上节完成了拟时分析，剩下的内容就比较简单了，只需要可视化。我们可视化一些一般文章中出现的图。用到的文件是上节分析得到的cds文件。图的主题可以结合ggplot2进行修饰。
先做一个细胞群的谱系分化图。从这个图可以看出我们关注的细胞分化轨迹。
library(ggsci)
plot_cell_trajectory(cds, color_by = "Cluster") + scale_color_nejm()
图片
plot_cell_trajectory(cds, color_by = "State") + scale_color_npg()
图片
plot_cell_trajectory(cds, color_by = "Pseudotime")
image.png
如果细胞轨迹全部在一起，很难看出不同细胞状态在分支上的位置，这时，我们可以将每个状态单独画出来，看起来比较清晰。
plot_cell_trajectory(cds, color_by = "State") +
facet_wrap(~State, nrow = 1)
图片
处理细胞谱系拟时可视化，我们还关注分化轨迹过程中基因的情况。选定关注的基因，看看其在拟时中的表达。
pData(cds)$TGFBR2 = log2( exprs(cds)['TGFBR2',]+1)
图片
通过拟时基因表达模式聚类。
cds$id <- rownames(cds)
library(dplyr)
cds %>% arrange(qval) %>% head(10) %>% select(id) -> gene_to_cluster
gene_to_cluster <- gene_to_cluster$id
my_pseudotime_cluster <- plot_pseudotime_heatmap(cds[gene_to_cluster,],
num_clusters = 3,
cores = 8,
show_rownames = TRUE)
image.png
BEAM进行统计分析。
BEAM_res <- BEAM(my_cds_subset, branch_point = 1, cores = 8)
BEAM_res <- BEAM_res[order(BEAM_res$qval),]
BEAM_res <- BEAM_res[,c("gene_short_name", "pval", "qval")]
head(BEAM_res)
table(BEAM_res$qval < 1e-4)
plot_genes_branched_heatmap(my_cds_subset[row.names(subset(BEAM_res, qval < 1e-4)),],
branch_point = 1,
num_clusters = 4,
cores = 8,
use_gene_short_name = TRUE,
show_rownames = TRUE)
图片
拟时分析的内容很丰富，也很多，在不同的研究中有不同的意义，这里只是简单展示了几种常见的可视化结果，对于结果的解读，应用，还需要结合具体的生物学意义，通过推断与生物学背景结合，才能让分析彰显意义。
