首先祝大家新年快乐！新的一年paper多多，顺顺利利！
cpplot:
Visualize the results of cell-cell communication analysis based on CellPhoneDB
整理了“TOP生物信息”上面几篇讲解CellPhoneDB的原创帖子，将其中涉及到的代码稍加整理得到此R包。
- 基于CellPhoneDB的细胞通讯分析及可视化 (上篇)——2021-07-24发布
- 基于CellPhoneDB的细胞通讯分析及可视化 (下篇)——2021-07-24发布
- 【单细胞高级绘图】08.细胞通讯两组比较气泡图——2022-08-30发布
- 【单细胞高级绘图】09.细胞通讯两组比较连线图——2022-08-31发布
简而言之，这个包对接的是CellPhoneDB的流程，跑完CellPhoneDB之后，可能需要画几张图，比如：
- 各种细胞之间互作的数量关系
- 具体的互作细节（什么细胞之间有什么L-R pair）
- 如果有两个组都进行了CellPhoneDB的分析，如何比较两组的结果
下面代码演示一下
0. 下载并加载R包
最好提前安装几个依赖包：
RColorBrewer, igraph, reshape2, scales, tidyverse, xlsx
devtools::install_github("SiyuanHuang1/cpplot")
library(cpplot)
library(tidyverse)
1. 各种细胞之间互作的数量关系
这一部分，有三个函数可以实现，分别是：
ccc_number_heatmap1(pfile = "test/pvalues.txt") #ggplot对象
ccc_number_heatmap2(pfile = "test/pvalues.txt") #ggplot对象
ccc_number_line(pfile = "test/pvalues.txt",vertex.size = 20) #不是ggplot对象，不能用ggsave保存
出图如下：
(图片的解读可以参考我最上面提到的几篇帖子)
image
image
image
2. 具体的互作细节
ccc_bubble(
pfile="./test/pvalues.txt",
mfile="./test/means.txt",
# 下面这些是默认参数，可以不变
# neg_log10_th = -log10(0.05),
# means_exp_log2_th = 1,
# notused.cell = NULL,
# used.cell = NULL,
# neg_log10_th2 = 3,
# means_exp_log2_th2 = c(-4, 6),
# cell.pair = NULL,
# gene.pair = NULL,
# color_palette = c("#313695", "#4575B4", "#ABD9E9", "#FFFFB3", "#FDAE61", "#F46D43","#D73027", "#A50026"),
# text_size = 12
)
image
# 改写参数
ccc_bubble(
pfile="./test/pvalues.txt",
mfile="./test/means.txt",
cell.pair=c("Mcell|Scell","Mcell|NKcell","Mcell|Tcell","Scell|Mcell","NKcell|Mcell","Tcell|Mcell"),
#这里是自定义的顺序，若是可选细胞对的子集，则只展示子集，若有交集则只展示交集；空值情况下，会根据可选细胞对自动排序
gene.pair=c("MIF_TNFRSF14","FN1_aVb1 complex","EGFR_MIF")
#作用同上
)
image
3. 两组之间的比较
第1种图
### 必要参数
ccc_compare(group1.name = "Old",group2.name = "Young",
group1.pfile = "cellphonedb/Old/pvalues.txt",group1.mfile="cellphonedb/Old/means.txt",
group2.pfile="cellphonedb/Young/pvalues.txt",group2.mfile="cellphonedb/Young/means.txt",
p.threshold = 0.01,thre=1,
plot.width=105,plot.height=110,filename = "test0121_"
)
### 额外参数
# 比如，这里我想展示EC细胞分别充当cellA和cellB的图
# 也可以指定gene pair
ccc_compare(group1.name = "Old",group2.name = "Young",
group1.pfile = "cellphonedb/Old/pvalues.txt",group1.mfile="cellphonedb/Old/means.txt",
group2.pfile="cellphonedb/Young/pvalues.txt",group2.mfile="cellphonedb/Young/means.txt",
p.threshold = 0.05,thre=1,
#gene.pair = NULL,
cell.pair=c(
paste0("EC|",c("APC","SMC","Mac","DC","Neutrophil")),
paste0(c("APC","SMC","Mac","DC","Neutrophil"),"|EC")
