玩转单细胞往期精彩系列： 玩转单细胞(1)---提取特定基因表达的细胞群分析（一个小问题）****玩转单细胞(2):Seurat批量做图修饰****玩转单细胞(3):堆叠柱状图添加比例 玩转单细胞(4):单细胞相关性 玩转单细胞(5):单细胞UMAP图只标记特定细胞群、圈定细胞群及坐标轴修改 玩转单细胞(6):单细胞差异基因展示之对角散点图 玩转单细胞(7)：修改Seurat对象基因名称 玩转单细胞(8): 单细胞3维聚类图展示 玩转单细胞(9)：单细胞Seurat对象数据操作****玩转单细胞(10)：替换单细胞Seurat对象UMAP坐标 玩转单细胞(11)：Seurat单细胞基因表达DotPlot图分面设置 玩转单细胞(12)：单细胞celltype颜色、顺序设置及V5小问题****玩转单细胞(13)：Seurat V5单细胞基本可视化 玩转单细胞(14): 单细胞分亚群之后分群信息返回原来的seurat对象****玩转单细胞(15)：一些简便的作图、数据运行处理小技巧

玩转单细胞(16)：Scanpy单细胞h5ad数据转化为Seurat对象

玩转单细胞(17)：差异基因分析可以舍弃一些没必要的基因-例如MT..RPL..

玩转单细胞(18)：UMAP图修饰之同时展示亚群/cluster与总的细胞群****玩转单细胞(19)：单细胞Seurat分析基本可视化实现python版Scanpy风格****玩转单细胞(20)---scanpy单细胞分析一些数据操作问题（对标seurat)这里我们要学习和复现的是一篇nature文章的图表Fig 1d，这篇文章全部数据都来自公共数据库。文章提供了处理好的单细胞数据以及代码，很好的学习资源。感兴趣的可以好好的看一看。

import scanpy as sc
adata = sc.read_h5ad('./igt_s9_fine_counts.h5ad')
adata
# AnnData object with n_obs × n_vars = 2293951 × 21812
# obs: 'cohortID', 'cohortName', 'datasetID', 'donorID', 'sampleID', 'system', 'tissue', 'region', 'sampleType', 'cellSort', 'libraryType', 'platform', 'compartment', 'cellType1', 'cellType2', 'sex', 'age', 'doublet_score', 'predicted_doublet', 'n_genes_by_counts', 'total_counts', 'total_counts_mt', 'pct_counts_mt', 'total_counts_HSP', 'pct_counts_HSP', 'S_score', 'G2M_score', 'phase', 'ann1', 'ann2', 'ann3', 'majorCluster', 'subCluster'
# var: 'mt', 'HSP', 'n_cells_by_counts', 'mean_counts', 'pct_dropout_by_counts', 'total_counts', 'exclude', 'excludeType'
# uns: 'log1p'
# obsm: 'X_umap'
sc.pl.umap(adata,color='majorCluster')

image.png

计算平均表达量矩阵：这里是anndata，在python中计算好之后使用R分析作图。如果您的单细胞数据是seurat，那么使用Averageexpress函数计算平均表达量矩阵。

#获取细胞基因表达矩阵
genes = adata.var_names.tolist()
genedf = sc.get.obs_df(adata, keys=["subCluster", *genes])
genedf.head()


#average expressed matrix，平均表达量矩阵
grouped = genedf.groupby("subCluster", observed=True)
df_mean, var = grouped.mean(), grouped.var()

#保存数据
df_mean.to_csv('./df_mean.csv')

添加颜色：原文是有设置好的颜色文件，没有找到，可以按照自己需求设置。

prefixes <- substr(rownames(ave_exp), 1, 1)
#映射颜色
cell_color <- c(
  "B" = '#fc8d59',
  "S" = '#9e9ac8',
  "M" = '#96daf7',
  "C" = '#fed976',
  "E" = '#b0479a',
  "I" = '#35978f'
)
cell_colors <- cell_color[prefixes]
cell_colors[is.na(cell_colors)] <- "gray"  # 默认颜色
cell_colors <- as.data.frame(cell_colors)
cell_colors$celltypes <- rownames(ave_exp)
rownames(cell_colors) <- rownames(ave_exp)
cell_colors <- cell_colors[rownames(ave_exp)[order.dendrogram(hc)],]
labels_colors(hc) <- cell_colors$cell_colors
#plot环形聚类树图,保存为pdf，设置长宽
pdf("cluster_tree_circle.pdf", width = 6, height = 6)
circlize_dendrogram(hc,
                    labels_track_height = 0.6,#标签（labels）所在圆环的高度
                    dend_track_height = 0.2)#聚类树高度
dev.off()

image.png