空轉分析代碼備忘錄：seurat可視化代碼雕琢

作者：ahworld
鏈接：空轉分析代碼備忘錄：seurat可視化代碼雕琢
來源：微信公眾號seqyuan
著作權歸作者所有，任何形式的轉載都請聯(lián)系作者。

簡介

目前常見的空間轉錄組數(shù)據(jù)技術平臺有：

seurat軟件以其簡單易用性，通過特定的矩陣格式轉換，能夠兼容大多數(shù)平臺的數(shù)據(jù)格式。為了發(fā)表文章，圖片美化的需要，在做項目過程中經(jīng)常用到一些優(yōu)化的代碼，在這里做個備忘。

1. 可視化圖片保持空轉切片長寬比

有時候我們做空轉分析采用SpatialFeaturePlot或SpatialDimPlot畫圖，經(jīng)常發(fā)現(xiàn)圖片的長寬比例與原始切片相比有壓縮或者拉伸，下面的代碼能夠幫助我們解決這個問題。

下面圖是這個芯片采用stereropy軟件可視化的效果（讓我們對這個切片有一個感官的了解）。

我們下載處理了這個STO切片的數(shù)據(jù)，設置bin50轉換成了seurat能夠讀取的rds對象。

SS200000135TL_D1.tissue.gem.gz轉換成bin50分辨率seurat rds的過程不是這篇文章的內(nèi)容。

suppressPackageStartupMessages({
    library(Seurat)
    library(ggplot2)
    library(viridis)
    library(patchwork)
    library(RColorBrewer)
})

# 讀取數(shù)據(jù)
rds <- readRDS('./mouse_brain_sto.rds')

圖片長寬比修正

下面左圖為正?？梢暬Y果，正常的可視化會使圖片的長寬比失真，我們加一些修飾代碼使可視化的結果保持切片的長寬比。

options(repr.plot.width=7, repr.plot.height=4)

p1 <- SpatialFeaturePlot(rds, features = "nCount_Spatial")
p2 <- p1 + theme_gray()+xlab("")+ylab("")+theme(axis.text = element_blank(),axis.ticks=element_blank())

p1+p2

[圖片上傳失敗...(image-4974cd-1706604409823)]

去除point黑色邊圈

默認的可視化會把spot加上黑邊，當spot點很密集的時候整個圖片會顯示的比較暗，可以設置stroke=NA來使圖片變得明亮。

p1 <- SpatialDimPlot(rds)
p2 <- SpatialDimPlot(rds, stroke=NA) 
p2 <- p2 + guides(color=guide_legend(override.aes = list(size=8), ncol=2))
p2 <- p2 + theme_gray()+xlab("")+ylab("")
p2 <- p2 + theme(axis.text = element_blank(),axis.ticks=element_blank())

p1+p2

2. 用seurat單細胞的函數(shù)實現(xiàn)空轉spot分布

  • 在seurat中FeaturePlot, DimPlot是單細胞數(shù)據(jù)可視化的函數(shù)
  • SpatialDimPlot, SpatialFeaturePlot是空轉數(shù)據(jù)可視化的函數(shù)

下面的操作可以使空轉的數(shù)據(jù)能夠用單細胞的函數(shù)(FeaturePlot, DimPlot)進行可視化，以達到高度定制圖片的目的。

有這個想法，是因為前一陣做數(shù)據(jù)探索時，發(fā)現(xiàn)下載的一篇宮頸癌STO的文章數(shù)據(jù)就這這種結構，能夠非常方便的進行定制化修改。

spatial_corr <- rds@images$slice1@coordinates[,c('col', 'row')]
colnames(spatial_corr) <- c('s_1', 's_2')
spatial_corr <- as.matrix(spatial_corr)
rds[["spatial"]] <- CreateDimReducObject(embeddings=spatial_corr, key = "s_", assay = "Spatial")

options(repr.plot.width=10.5, repr.plot.height=4)

p1 <- FeaturePlot(rds, features = "nCount_Spatial", reduction='spatial') + 
    scale_y_reverse() + 
    scale_colour_viridis(option="inferno") + theme_void()
p2 <- FeaturePlot(rds, features = "Neurod6", reduction='spatial') +
    scale_y_reverse() + 
    scale_colour_viridis(option="D") + theme_void()

mycolor <- colorRampPalette(brewer.pal(8,'Set2'))(18)

p3 <- DimPlot(rds, reduction='spatial', cols=mycolor) + 
    guides(color=guide_legend(override.aes = list(size=6), ncol=2)) +
    theme_void() + scale_y_reverse()

p1+p2+p3+plot_layout(ncol=3, nrow=1)

