其他
单细胞GSEA进阶分析之画图改造
基因集合（S）中的基因出现在排好的基因列表（L）的上端或者下端。
计算感兴趣的基因集的富集得分(ES)，对排序后的基因列表，每遇到一个基因集S中有的基因，则增加其分值，如果遇到一个非基因集S的基因则降低其分值。
随机扰动，评估ES的显著性（p值）
library(fgsea)
library(customLayout)
library(msigdbr)
library(cowplot)
gsea.result <- readRDS("D:/gsea_result.Rds")
gsea.result.top <- gsea.result %>% filter(pval < 0.05) %>% top_n(n = 15, wt = NES)
（向左查看更多）
step2.获取每条通路动态的ES得分结果
ToPlot <- sapply(gsea.result.top$pathway, function(Pathway){
pathway <- geneSet[[Pathway]]
stats <- useGene
rnk <- rank(-stats)
ord <- order(rnk)
statsAdj <- stats[ord]
statsAdj <- sign(statsAdj) * (abs(statsAdj)^gseaParam)
statsAdj <- statsAdj/max(abs(statsAdj))
pathway <- unname(as.vector(na.omit(match(pathway, names(statsAdj)))))
pathway <- sort(pathway)
gseaRes <- calcGseaStat(statsAdj, selectedStats = pathway, returnAllExtremes = TRUE)
bottoms <- gseaRes$bottoms
tops <- gseaRes$tops
n <- length(statsAdj)
xs <- as.vector(rbind(pathway - 1, pathway))
ys <- as.vector(rbind(bottoms, tops))
toPlot <- data.frame(x = c(0, xs, n + 1), y = c(0, ys, 0), pathway = Pathway)
return(list(toPlot))
})
ToPlot$GO_POSITIVE_REGULATION_OF_INFLAMMATORY_RESPONSE
x y pathway
1 0 0.0000000 GO_POSITIVE_REGULATION_OF_INFLAMMATORY_RESPONSE
2 0 0.0000000 GO_POSITIVE_REGULATION_OF_INFLAMMATORY_RESPONSE
3 1 0.1866981 GO_POSITIVE_REGULATION_OF_INFLAMMATORY_RESPONSE
4 1 0.1866981 GO_POSITIVE_REGULATION_OF_INFLAMMATORY_RESPONSE
5 2 0.3477841 GO_POSITIVE_REGULATION_OF_INFLAMMATORY_RESPONSE
6 4 0.3425893 GO_POSITIVE_REGULATION_OF_INFLAMMATORY_RESPONSE
7 5 0.4525161 GO_POSITIVE_REGULATION_OF_INFLAMMATORY_RESPONSE
plot.data <- do.call(rbind, ToPlot)
plot.data <- plot.data[plot.data$y > 0,]
P1 <- ggplot(plot.data, aes(x = x, y = y, group = pathway, color = pathway)) + geom_point(aes(fill = pathway), size = 0) +
geom_line(size = 0.8, show.legend = FALSE) +
guides(fill = guide_legend(nrow = 15),
colour = guide_legend(override.aes = list(shape = 15, size = 2))) +
labs(x = "", y = "Enrichment score", title = "GSEA") +
theme_bw() +
theme(panel.grid =element_blank()) +
theme(axis.ticks.x = element_blank()) +
theme(panel.border = element_blank()) +
theme(axis.line = element_line(size = 0.1),
axis.text.x = element_blank(),
plot.title = element_text(hjust = 0.5, size = 15),
legend.title = element_blank(),
legend.text = element_text(size = 4),
legend.margin = margin(0,0,0,0),
legend.box.margin = margin(0,0,0,0))
