这里分享一种单细胞数据可视化的图形修饰。先加载一个seurat公共的单细胞数据集InstallData("pbmc3k")data("pbmc3k")PBMC <- pbmc3k.finalPBMC = UpdateSeuratObject(object = PBMC)一般展示marker基因用这种点图：Markers <- c('AGER','SCGB3A2','TPPP3','CD

​关于单细胞转录组转录因子的分析我们之前在单细胞系列讲过R语言版本的，参考：跟着Cell学单细胞转录组分析(十二):转录组因子分析，但是R语言分析起来速度非常慢，如果你动辄上万的单细胞可能要运行好几周，这显然不现实。pySCENIC则很好的解决了这个问题，分析速度很快。

今天接着单细胞文章的内容：从Cell学单细胞转录组分析(一):开端！！！跟着Cell学单细胞转录组分析(二):单细胞转录组测序文件的读入及Seurat对象构建跟着Cell学单细胞转录组分析(三):单细胞转录组数据质控（QC）及合并去除批次效应跟着Cell学单细胞转录组分析(四):单细胞转录组测序UMAP降维聚类跟着Cell学单细胞转录组分析(五):单细胞转录组marker基因鉴定及细胞群注释前面几

对于转录组分析，差异基因筛选完成后，就算是成功一大半了。接下来就可进行下游分析了。首先最常见的就是对上下调基因的富集分析了，富集分析我们之前出过一期R语言版本的：clusterProfiler：基因功能富集分析的惊喜之作这里就不再赘述了，我们介绍一款NCS文章比较喜欢的、出现率较高的功能富集工具---Metascape (https://metascape.org/gp/index.html)。图

完成单细胞定群后，就可以做很多东西了，首先可视化marker基因，这是很多单细胞文章中不可或缺的一部分，当然，marker基因的可视化可以拓展到对任意自己感兴趣基因的可视化。小提琴图是其中的一种。Seurat自带函数VlnPlot可以进行基因可视化，其实在前面QC结果的战事中已经使用过一次了。VlnPlot(scedata,features = c("RAMP2","VWF","PECAM1","

热图不再过多介绍了，参考之前的内容（热图系列大全）。单细胞基因可视化中热图也是比较受欢迎的，在分析完每群的marker基因之后，可以挑选显著的gene用seurat自带函数DoHeatmap可视化。当然也可以选任意自己想展示的基因进行可视化。首选选择基因，将其转化为列表，然后比对到原数据。markers <- c("ACKR1","RAMP2","SELE","VWF","PECAM1","

这次我们要让热图更加复杂化。实际上，有些情况下做热图可能只需要标注对照组、实验组即可。但是大多时候，可以在热图上体现更多信息，比如，除了分组，还有不同得处理、年龄、性别、疾病阶段等等，以及不同功能基因也要分组。因此，需要在热图上添加更多分组信息。下面是我们得示例数据，一个表达举证（数据纯属虚构，分组纯属虚构）第一步，还是将数据读入，加载R包，这里我们使用pheatmap。setwd("D:/tq/

**pySCENIC全部往期精彩系列首先说一句，我们之前也发过R语言版本的SCENIC，但是后来我们感觉容易出错，而且费时，所以就没有再探究过。可是总是有小伙伴喜欢跑R，然后说这里错了，那里找不见，其实我们的帖子写于2022年，但是数据库已经更新了，去官网下载新的数据库，不能无脑跑代码。回到pySCENIC,之前我们写过整个系列4篇帖子，分析可视化都是很完善了。可是近期跑的时候发现在第一步有点问题

火山图系列我们之前已经说过很多做法了（绝美！差异基因火山图大全！），这些作图已经够用了，也是发文级别的。但是最近又看到一种ggplot做火山图的方式，然后增加了一些自己的想法，我想这个会更有意义。话不多说，先上图：image.png相比于之前的火山图，这种火山图的优势在于：①：上下调基因用不同的颜色，需要标记标签的基因颜色不同②：需要标记的基因可以突出显示，有更好的定位，非常明了③：能够显示任何需