119-R可视化37-利用循环实现ggplot批量作图并拼图

• 参考：
  • Single-cell RNA-seq: Clustering Analysis | Introduction to single-cell RNA-seq (hbctraining.github.io)[1]

前言

前段时间有一些业务上需要批量作图的场景。比如下面这种：

其实简单的R 拼图，我喜欢patchwork 的加减乘除。但这种4x4 布局的图片，对象又多，一个个创建不现实；代码写起来，也非常不优雅。

如果可以批量作图 + 批量拼图就好了。其实也很简单。

来试试吧。

这里直接用seurat 的示例数据：Seurat - Guided Clustering Tutorial • Seurat (satijalab.org)[2]

★There are 2,700 single cells that were sequenced on the Illumina NextSeq 500. The raw data can be found here[3]. ”

pbmc.data <- Read10X(data.dir = "/Users/appe/OneDrive - yzygn/15macbook/4_code/R/1-multiplot&dis/filtered_gene_bc_matrices/hg19")
pbmc <- CreateSeuratObject(counts = pbmc.data, project = "pbmc3k", min.cells = 3, min.features = 200)

pbmc <- NormalizeData(pbmc) %>% FindVariableFeatures() %>% 
  ScaleData() %>% RunPCA()

dim(pbmc@reductions$pca)

> dim(pbmc@reductions$pca)
[1] 2700   50

pbmc <- RunUMAP(pbmc, dims = 1:50)
pbmc_df <- as.data.frame(cbind(Embeddings(pbmc, "pca"), Embeddings(pbmc, "umap")))

> colnames(pbmc_df)
 [1] "PC_1"   "PC_2"   "PC_3"   "PC_4"   "PC_5"   "PC_6"   "PC_7"   "PC_8"   "PC_9"  
[10] "PC_10"  "PC_11"  "PC_12"  "PC_13"  "PC_14"  "PC_15"  "PC_16"  "PC_17"  "PC_18" 
[19] "PC_19"  "PC_20"  "PC_21"  "PC_22"  "PC_23"  "PC_24"  "PC_25"  "PC_26"  "PC_27" 
[28] "PC_28"  "PC_29"  "PC_30"  "PC_31"  "PC_32"  "PC_33"  "PC_34"  "PC_35"  "PC_36" 
[37] "PC_37"  "PC_38"  "PC_39"  "PC_40"  "PC_41"  "PC_42"  "PC_43"  "PC_44"  "PC_45" 
[46] "PC_46"  "PC_47"  "PC_48"  "PC_49"  "PC_50"  "UMAP_1" "UMAP_2"

1-先列表存对象，再拼图

因为仅仅是做绘图展示，这里我们用pca 得到的50个主成分绘制umap 结果，并用颜色深浅表示前20个pca 结果。

目前对于绘图，我主要使用的两个包是patchwork 和cowplot。

其实它们的绘图函数都是带有接收list 作为输入的选项。

也就是说，我们可以使用lapply 等循环操作，把一个个绘图对象保存到一个列表。再传递给对应的绘图函数。

my_umap_Plot <- function(pc){
  ggplot(pbmc_df, 
         aes(UMAP_1, UMAP_2)) +
    geom_point(aes_string(color = pc), 
               alpha = 0.7) +
    scale_color_gradient(guide = "none", 
                         low = "grey90", 
                         high = "blue") +
    ggtitle(pc) + theme_bw()
}

umap_list <- lapply(paste0("PC_",1:12), my_umap_Plot)

我们只画12个。

cowplot

cowplot 中，主要通过plot_grid 完成图片的排列。

关于包含ggplot 对象的列表，通过参数plotList 传入：

★(optional) List of plots to display. Alternatively, the plots can be provided individually as the first n arguments of the function plot_grid (see examples). ”

另外，align = "v" 表示竖直方向对齐，align = "h" 表示水平方向对齐，ncol 与 nrow 控制行列数目。非常直观。

plot_grid(plotlist = umap_list, align = "h", 
          nrow = 3)

patchwork

patchwork 提供了函数wrap_plots，供我们进行拼图。

从说明书看，它是可以直接接受列表对象的：

★multiple ggplots or a list containing ggplot objects ”

pp_patchwork <- wrap_plots(umap_list, byrow = T, nrow = 3)

2-直接使用管道

这个个人认为更为优雅一些，如果拼图使用的绘图对象无需保存，我们直接利用管道符号，将ggplot 对象传递给拼图函数。

pp_cow <- lapply(paste0("PC_",1:12), my_umap_Plot) %>% 
  plot_grid(plotlist = ., align = "h", 
            nrow = 3)
pp_patchwork <- lapply(paste0("PC_",1:12), my_umap_Plot) %>% 
  wrap_plots(byrow = T, nrow = 3)

更复杂的内容

比如不同的拼接比例等等内容，可以参考：[[88-R可视化20-R的几种基于ggplot的拼图解决方案]]

如果是cowplot 用户，可以参考：Aligning plots • cowplot (wilkelab.org)[4]

参考资料

[1]

Single-cell RNA-seq: Clustering Analysis | Introduction to single-cell RNA-seq (hbctraining.github.io): https://hbctraining.github.io/scRNA-seq_online/lessons/08_SC_clustering_quality_control.html#/

[2]

Seurat - Guided Clustering Tutorial • Seurat (satijalab.org): https://satijalab.org/seurat/articles/pbmc3k_tutorial.html

[3]

here: https://cf.10xgenomics.com/samples/cell/pbmc3k/pbmc3k_filtered_gene_bc_matrices.tar.gz

[4]

Aligning plots • cowplot (wilkelab.org): https://wilkelab.org/cowplot/articles/aligning_plots.html