（向左查看更多）
step3.获取GSEA图下方的排秩后的基因信息，用于画图。
rankPathway <- sapply(gsea.result.top$pathway, function(Pathway){
pathway <- geneSet[[Pathway]]
stats <- useGene
rnk <- rank(-stats)
ord <- order(rnk)
statsAdj <- stats[ord]
statsAdj <- sign(statsAdj) * (abs(statsAdj)^gseaParam)
statsAdj <- statsAdj/max(abs(statsAdj))
pathway <- unname(as.vector(na.omit(match(pathway, names(statsAdj)))))
pathway <- sort(pathway)
rank.data <- data.frame(rank = pathway, pathway = Pathway)
return(list(rank.data))
})
rankPathway$GO_POSITIVE_REGULATION_OF_INFLAMMATORY_RESPONSE
rank pathway
1 1 GO_POSITIVE_REGULATION_OF_INFLAMMATORY_RESPONSE
2 2 GO_POSITIVE_REGULATION_OF_INFLAMMATORY_RESPONSE
3 5 GO_POSITIVE_REGULATION_OF_INFLAMMATORY_RESPONSE
4 15 GO_POSITIVE_REGULATION_OF_INFLAMMATORY_RESPONSE
5 17 GO_POSITIVE_REGULATION_OF_INFLAMMATORY_RESPONSE
plot.rank <- do.call(rbind, rankPathway)
ticksSize <- 0.8
P2 <- ggplot() + geom_segment(data = plot.rank, mapping = aes(x = rank, y = -0.2, xend = rank, yend = -0.1, color = pathway), size = ticksSize) +
facet_wrap(~ pathway, ncol = 1) +
theme(
strip.background = element_blank(),
strip.text.x = element_blank(),
panel.spacing.y = unit(0, "mm"),
panel.border = element_blank(),
axis.text = element_blank(),
axis.ticks = element_blank(),
panel.grid.minor = element_blank(),
panel.grid.major = element_blank(),
panel.background = element_rect(fill = "transparent",colour = NA)) + labs(x = "", y = "") &NoLegend()
（向左查看更多）
p.list <- list()
p.list[[1]] <- P1
p.list[[2]] <- P2
patchwork::wrap_plots(plotlist = p.list, ncol = 1)
更多好玩的单细胞数据分析挖掘尽在百迈客云，让我们一起期待单细胞百迈客云的上线，当然强大的百迈客云还提供了52款APP实现高度自由个性化分析，118款工具、交互的个性化分析提供无上限分析实操，云平台课堂高效助您方案设计和信息分析（http://www.biocloud.net/），百迈客云成为您的私人信息分析平台，让基因分析更简单。
文：peach
排版：市场部
往期阅读
工具分享STRING一键搞定蛋白质互作网络图
科研高分配图必备工具-Cytoscape
单细胞| Celltalker搭建细胞互作通讯桥梁
SPOTlight助力单细胞和空间转录组联合分析
空间转录组数据可视化介绍--loupe browser
科普|10x单细胞转录组基本分析内容
干货|百迈客单细胞 & 空间转录组专题系列
百迈客生物基于高通量测序技术、生物信息分析技术和生物云计算技术，为广大科研工作者提供以综合技术服务、生物云分析、三代高通量测序以及试剂、仪器等科研周边业务。
公司拥有Nanopore、PacBio、Illumina、Waters、10XGenomics等主流服务平台，以及基于云架构的生物云计算平台—百迈客云，提供涵盖人重外显子、三维基因组、单细胞与空间转录组、基因组组装、转录调控、微生物、群体遗传、质谱及表观遗传等研究方向的技术服务。目前百迈客云平台拥有200多款基因分析工具，分析结果可直接用于文章发表，更有近百部科研相关视频和8大基因数据库助力科研工作者深度数据挖掘。
自公司成立起先后在《Cell》、《Nature》、《Nature Genetics》、《Nature Communications》、《Plant Cell》等学术刊物发表论文数千篇，拥有国家发明专利技术40余项，软件著作权近200余项。
我们一直秉承”生物科技创新，服务社会，造福人民”的企业使命，致力于打造“生物科技创新中心”的发展愿景，让生物科技更快，更好的提高人类生活质量。