王胖的生信笔记第五十一期：改造R的函数

​ 做单细胞测序数据分析不知道Seurat就好像五官科学生不知道耳朵在哪里，这是几乎不可能发生的事情。Seurat是法国一个画家，有很独特的作画风格。搜一下他的画你就明白为啥Satija团队做的这个包取了这个名字了。

​ 其实好好看Seurat的说明书（Satija的官方网站），许多常用的改动和可视化需要调整的都已经开放了。但确实还是又时候无法准确实现自己的需求。比如前段时间有老师让我看看《Allergic inflammatory memory in human respiratory epithelial progenitor cells》文章里这个咋做：

​ 实际上我一开始的思路是用split.by这个参数去调整。但是当你实际操作时候会发现并不是这个文章里的感觉。文章里时每一个对应的feature gene在对应的细胞类型中并列展示两组的数据。乍看上去有点难度，但实际上还是可以利用Seurat作图完的数据，进行下一步操作。试看此例。

首先准备环境+提取信息

library(Seurat)
library(stringr)
library(ggplot2)
p <- DotPlot(scRNAsub,features=c("CD8A","CD3E","NKG7"),
             group.by="RNA_snn_res.0.2",split.by = "orig.ident",cols = my36colors)+ coord_flip()
exp <- p$data

需要注意的是，seurat格式的文件需要有样本分组信息（这里是“orig.ident”）和细胞类型信息（这里是“RNA_snn_res.0.2”）。这样提取的就是对应所需的所有数据了。

进一步处理

library(forcats)
exp$features.plot <- as.factor(exp$features.plot)
exp$features.plot <- fct_inorder(exp$features.plot)
split_b<-str_split(exp$id,"_")
b<-sapply(split_b,"[",1)
c<-sapply(split_b,"[",2)
exp$id <- b
exp$new <- c
exp$features.plot <- paste0(exp$features.plot,"_",exp$new)

需要注意的是，这里提取结束出现的就是每个基因对应的两组数据了

作图调整

这个需要大家再回去看下ggplot2的相关说明。当然最后的展示成果和文章还是稍有区别，这个可以在ppt或者ai里面再细调了。

p <- ggplot(exp,aes(x=id,y=features.plot))+geom_point(aes(size=`pct.exp`,
                                                           color=`new`))+theme_bw()+
  theme(panel.grid = element_blank(),
        axis.text.x=element_text(angle=90,hjust=1,vjust = 0.5))+ coord_flip()

我枕边分组比较多，所以用的颜色相对较多。也可以只有两种颜色的。

拓展

其实很多时候可以通过trace()函数来调取函数源代码，然后做一些琢磨。比如cellchat做出来的很多图你可能也不知道是咋算出来的。就像官方教程里这张图右侧的barchat到底具体数值是多少？当你想去探究的时候怎么办呢？

使用trace(CellChat::netAnalysis_signalingRole_heatmap,edit=T)研究后发现，可以这样提取出需要的数据。

library(CellChat)
object <- X2Cellchat
slot.name = "netP"
centr <- slot(object, slot.name)$centr
outgoing <- matrix(0, nrow = nlevels(object@idents), ncol = length(centr))
incoming <- matrix(0, nrow = nlevels(object@idents), ncol = length(centr))
dimnames(outgoing) <- list(levels(object@idents), names(centr))
dimnames(incoming) <- dimnames(outgoing)
for (i in 1:length(centr)) {
  outgoing[, i] <- centr[[i]]$outdeg
  incoming[, i] <- centr[[i]]$indeg
}
# outgoing的数据
mat <- t(outgoing)
# incoming的数据
mat <- t(incoming)
# all的数据
mat <- t(outgoing + incoming)