2025-05-21
單細胞分析中的t-SNE（t-分布隨機鄰域嵌入）分析是一種強大的可視化方法，它通過將高維數據降維到二維或三維空間，把相似的細胞聚成不同的群。目前單細胞文章主圖中基本都有此類分群圖，但是只放一個t-SNE已經略顯單調。為了增強主圖的表現力，我們參考高分文章的plot1cell軟件包，更新了環形t-SNE圖，在降維(wei)圖上更直觀地(di)展(zhan)現(xian)了不同(tong)細(xi)胞群的分組/細(xi)胞類型間細(xi)胞數(shu)目(mu)變化。
圖(tu)1 環形t-SNE圖(tu)
圖1中展示出(chu)不(bu)同細(xi)(xi)胞類(lei)(lei)型的(de)t-SNE分布圖。外(wai)圈軌道三層(ceng)分別為不(bu)同細(xi)(xi)胞類(lei)(lei)型中細(xi)(xi)胞類(lei)(lei)型/分組/clusters的(de)占(zhan)比，中心(xin)散點為不(bu)同細(xi)(xi)胞類(lei)(lei)型的(de)t-SNE圖，散點顏(yan)色對應細(xi)(xi)胞類(lei)(lei)型的(de)軌道顏(yan)色。在繪(hui)圖時，我們使用流程輸出(chu)的(de)RDS作為輸入文件，繪(hui)制代碼示例如下：
1、數據準備
從RDS中提取降維信息(xi)和(he)meta信息(xi)，可以是(shi)t-SNE或者umap的(de)維度(du)；
seu_obj = readRDS(“rename_seurat.rds”)
metadata<-seu_obj@meta.data
metadata$Cluster<-seu_obj@active.ident
metadata$dim1<-as.numeric(seu_obj[[‘tsne’]]@cell.embeddings[,1])
metadata$dim2<-as.numeric(seu_obj[[‘tsne’]]@cell.embeddings[,2])
metadata$x<-transform_coordinates(metadata$dim1, zoom = 0.7)
metadata$y<-transform_coordinates(metadata$dim2, zoom = 0.7)
metadata$cells<-rownames(metadata)
rownames(metadata)<-metadata$cells
data_plot <- cell_order(metadata)
此時我們會(hui)得到(dao)一(yi)個類似于meta.data的矩陣，包(bao)含如下核心信(xin)息：
表1 繪圖準備數據
可以(yi)看出，相比meta.data信(xin)息，繪圖數據新增了(le)dim1/dim2維(wei)度(du)信(xin)息，縮放后(hou)的(de)(de)x/y維(wei)度(du)，以(yi)及細胞的(de)(de)排序。
2、中心(xin)降維(wei)圖(tu)
基于1整理的繪(hui)圖(tu)數據，我們首先(xian)繪(hui)制(zhi)t-SNE 分群(qun)圖(tu)，以及最外層的細(xi)(xi)胞類型的占比環形軌道(dao)。可以看出，軌道(dao)的不同(tong)類型細(xi)(xi)胞也是按(an)照細(xi)(xi)胞群(qun)對應的顏色標(biao)注。點的色板和大小(xiao)均可自定義調(diao)整。
plot_circlize2(circ_data,do.label = F, pt.size = 0.3, kde2d.n = 1000, repel = T,
label.cex = 1.4,col.use = my36colors[1:length(unique(seurat_ob$celltype))],
bg.color = background)
圖2 中心降維圖
3、添(tian)加自定義軌道
然后(hou)我(wo)們就把group/clusters的軌道(dao)添加(jia)到圖(tu)上(shang)，也可以根據自定義的分類增加(jia)軌道(dao)。這里建議3個軌道(dao)左右，可視化(hua)效果相對會(hui)更(geng)美(mei)觀一些(xie)。當然，其中的顏色，字體大小和圖(tu)例位置都(dou)可以根據需求調(diao)整代碼參數(shu)。
circ_data$group = factor(circ_data$group,levels= sort(unique(as.vector(circ_data$group))))
group_colors <- Retro_color[1:length(names(table(seurat_ob$group)))]
legend(x=1.25,y=0.3,fill= group_colors ,border=color,box.col=color,title='group',
legend = sort(unique(as.vector(circ_data$group))),text.font = myfont)
add_track2(circ_data, group = "group",colors = group_colors, track_num = 2, track_lwd = 10)
circ_data$seurat_clusters = factor(circ_data$seurat_clusters,levels = sort(unique(as.vector(circ_data$seurat_clusters))))
sample_colors <- Retro_color[1:length(names(table(seurat_ob$seurat_clusters)))]
legend(x=-1.4,y=0.3,fill= sample_colors ,border=color,box.col=color, title='seurat_clusters',legend= sort(unique(as.vector(circ_data$seurat_clusters))) , text.font = myfont)
add_track2(circ_data, group = "seurat_clusters",colors = sample_colors, track_num = 3, track_lwd = 10)
圖3 增加自定義軌道(dao)
環形t-SNE不僅可以繪制單細胞的降維聚類可視化圖，還能夠通過在同一圖片中整合多種元數據軌道（如細胞類型注釋、樣本來源信息等），精細化呈現不同樣本，不同細胞群體的分布特征，為科研(yan)人員(yuan)對復雜細胞(bao)數量變(bian)化特征(zheng)及樣本間細胞(bao)的組成差(cha)異研(yan)究提供直觀的可視(shi)化依據。
繪(hui)制圖(tu)片或(huo)者(zhe)復(fu)現代碼過(guo)程中，如(ru)果(guo)老師遇到(dao)疑(yi)惑，歡迎撥打我(wo)們(men)的熱線電話或(huo)者(zhe)聯系我(wo)們(men)的駐(zhu)地銷(xiao)售。
參考文獻：
1.Mapping the single-cell transcriptomic response of murine diabetic kidney disease to therapies. Cell Metab. doi: 10.1016/j.cmet.2022.05.010
