图片indian sex5indian sex5
作家按
公共简略齐曾被Nature， Science上的单细胞umap图劝诱过，难免心生难得。在这里，咱们将先容一种圣洁通俗的顶刊级umap图可视化
全笔墨数|瞻望阅读时间: 2000|5min
——Starlitnightly（星夜）
环境加载咱们先导入一些必须的依赖包
import omicverse as ovimport scanpy as scimport matplotlib.pyplot as pltov.ov_plot_set()
____ _ _ __ / __ \____ ___ (_)___| | / /__ _____________ / / / / __ `__ / / ___/ | / / _ / ___/ ___/ _ \ / /_/ / / / / / / / /__ | |/ / __/ / (__ ) __/ \____/_/ /_/ /_/_/\___/ |___/\___/_/ /____/\___/ Version: 1.6.3， Tutorials: https://omicverse.readthedocs.io/读取数据
咱们录取了一个结直肠癌的数据动作演示。
adata=ov.read('crc_50000.h5ad')adata# AnnData object with n_obs × n_vars = 50000 × 25121 # obs: 'n_genes'， 'doublet_score'， 'predicted_doublet'， 'n_genes_by_counts'， 'total_counts'， 'total_counts_mt'， 'pct_counts_mt'， 'leiden'， 'scsa_celltype'， 'major_celltype'， 'scsa_true_celltype' # var: 'gene_ids'， 'n_cells'， 'mt'， 'n_cells_by_counts'， 'mean_counts'， 'pct_dropout_by_counts'， 'total_counts'， 'highly_variable'， 'means'， 'dispersions'， 'dispersions_norm' # uns: 'dendrogram_leiden'， 'hvg'， 'leiden'， 'leiden_colors'， 'leiden_sizes'， 'log1p'， 'major_celltype_colors'， 'neighbors'， 'paga'， 'pca'， 'rank_genes_groups'， 'scrublet'， 'scsa_celltype_colors'， 'umap' # obsm: 'X_pca'， 'X_umap' # obsp: 'connectivities'， 'distances'
最初咱们先尝试一下最基础的umap图画图可视化
fig， ax = plt.subplots(figsize=(4，4))ov.pl.embedding(adata， basis="X_umap"， color=['major_celltype']， title=''， show=False， size=10， frameon='small'， ax=ax)
图片
细胞可视化功令咱们发现效力平平无奇对吧，接下来indian sex5，咱们最初需要修改的是，细胞可视化的功令，将免疫细胞放到一块，将其他细胞放到另一块
adata.obs['major_celltype'].cat.categories
# Index(['B cell'， 'Endothelial cell'， 'Epithelial cell'， 'Fibroblast'， # 'Mast cell'， 'Myeloid cell'， 'Natural killer cell'， 'Plasma cell'， # 'T cell'， 'pDC']， # dtype='object')
new_order=['B cell'， 'Plasma cell'，'T cell'， 'Natural killer cell'，'Myeloid cell'，'pDC'，'Mast cell'， 'Endothelial cell'， 'Epithelial cell'， 'Fibroblast'， ]
adata.obs['major_celltype']=adata.obs['major_celltype'].cat.reorder_categories(new_order)
此时咱们再可视化，会发现细胞的排序酿成了咱们指定的功令
fig， ax = plt.subplots(figsize=(4，4))ov.pl.embedding(adata， basis="X_umap"， color=['major_celltype']，title=''， show=False， frameon='small'， size=10， ax=ax)
图片
接下来咱们再指定细胞类型的样式，这里有两个要道：
第一个要道是咱们使用样式条功令来指定第二个要道是径直指定细胞类型的样式咱们先尝试第一个要道，咱们但愿B细胞是蓝色，T细胞是红色，髓系细胞是绿色，其他细胞是黄色，那么咱们阐发数目指定样式条。
需要预防的是，咱们在omicverse中提供了5种顶刊级别的样式条调用
红色: ov.pl.red_color蓝色: ov.pl.blue_color橙色: ov.pl.orange_color绿色: ov.pl.green_color紫色: ov.pl.purple_color淌若你有其他的样式需求也不错自行指定，样式条是list情势，举例palette=['#000000'，'#FFFFFF']
fig， ax = plt.subplots(figsize=(4，4))ov.pl.embedding(adata， basis="X_umap"， color=['major_celltype']，title=''， show=False， size=10， frameon='small'， palette=ov.pl.blue_color[4:6]+ov.pl.purple_color[1:3]+ov.pl.green_color[:3]+ov.pl.orange_color[:]， ax=ax)
