated” gene signature, respectively, shown for the top 500 cells with the highest or lowest PCA scores, respectively.

# 代碼：
DimHeatmap(epi_pca, dims = 1, cells = 1000, balanced = T, fast = F, nfeatures = 60) +
  scale_fill_viridis()

這個熱圖的行是top 30 genes positively or negatively correlated with principal component 1，列是 top 500 cells with the highest or lowest PCA scores。那行的這些基因和列的這些細胞是怎么得到的呢？

1. RunPCA()結(jié)果解讀

我們在做單細胞數(shù)據(jù)分析，進行RunPCA()的時候，會返回如下消息：

pbmc <- RunPCA(pbmc, features = VariableFeatures(object = pbmc))
# PC_ 1 
# Positive:  CST3, TYROBP, LST1, AIF1, FTL, FTH1, LYZ, FCN1, S100A9, TYMP 
#      FCER1G, CFD, LGALS1, S100A8, CTSS, LGALS2, SERPINA1, IFITM3, SPI1, CFP 
#      PSAP, IFI30, SAT1, COTL1, S100A11, NPC2, GRN, LGALS3, GSTP1, PYCARD 
# Negative:  MALAT1, LTB, IL32, IL7R, CD2, B2M, ACAP1, CD27, STK17A, CTSW 
#      CD247, GIMAP5, AQP3, CCL5, SELL, TRAF3IP3, GZMA, MAL, CST7, ITM2A 
#      MYC, GIMAP7, HOPX, BEX2, LDLRAP1, GZMK, ETS1, ZAP70, TNFAIP8, RIC3 
# PC_ 2 
# Positive:  CD79A, MS4A1, TCL1A, HLA-DQA1, HLA-DQB1, HLA-DRA, LINC00926, CD79B, HLA-DRB1, CD74 
#      HLA-DMA, HLA-DPB1, HLA-DQA2, CD37, HLA-DRB5, HLA-DMB, HLA-DPA1, FCRLA, HVCN1, LTB 
#      BLNK, P2RX5, IGLL5, IRF8, SWAP70, ARHGAP24, FCGR2B, SMIM14, PPP1R14A, C16orf74 
# Negative:  NKG7, PRF1, CST7, GZMB, GZMA, FGFBP2, CTSW, GNLY, B2M, SPON2 
#      CCL4, GZMH, FCGR3A, CCL5, CD247, XCL2, CLIC3, AKR1C3, SRGN, HOPX 
#      TTC38, APMAP, CTSC, S100A4, IGFBP7, ANXA1, ID2, IL32, XCL1, RHOC 
# PC_ 3 
# Positive:  HLA-DQA1, CD79A, CD79B, HLA-DQB1, HLA-DPB1, HLA-DPA1, CD74, MS4A1, HLA-DRB1, HLA-DRA 
#      HLA-DRB5, HLA-DQA2, TCL1A, LINC00926, HLA-DMB, HLA-DMA, CD37, HVCN1, FCRLA, IRF8 
#      PLAC8, BLNK, MALAT1, SMIM14, PLD4, LAT2, IGLL5, P2RX5, SWAP70, FCGR2B 
# Negative:  PPBP, PF4, SDPR, SPARC, GNG11, NRGN, GP9, RGS18, TUBB1, CLU 
#      HIST1H2AC, AP001189.4, ITGA2B, CD9, TMEM40, PTCRA, CA2, ACRBP, MMD, TREML1 
#      NGFRAP1, F13A1, SEPT5, RUFY1, TSC22D1, MPP1, CMTM5, RP11-367G6.3, MYL9, GP1BA 
# PC_ 4 
# Positive:  HLA-DQA1, CD79B, CD79A, MS4A1, HLA-DQB1, CD74, HLA-DPB1, HIST1H2AC, PF4, TCL1A 
#      SDPR, HLA-DPA1, HLA-DRB1, HLA-DQA2, HLA-DRA, PPBP, LINC00926, GNG11, HLA-DRB5, SPARC 
#      GP9, AP001189.4, CA2, PTCRA, CD9, NRGN, RGS18, GZMB, CLU, TUBB1 
# Negative:  VIM, IL7R, S100A6, IL32, S100A8, S100A4, GIMAP7, S100A10, S100A9, MAL 
#      AQP3, CD2, CD14, FYB, LGALS2, GIMAP4, ANXA1, CD27, FCN1, RBP7 
#      LYZ, S100A11, GIMAP5, MS4A6A, S100A12, FOLR3, TRABD2A, AIF1, IL8, IFI6 
# PC_ 5 
# Positive:  GZMB, NKG7, S100A8, FGFBP2, GNLY, CCL4, CST7, PRF1, GZMA, SPON2 
#      GZMH, S100A9, LGALS2, CCL3, CTSW, XCL2, CD14, CLIC3, S100A12, CCL5 
#      RBP7, MS4A6A, GSTP1, FOLR3, IGFBP7, TYROBP, TTC38, AKR1C3, XCL1, HOPX 
# Negative:  LTB, IL7R, CKB, VIM, MS4A7, AQP3, CYTIP, RP11-290F20.3, SIGLEC10, HMOX1 
#      PTGES3, LILRB2, MAL, CD27, HN1, CD2, GDI2, ANXA5, CORO1B, TUBA1B 
#      FAM110A, ATP1A1, TRADD, PPA1, CCDC109B, ABRACL, CTD-2006K23.1, WARS, VMO1, FYB 

