全网最好看的单细胞umap图绘制教程

作者按

大家或许都曾被Nature, Science上的单细胞umap图吸引过，不免心生崇拜。在这里，我们将介绍一种简单方便的顶刊级umap图可视化

全文字数|预计阅读时间: 2000|5min

——Starlitnightly（星夜）

环境加载

我们先导入一些必须的依赖包

import omicverse as ov

import scanpy as sc

import matplotlib.pyplot as plt

ov.ov_plot_set()

   ____            _     _    __

  / __ \____ ___  (_)___| |  / /__  _____________

 / / / / __ `__ \/ / ___/ | / / _ \/ ___/ ___/ _ \

/ /_/ / / / / / / / /__ | |/ /  __/ /  (__  )  __/

\____/_/ /_/ /_/_/\___/ |___/\___/_/  /____/\___/                                              

Version: 1.6.3, Tutorials: https://omicverse.readthedocs.io/

读取数据

我们选取了一个结直肠癌的数据作为演示。

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'

首先我们先尝试一下最基础的umap图绘制可视化

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

)

细胞可视化顺序

我们发现效果平平无奇对吧，接下来，我们首先需要修改的是，细胞可视化的顺序，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)

此时我们再可视化，会发现细胞的排序变成了我们指定的顺序

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

)

接下来我们再指定细胞类型的颜色，这里有两个方法：

第一个方法是我们使用颜色条顺序来指定
第二个方法是直接指定细胞类型的颜色

我们先尝试第一个方法，我们希望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，那么我们根据数量指定颜色条。

需要注意的是，我们在omicverse中提供了5种顶刊级别的颜色条调用

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

如果你有其他的颜色需求也可以自行指定，颜色条是list格式，例如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

)

我们发现颜色变成了我们指定的颜色类型

第二种方法也很简单，我们指定每一种细胞类型的颜色然后进行可视化就好了

color_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

)

细胞标签优化

我们接下来需要优化的是细胞类型的展示，我们上面绘制的细胞的标签在右边，对于读者而言，需要一个一个去颜色对应的。在Nature最新的出版需求中，希望作者们考虑到色弱等人士的需求，因此我们可以直接在细胞umap图上绘制细胞类型。

需要注意的是，scanpy默认的细胞类型在umap图上的可视化可能出现遮挡，我们在omicverse中提供了新的函数ov.pl.embedding_adjust

from matplotlib import patheffects

fig, 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')] ),

)