Nature Genetics 文章圖風格復現(xiàn)

前面提到的宮頸癌STO數(shù)據(jù)就是來源于下面要復現(xiàn)的文章，文章在2023年3月發(fā)表在Nature Genetics雜志，切片數(shù)據(jù)為sterero-seq平臺產(chǎn)生，作者提供的是seurat的rds對象格式供研究者使用。文章doi: 10.1038/s41588-023-01570-0

下面圖是文章中的原圖截圖

這個對象的空間信息并沒有保存在images里而是像我們前面一樣保存在了reductions里面，關鍵字是spatial。所以我們能用seurat中單細胞的可視化函數(shù)對這個數(shù)據(jù)進行可視化。

suppressPackageStartupMessages({
    library(Seurat)
    library(ggplot2)
    library(viridis)
    library(patchwork)
    library(RColorBrewer)
    library(paletteer)
})

Newf <- function(RDS, feature, ad=1, limits=1){
    viridis_plasma_light_high <- as.vector(x = paletteer_c(palette = "viridis::inferno", n = 250, direction = 1))
    viridis_plasma_light_high <- c( rep("black", ad), viridis_plasma_light_high)

    p <- FeaturePlot(RDS, features = feature, reduction='spatial')
    p <- p + theme_void()+ theme(
                axis.ticks=element_blank(),
                axis.text.x = element_blank(),
                axis.text.y = element_blank(),
                axis.line = element_blank(),
                panel.border = element_rect(color = "white", fill = NA, size =2),
            ) + 
        DarkTheme() +
        xlab(NULL) + 
        ylab(NULL)
    if (length(limits)==1){
        p <- p + scale_colour_gradientn(colours=viridis_plasma_light_high, na.value = "black") 
    }else{
        p <- p + scale_colour_gradientn(colours=viridis_plasma_light_high, na.value = "black",limits=limits)
    }

    return (p)
}

# 讀取下載的數(shù)據(jù)
ca <- readRDS('spatial.rds')

p1 <- Newf(ca, "CD4 T")
p2 <- Newf(ca, "CD8 T")
p3 <- Newf(ca, "B")
p4 <- Newf(ca, "DC")
p5 <- Newf(ca, "Macro")
p6 <- Newf(ca, "Endothelial")
p7 <- Newf(ca, "Fibroblast")
p8 <- Newf(ca, "Program_C6")
p9 <- Newf(ca, "Program_C7")

options(repr.plot.width=8.5, repr.plot.height=10)
p <- p1+p2+p3+p4+p5+p6+p7+p8+p9 + plot_layout(ncol=3, nrow=3)
p
#ggsave("out.pdf", p, w=8.5, h=10)

trick: 和文章圖還有一點差別，這個差別就是為什么我們定義的Newf函數(shù)有一個ad參數(shù)和背景用黑色原因，設置ad參數(shù)能夠在colorbar系列的小值增加黑色，這樣一些低表達的spot就被隱藏在黑色背景里了，當我們要突出切片輪廓時，可以設置ad=0。

總結以上用到的備忘知識點：

  1. 還原圖片的長寬比
  2. 黑圈消失術
  3. legend點放大術
  4. rds對象根據(jù)自定義坐標增加reduction
  5. 低表達spot隱藏術
?著作權歸作者所有,轉載或內(nèi)容合作請聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時請結合常識與多方信息審慎甄別。
平臺聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點，簡書系信息發(fā)布平臺，僅提供信息存儲服務。

相關閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容