图片
咱们发现样式酿成了咱们指定的样式类型
第二种要道也很圣洁，咱们指定每一种细胞类型的样式然后进行可视化就好了
勾引avcolor_dict={ 'B cell':ov.pl.blue_color[4]， 'Plasma cell':ov.pl.blue_color[5]， 'T cell':ov.pl.purple_color[0]， 'Natural killer cell':ov.pl.purple_color[1]， 'Myeloid cell':ov.pl.green_color[0]， 'pDC':ov.pl.green_color[1]， 'Mast cell':ov.pl.green_color[2]， 'Endothelial cell':ov.pl.red_color[0]， 'Epithelial cell':ov.pl.red_color[1]， 'Fibroblast':ov.pl.red_color[2]}fig， ax = plt.subplots(figsize=(4，4))ov.pl.embedding(adata， basis="X_umap"， color=['major_celltype']，title=''， show=False， frameon='small'， size=10， palette=color_dict， ax=ax)
图片
细胞标签优化咱们接下来需要优化的是细胞类型的展示，咱们上头画图的细胞的标签在右边，关于读者而言，需要一个一个去样式对应的。在Nature最新的出书需求中，但愿作家们有计划到色弱等东说念主士的需求，因此咱们不错径直在细胞umap图上画图细胞类型。
需要预防的是，scanpy默许的细胞类型在umap图上的可视化可能出现隐敝，咱们在omicverse中提供了新的函数ov.pl.embedding_adjust
from matplotlib import patheffectsfig， ax = plt.subplots(figsize=(4，4))ov.pl.embedding(adata， basis="X_umap"， color=['major_celltype']，title=''， show=False， legend_loc=None， add_outline=False， frameon='small'，legend_fontoutline=2，ax=ax )ov.pl.embedding_adjust( adata， basis="X_umap"， groupby='major_celltype'， ax=ax， adjust_kwargs=dict(arrowprops=dict(arrowstyle='-'， color='black'))， text_kwargs=dict(fontsize=12 ，weight='bold'， path_effects=[patheffects.withStroke(linewidth=2， foreground='w')] )，)
图片
同类细胞空洞咱们在好多顶刊中会发现，同类细胞时时作家可爱用空洞线圈起来，因此，咱们在omicverse中也提供了访佛的已毕。
from matplotlib import patheffectsfig， ax = plt.subplots(figsize=(4，4))ov.pl.embedding(adata， basis="X_umap"， color=['major_celltype']，title=''， show=False， legend_loc=None， add_outline=False， frameon='small'，legend_fontoutline=2，ax=ax )ov.pl.embedding_adjust( adata， basis="X_umap"， groupby='major_celltype'， ax=ax， adjust_kwargs=dict(arrowprops=dict(arrowstyle='-'， color='black'))， text_kwargs=dict(fontsize=12 ，weight='bold'， path_effects=[patheffects.withStroke(linewidth=2， foreground='w')] )，)ov.pl.contour(ax=ax，adata=adata， basis="X_umap"， groupby='major_celltype'，clusters=['T cell'，'Natural killer cell']， contour_threshold=0.02，colors=ov.pl.red_color[2]，linestyles='dashed')ov.pl.contour(ax=ax，adata=adata， basis="X_umap"， groupby='major_celltype'，clusters=['Plasma cell'，'B cell']， contour_threshold=0.01，colors=ov.pl.blue_color[6]，linestyles='dashed')ov.pl.contour(ax=ax，adata=adata， basis="X_umap"， groupby='major_celltype'，clusters=['Endothelial cell'， 'Epithelial cell'， 'Fibroblast']， contour_threshold=0.002，colors=ov.pl.orange_color[2]，linestyles='dashed')fig.savefig('umap-ct_major.png'，dpi=300，bbox_inches='tight')fig.savefig('umap-ct_major.pdf'，dpi=300，bbox_inches='tight')图片
以上即是本期教程的沿途履行了，淌若合计OmicVerse对你的论文有匡助，不要健忘哄骗哦，更多单细胞的可视化要道与教程请参考:
https://starlitnightly.github.io/omicverse/Tutorials-plotting/t_visualize_single/图片
本站仅提供存储做事，扫数履行均由用户发布，如发现存害或侵权履行，请点击举报。