),
plot.width=18,plot.height=30,filename = "test0121b_"
)
image
(图片的解读可以参考我最上面提到的几篇帖子)
第2种图
ccc_compare2(group1.name = "Old",group2.name = "Young",
group1.pfile = "cellphonedb/Old/pvalues.txt",group1.mfile="cellphonedb/Old/means.txt",
group2.pfile="cellphonedb/Young/pvalues.txt",group2.mfile="cellphonedb/Young/means.txt",
p.threshold = 0.05,thre=0.5,
cell.pair="EC|APC", #指定ligand产生的细胞|receptor产生的细胞
plot.width=15,plot.height=30,filename = "test0121_"
)
之后会得到一个xlsx表格，画图会用到
ccc_line(table.path="test0121_Old2Young.xlsx",ligand.cell="EC",receptor.cell="APC",
group1.name = "Old",group2.name = "Young",#这五个参数和上一步对应
ligand.color="#4dbbd6",receptor.color="#90d1c1",
pt.size=6,
line.thre1=0.5,line.thre2=6,#line.thre1和上一步的"thre"参数一致，line.thre2可以用来调整线的粗细，值越大，线越细
file.name="test0121b_",plot.width=25,plot.height=20)
然后就能得到这张图：
image
(图片的解读可以参考我最上面提到的几篇帖子)。
第3种图
ccc_compare2(group1.name = "Old",group2.name = "Young",
group1.pfile = "cellphonedb/Old/pvalues.txt",group1.mfile="cellphonedb/Old/means.txt",
group2.pfile="cellphonedb/Young/pvalues.txt",group2.mfile="cellphonedb/Young/means.txt",
p.threshold = 0.05,thre=0.5,
cell.pair="EC|APC", #指定ligand产生的细胞|receptor产生的细胞
plot.width=15,plot.height=30,filename = "test0121_"
)
这一步跟第2种图一样。后续还要找两组的差异基因
library(Seurat)
testseu=readRDS("testseu.rds")
# 此次演示为了加快运行速度，人为减少了数据量，实际分析中找差异基因不建议这么做
selectedCB=sample(testseu@meta.data$CB,1000)
testseu=testseu%>%subset(CB %in% selectedCB)
# 基于分组找差异基因
marker_group=data.frame()
Idents(testseu)="celltype_age"
for ( ci in c("EC","APC") ) {
tmp.marker <- FindMarkers(
testseu, logfc.threshold = 0, min.pct = 0.01,
only.pos = F, test.use = "wilcox",
ident.1=paste0(ci,"_Old"),ident.2=paste0(ci,"_Young")
)
tmp.marker$gene=rownames(tmp.marker)
tmp.marker$cluster_group=ifelse(tmp.marker$avg_log2FC > 0,paste0(ci,"_Old"),paste0(ci,"_Young"))
tmp.marker$cluster=ci
tmp.marker=tmp.marker%>%arrange(desc(avg_log2FC))
marker_group=marker_group%>%rbind(tmp.marker)
}
#本次演示的数据集为小鼠数据集，在运行cellphonedb时，进行了基因symbol的转换。
#此处找差异基因得到的symbol为真实基因名，为了让两个分析匹配，DEG表格也应该做基因名转换。
#但是为了简化，此处只是简单地将小鼠基因名转为大写，不是很精确。大家在分析的时候建议严格一点。
marker_group$gene=marker_group$gene %>% toupper()
然后借助差异基因，再画图
ccc_line2(cpdb.table.path = "test0121_Old2Young.xlsx",marker_group = marker_group,
ligand.cell = "EC",receptor.cell = "APC",
group1.name = "Old",group2.name = "Young",
line.size = 2,file.name = "test0121b_",plot.width = 25,plot.height = 20
)
image
(图片的解读可以参考我最上面提到的几篇帖子)
