PySCENIC（三）：pyscenic单细胞转录因子分析可视化

pyscenic分析结束了，其实后期最主要的就是可视化了，与其说是可视化，其实核心是对结果的提取，因为我们最后只得到了一个文件：sce_SCENIC.loom,后期我们会出两个三个文章，用来可视化结果，或者一些比较好了可应用的思路！本节详细注释代码已上传QQ群文件！

往期内容：

PySCENIC（一）：python版单细胞转录组转录因子分析

PySCENIC（二）：pyscenic单细胞转录组转录因子分析

觉得小编内容有用的、有意思的，点赞、分享、关注一下呗！

❝

1、《KS科研分享与服务》公众号有QQ交流群，但是进入门槛是20元，请考虑清楚。群里有推文的注释代码和示例数据，付费内容半价，还可以与大家交流。

2、单细胞转录组全流程代码需收费，收费代码包含公众号付费内容，也有很多新增加的内容。需进群或者需单细胞代码的小伙伴请添加作者微信了解，请备注目的，除此之外请勿添加，谢谢！

3、付费文章集合有打包价哦！

详情请联系作者：

❞

先加载需要的R包，都加载了，没毛病。

setwd("/home/shpc_100828/Pyscenic/")#加载分析包library(SCopesce_SCENICR)library(AUCell)library(SCENIC)#可视化相关包，多加载点没毛病library(dplyr)library(KernSmooth)library(RColorBrewer)library(plotly)library(BiocParallel)library(grid)library(ComplexHeatmap)library(data.table)library(ggplot2)library(pheatmap)

将loom文件读入R，提取数据。

sce_SCENIC <- open_sce_SCENIC("sce_SCENIC.sce_SCENIC")# exprMat <- get_dgem(sce_SCENIC)#从sce_SCENIC文件提取表达矩阵# exprMat_log <- log2(exprMat+1) # log处理regulons_incidMat <- get_regulons(sce_SCENIC, column.attr.name="Regulons")regulons <- regulonsToGeneLists(regulons_incidMat)class(regulons)
regulonAUC <- get_regulons_AUC(sce_SCENIC, column.attr.name='RegulonsAUC')regulonAucThresholds <- get_regulon_thresholds(sce_SCENIC)

第一个可视化：

RSS分析，查看细胞类型特异性转录因子，需要先加载seurat对象，提取metadata信息，并进行分析！默认是点图！

human_data <- readRDS("~/Pyscenic/human_data.rds")cellinfo <- [e-mail][,c('celltype','group',"nFeature_RNA","nCount_RNA")]#细胞meta信息colnames(cellinfo)=c('celltype', 'group','nGene' ,'nUMI')######计算细胞特异性TFcellTypes <-  as.data.frame(subset(cellinfo,select = 'celltype'))selectedResolution <- "celltype"sub_regulonAUC <- regulonAUC
rss <- calcRSS(AUC=getAUC(sub_regulonAUC),               cellAnnotation=cellTypes[colnames(sub_regulonAUC),                                        selectedResolution])
rss=na.omit(rss)rssPlot <-   plotRSS(  rss,  zThreshold = 3,  cluster_columns = FALSE,  order_rows = TRUE,  thr=0.1,  varName = "cellType",  col.low = '#330066',  col.mid = '#66CC66',  col.high = '#FFCC33')rssPlot

我们也可以提取数据，用热图的方式呈现，这里我是用ggheatmap做的，也可以用pheatmap、complexheatmap或ggplot2做。

rss_data <- rssPlot$plot$datadevtools::install_github("XiaoLuo-boy/ggheatmap")library(ggheatmap)library(reshape2)rss_data<-dcast(rss_data,                 Topic~rss_data$cellType,                value.var = 'Z')rownames(rss_data) <- rss_data[,1]rss_data <- rss_data[,-1]colnames(rss_data)col_ann <- data.frame(group= c(rep("Neutrophil",1),                               rep("Macrophage",1),                               rep("mDC",1),                               rep("T cell",1),                               rep("Mast",1)))#列注释rownames(col_ann) <- colnames(rss_data)groupcol <- c("#D9534F", "#96CEB4", "#CBE86B", "#EDE574", "#0099CC")names(groupcol) <- c("Neutrophil","Macrophage","mDC", "T cell","Mast")col <- list(group=groupcol)
text_columns <- sample(colnames(rss_data),0)#不显示列名
p <- ggheatmap(rss_data,color=colorRampPalette(c('#1A5592','white',"#B83D3D"))(100),               cluster_rows = T,cluster_cols = F,scale = "row",               annotation_cols = col_ann,               annotation_color = col,               legendName="Relative value",               text_show_cols = text_columns)p

第二个可视化：

将转录因子分析结果与seurat对象结合，可视化类似于seurat！

next_regulonAUC <- regulonAUC[,match(colnames(human_data),colnames(regulonAUC))]dim(next_regulonAUC)
regulon_AUC <- regulonAUC@[e-mail] = cbind([e-mail] ,t(assay(next_regulonAUC[regulon_AUC,])))
#自己选定感兴趣的或者比较重要的转录因子，这里我是随机的TF_plot <- c("ZNF561(+)","FOXP3(+)","YY1(+)","HOXB2(+)",             "TBX21(+)","TCF12(+)","STAT2(+)","SOX21(+)",             "RBBP5(+)","NR2F6(+)","NELFE(+)","MAFG(+)")
DotPlot(human_data, features = TF_plot)+  theme_bw()+  theme(panel.grid = element_blank(),         axis.text.x=element_text(hjust =1,vjust=1, angle = 45))+  labs(x=NULL,y=NULL)+guides(size=guide_legend(order=3))

上面我们展示的是转录因子在不同细胞的评分，按照这个道理，我们依然可以选定某种细胞，看样本间转录因子的差别！

DotPlot(human_data, features = TF_plot, group.by = 'group')+  theme_bw()+  theme(panel.grid = element_blank(),         axis.text.x=element_text(hjust =1,vjust=1, angle = 45))+  theme(legend.direction = "horizontal",         legend.position = "bottom")+  labs(x=NULL,y=NULL)

也可以是是R语言中的SCENIC的展示一样，用UMAP！

FeaturePlot(human_data, features ="FOXP3(+)")

第三个可视化：

展示转录因子平均活性！

cellsPerGroup <- split(rownames(cellTypes),                        cellTypes[,selectedResolution])regulonActivity_byGroup <- sapply(cellsPerGroup,                                  function(cells)                                   rowMeans(getAUC(sub_regulonAUC)[,cells]))
regulonActivity_byGroup_Scaled <- t(scale(t(regulonActivity_byGroup),                                          center = T, scale=T)) 

regulonActivity_byGroup_Scaled=na.omit(regulonActivity_byGroup_Scaled)

hm <- draw(ComplexHeatmap::Heatmap(regulonActivity_byGroup_Scaled, name="Regulon activity",                                   row_names_gp=grid::gpar(fontsize=6),                                   show_row_names = F)) hm  #可视化所有的TF

当然了，全部展示没有啥意义，还是可以提取数据，可视化需要的TF！