Monocle2拟时基因富集分析

站长网2023-07-28 15:01:172阅

❝

详情请联系作者：

❞Monocle2全部往期精彩系列：

1、群成员专享：Monocle2更新（就是重新梳理一下）

2、一键跑完monocle2？

3、ggplot2个性可视化monocle2结果

4、ggplot修饰monocle2拟时热图：一众问题全部解决

5、Monocle2终极修改版

6、单细胞拟时分析：基因及通路随拟时表达变化趋势

Monocle2拟时分析及可视化我们整了好多呀，算是整明白了吧。上一期我们做了Monocle3的拟时基因富集分析（Monocle3个性化分析作图：拟时热图/拟时基因GO分析/拟时基因趋势分析）。Monocle2的还没有做过，这里我们演示下，其实方法是一样的。monocle2拟时热图修饰我们已经做过了。这里的演示我们不再使用修饰，用monocle2本来的拟时热图绘制函数进行，然后通过聚类不同的module提取基因进行富集分析。

本贴涉及到几个修改函数和自写函数的加载，数据代码已上传QQ群！

接下来我们就具体看看做法，首先还是做热图。这里我们用R包里面的plot_pseudotime_heatmap函数即可。#以下是monocle2做热图的代码，很常规的操作library(monocle)library(Seurat)library(dplyr)library(viridis)library(pheatmap)library(grid)#======================================================================================

setwd("D:/KS项目/公众号文章/monocle2拟时热图富集分析")mouse_monocle <- readRDS("D:/KS项目/公众号文章/monocle2拟时结果个性化作图/mouse_monocle.rds")peu_gene <- differentialGeneTest(mouse_monocle,fullModelFormulaStr = "~sm.ns(Pseudotime)",cores = 2)write.csv(peu_gene,file='peu_gene.csv')#保存好文件，这个分析过程挺费时间

peu_gene <- read.csv('peu_gene.csv', header = T, row.names = 1)peu_gene <- peu_gene[which(peu_gene$qval<0.01 & peu_gene$num_cells_expressed>100),]#筛选显著是的peu_gene %>% arrange(qval) -> peu_gene#按照qval排个序peu_gene <- peu_gene[1:100,] #这里我们取前100个基因演示

#热图的做法就很多了，可以用它默认的函数，也可以用我们讲过的ggplot或者pheatmap自己修饰p <-plot_pseudotime_heatmap(mouse_monocle[peu_gene$gene_short_name,],

num_clusters = 4,

cores = 2,

show_rownames = T,return_heatmap =T,

hmcols = viridis(256),

use_gene_short_name = T)

class(p)# [1] "pheatmap"

plot_pseudotime_heatmap函数好像并不能选择性展示感兴趣的基因，然而提取数据用pheatmap或者ggplot作图我们也做过了，这里再去修饰一遍展示没有必要，我就想用monocle2包热图函数完成。class一下plot_pseudotime_heatmap函数的产生的图，发现是pheatmap对象，查看作者的原函数也发现这个热图作者是基于pheatmap做的，那就好办了，如果连续阅读我们帖子的小伙伴可能会想到，我们之前写过一篇帖子：学习nature medicine函数：热图标记任意基因，这里面我们引用了一个文章提供的函数，可以很方便的为pheatmap标记基因。。然而呢，由于上图是分裂的，所以这个函数效果不好，那么办法要么就是修改这个添加基因的函数，另一个方法就是修改plot_pseudotime_heatmap函数。权衡之下，偷懒的我选择了修改plot_pseudotime_heatmap函数，因为它好修改！#改造热图函数，展示需要的基因source('./new_heatmap.R')p1 <-plot_pseudotime_heatmap(mouse_monocle[peu_gene$gene_short_name,],

num_clusters = 4,

cores = 2,

show_rownames = T,return_heatmap =T,

hmcols = viridis(256),

use_gene_short_name = T)