CNS图表复现04—单细胞聚类分群的resolution参数问题
CNS图表复现04—单细胞聚类分群的resolution参数问题
生信技能树jimmy
发布于 2020-09-28 10:46:13
发布于 2020-09-28 10:46:13
文章被收录于专栏：单细胞天地
分享是一种态度
回顾
我们的CNS图表复现之旅已经开始，前面3讲是；
如果你也想加入交流群，自己去：你要的rmarkdown文献图表复现全套代码来了（单细胞）找到我们的拉群小助手哈。
眼尖的同学发现，我的代码里面，关于单细胞聚类分群的resolution参数一直在变化：
sce <- FindNeighbors(sce, dims = 1:15)
sce <- FindClusters(sce, resolution = 0.2)
table(sce@meta.data$RNA_snn_res.0.2)
sce <- FindClusters(sce, resolution = 0.8)
table(sce@meta.data$RNA_snn_res.0.8)
sce <- FindClusters(sce, resolution = 0.5)
table(sce@meta.data$RNA_snn_res.0.5)
然后提出疑问，这个resolution参数到底应该是选择多少呢？难道这个步骤没有一个绝对的标准吗？
我之前给大家举例是使用balloonplot这个可视化函数，代码如下：
library(gplots)
tab.1=table(sce@meta.data$RNA_snn_res.0.2,sce@meta.data$RNA_snn_res.0.8)
balloonplot(tab.1)
就可以很直观的看到，我们把resolution参数分别赋值为0.2和0.8的效果，如下：
0.2和0.8的效果对比
很明显，这个resolution越小呢，我们得到的分群数量就越少，所以0.2的时候是17个群，但是0.8的时候是31个群。
而且我们根据balloonplot的可视化，可以看到，在0.2的时候的17个群里面的有一些群，会随着resolution的调高，继续裂变成为多个群。
有意思的是，我恰好在你要的rmarkdown文献图表复现全套代码来了（单细胞） 看到了一个更好的可视化方法：
# Check clustering stability at given resolution
# Set different resolutions
res.used <- seq(0.1,1,by=0.2)
res.used
# Loop over and perform clustering of different resolutions
for(i in res.used){
sce <- FindClusters(object = sce, verbose = T, resolution = res.used)
}
# Make plot
library(clustree)
clus.tree.out <- clustree(sce) +
theme(legend.position = "bottom") +
scale_color_brewer(palette = "Set1") +
scale_edge_color_continuous(low = "grey80", high = "red")
clus.tree.out
就是借用clustree包，可视化如下：
可以非常清晰的看到，随着resolution的调高，具体是哪些群在不停地继续裂变成为多个群。
但是呢， 仍然是没有回答粉丝的问题，就是resolution设置多少，难道说没有一个绝对的指标吗？
我这里只能说，确实没有，不仅仅是resolution参数，生物信息学数据分析过程中，就比如这个单细胞吧，质控的时候去除多少个质量差的细胞去除多少基因，选择高变基因数量多少，PCA降维后选择多少个PC，基本上每个步骤都是可以灵活调整的。
这就是，数据分析的魅力吧。
本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。
原始发表：2020-09-22，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录
腾讯云开发者
