scRNA分析|自定义你的箱线图-统计检验，添加p值，分组比较p值
scRNA分析|自定义你的箱线图-统计检验，添加p值，分组比较p值
在前面scRNA分析|使用AddModuleScore 和 AUcell进行基因集打分，可视化中，基因集评分使用小提琴图或者箱线图进行展示，那如何进行统计检验以及添加P值呢？本文主要解决以下几个问题
（1）指定统计检验方式（2）指定比较组并添加P值（3）任意比较（4）分组比较 （5）使用星号代替P值 等
一 载入R包 数据
使用本文开始的基因集评分的结果 和 ggpubr 包进行统计检验以及可视化的展示。
library(tidyverse)
library(ggpubr)
load( "sce.anno.RData")
df <- sce2@meta.data
head(df)
二 ggpubr可视化
先绘制基本的箱线图
p1 <- ggboxplot(df, x="celltype", y="AUCell", width = 0.6,
color = "black",#轮廓颜色
fill="celltype",#填充
palette = "npg",
xlab = F, #不显示x轴的标签
bxp.errorbar=T,#显示误差条
bxp.errorbar.width=0.5, #误差条大小
size=1, #箱型图边线的粗细
outlier.shape=NA, #不显示outlier
legend = "right") #图例放右边 +
p1
展示为6种细胞类型的基因集评分的箱线图。
1，指定比较的组
ggpubr 中使用stat_compare_means函数进行统计学检验，需要是list形式。
假设感兴趣的是Epi，T 和 Myeloid 与 un之间 ，是否有统计学差异？
###指定组比较
my_comparisons <- list(c("Epi", "un"), c("T", "un"),c("Myeloid", "un"))
p1+stat_compare_means(comparisons = my_comparisons,
method = "wilcox.test")
根据method函数选择统计方法，多组时候可选anova ，两组时候可根据情况选择t.test 或者 wilcox.test .
2, 指定ref组
比如想把所有的细胞类型都和un进行比较 , 可以通过ref.group 进行设置
p1 + stat_compare_means(method = "wilcox.test",
ref.group = "un")
3, 任意两两之间比较
有没有参数可以两两之间分别比较呢? 小编暂时没有发现,希望知道的不吝赐教 。
可以手动输入，但是当类别特别多的情况下耗时且易错。可以先通过combn函数生成两两之间的list ，然后套用stat_compare_means 函数即可。
#生成两两之间的list
group=levels(factor(df$celltype))
comp=combn(group,2)
comp
# [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11]
#[1,] "Epi" "Epi" "Epi" "Epi" "Epi" "Myeloid" "Myeloid" "Myeloid" "Myeloid" "Fibroblast" "Fibroblast"
#[2,] "Myeloid" "Fibroblast" "T" "Endo" "un" "Fibroblast" "T" "Endo" "un" "T" "Endo"
# [,12] [,13] [,14] [,15]
#[1,] "Fibroblast" "T" "T" "Endo"
#[2,] "un" "Endo" "un" "un"
my_comparisons=list()
for(i in 1:ncol(comp)){
my_comparisons[[i]]<-comp[,i]
}
p1+stat_compare_means(comparisons = my_comparisons)
那如果想要 非un的细胞类型 两两之间比较呢？可以先去掉un再比较 df2 <- df %>% filter(celltype != "un") 。
4，多组之间比较
多组的话method使用anova
p1 +stat_compare_means(method = "anova")
5，按照group分组然后比较
按照group进行分组，比较原发和转移组之间在不同细胞类型之间是否有差异
p2 <- ggboxplot(df,x="celltype", y="AUCell",color = "group",
palette = "npg",
xlab = F, #不显示x轴的标签
bxp.errorbar=T,#显示误差条
bxp.errorbar.width=0.5, #误差条大小
size=1, #箱型图边线的粗细
#outlier.shape=NA, #不显示outlier
legend = "right")
p2 + stat_compare_means(aes(group = group))
三 可视化调整
除上述之外还有一些常见的小调整，比如去掉p值前面的统计方法， 将P值改为星号，调整坐标轴和标签等等。如果想画小提琴的话只需要把ggboxplot 改为 ggviolin 即可。
1，去掉p值前面的Wilcoxon
p1+stat_compare_means(comparisons = my_comparisons,
aes(label = paste0("p =", ..p.format..)) )
2，将p值改为星号
p1+stat_compare_means(comparisons = my_comparisons,
label = "p.signif")
3，设置字体大小，位置，颜色等
p1 + stat_compare_means( comparisons = my_comparisons,
aes(label = paste0("p =", ..p.format..)), # 只显示p值大小，不呈现计算方法
color="grey50", # 字体的颜色
method = "wilcox.test", #
size=5, # p值的文字的大小
#label.y = 0.7 # p值展示在什么地方
) +
labs(x="", y="AUCell_score") + #更改坐标轴
theme_classic() #更改主题
这里就可以使用一些ggplot2的参数进行自定义优化了。有需要的可以看一下ggplot2的基础知识。