Seurat Weekly NO.09 ||UMAP图分不开怎么办？

在这里，与国际同行一起学习数据分析。

在单细胞数据分析过程中，往往需要看不同的参数下的数据表现，也往往需要循环某个列表（基因集或者分组），这时候向量化测试效率就比较高了。

向量（vector）是R编程里最底层也是最核心的结构，并且从广泛意义上的数据类型而言，R中的矩阵和数组甚至是列表都是向量。提升代码效率的有效途径便是向量化（vectorize），即将运算符或者函数作用在向量的每一个元素上的一种理念。

多个聚类的resolution参数：

library(Seurat)
library(SeuratData,lib.loc = 'F:\\EE\\software\\R\\R-4.0.2\\library')
library(pbmc3k.SeuratData,lib.loc = 'F:\\EE\\software\\R\\R-4.0.2\\library')   
library(clustree,lib.loc = 'F:\\EE\\software\\R\\R-4.0.2\\library')    
.libPaths()
library(tidyverse)
library(cowplot)
pbmc3k.final <- FindClusters(pbmc3k.final,dims=1:20,resolution = seq(from=0,by=.2,length=10))
clustree(pbmc3k.final)

分群可视化，其实是map函数的应用。

Idents(pbmc3k.final) <- "seurat_annotations"
p=list()
p<- map(c(levels(Idents(pbmc3k.final))),function(x){DimPlot(pbmc3k.final, cells.highlight = CellsByIdentities(object = pbmc3k.final, idents = x))})
plot_grid(plotlist = p)

下面来看另一个例子：调节UMAP结构。那么我们就看看可视化有什么参数可以调节：

  • 3D
  • 调RunUMAP的参数
  • 换可视化方法

今天我们来看看n.neighbors和epochs，negative.sample.rate 这几个函数的影响：

map(c(2,seq(from=5,by=50,length=10)) , function(x) { pbmc3k.final %>%  RunUMAP(n.neighbors = x,n.epochs=200,dims = 1:20) %>% DimPlot()}) %>% cowplot::plot_grid(plotlist = .)


c(2,seq(from=5,by=50,length=10) )
 [1]   2   5  55 105 155 205 255 305 355 405 455
map(c(2,seq(from=5,by=50,length=10)) , function(x) { pbmc3k.final %>%  RunUMAP(n.neighbors = 50,n.epochs=x,dims = 1:20) %>% DimPlot()}) %>% cowplot::plot_grid(plotlist = .)


map(c(2,seq(from=1,by=5,length=10)) , function(x) { pbmc3k.final %>%  RunUMAP(n.neighbors = 50,n.epochs=500,negative.sample.rate = x,dims = 1:20) %>% DimPlot()}) %>% cowplot::plot_grid(plotlist = .)

好了，节目的最后，放一张大佬的小道消息：


最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成，浏览时请结合常识与多方信息审慎甄别。
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

相关阅读更多精彩内容

友情链接更多精彩内容