Positive和Negative就是PC軸的正負映射關(guān)系，正值為Positive，負值為Negative。返回的是正值和負值絕對值最大的top30?？梢岳斫鉃閷λ屑毎麉^(qū)分度最大的基因。

上面那張熱圖用的60個基因就是PC_ 1 Positive和Negative的30個基因。

在運行完RunPCA()之后，得到2個分解矩陣。以2000個細胞*20000個基因的矩陣為例，會得到一個2000 X 50 的權(quán)重矩陣，另一個是50 X 20000 的系數(shù)矩陣。
剛剛返回的信息可以采用如下方法調(diào)?。?/p>

View(pbmc@reductions[["pca"]]@feature.loadings)

系數(shù)矩陣

這部分結(jié)果行是高變基因，列是50個PC，展示的是每個基因?qū)?yīng)在PC軸上的映射。運行RunPCA()時返回的基因就是每個PC(列)上數(shù)值最大(Positive)和最小(Negative)的top30基因。

值得注意的是，每一個PC 軸所對應(yīng)的基因具有強相關(guān)性，代表了獨特的生物學功能，所以在很多研究中，將每個PC 軸對應(yīng)強相關(guān)的基因作為一個factor，研究細胞在生物學功能上的動態(tài)變化。也就是開頭那張圖。

除了上面那個矩陣以外，PCA的結(jié)果還包含如下矩陣

View(pbmc@reductions[["pca"]]@cell.embeddings)

權(quán)重矩陣

這部分結(jié)果行是所有的細胞，列是50個PC。矩陣中的值是每個細胞在低維PCA軸上的映射坐標。（也就是我們使用PC_1和PC_2畫PCA圖時候的細胞坐標）細胞在PC 軸上的分布代表主要的變化方向（所以有的軟件借助PCA 降維
來進行軌跡推斷）。

DimPlot(pbmc,reduction = 'pca')

上圖的列的1000個細胞，就是取了PC_1這個軸上，所有基因投射值最大的500個最小的500個細胞

這部分的結(jié)果是可以直接使用FeaturePlot()進行可視化的

p1=FeaturePlot(pbmc,features = "PC_1", order = T)
p2=FeaturePlot(pbmc,features = "PC_2", order = T)
p1|p2

結(jié)合每個PC 軸對應(yīng)的生物學功能，還可以得到類似下面的圖譜

2. DimHeatmap的用法

最前面那張圖是使用DimHeatmap()函數(shù)畫的，使用pbmc數(shù)據(jù)集來畫一下。

library(Seurat)
library(viridis)
pbmc <- readRDS("pbmc.rds")
DimHeatmap(object = pbmc,dims = 1,cells = 1000,balanced = T, fast = F,nfeatures = 30)+scale_fill_viridis()

不設(shè)置cells = 1000，熱圖會不對稱性，不設(shè)置fast = F，無法使用scale_fill_viridis()更改顏色

PCA原理解讀和繪制方法
10X單細胞10X空間轉(zhuǎn)錄組降維分析之PCA軸的秘密