其实在教程：为什么CD4阳性T细胞并不是表达CD4最多的，分享过这个技巧，不过标题不够醒目，所以大家很难记忆它，换个马甲再来一次， 这次很明确的告诉你是在在umap图上面叠加基因表达量。
就是为了回答交流群小伙伴的提问：
这个umap里面，叠加了FeaturePlot看一个基因表达信息。文献出处是：《IL-11 is a crucial determinant of cardiovascular fibrosis》，作者其实就是想展现IL-11这个基因呢，在其中一个fibroblasts细胞亚群里面是表达量比较高！
仍然是以大家熟知的pbmc3k数据集为例
大家先安装这个数据集对应的包，并且对它进行降维聚类分群，参考前面的例子：人人都能学会的单细胞聚类分群注释 ，而且每个亚群找高表达量基因，都存储为Rdata文件。
# 0.安装R包 ----
# devtools::install_github('caleblareau/BuenColors')
# utils::install.packages(pkgs = "ggstatsplot")
# InstallData("pbmc3k")
# 1.加载R包和测试数据 ----
rm(list = ls())
library(SeuratData) #加载seurat数据集
getOption('timeout')
options(timeout = 10000)
data("pbmc3k")
sce <- pbmc3k.final
library(Seurat)
DimPlot(sce,reduction = "umap",label = TRUE)
unique(Idents(sce))
sce$celltype = Idents(sce)
# 2.单细胞分析基本流程 ----
# 主要是拿到 tSNE和Umap的坐标，因为默认的 pbmc3k.final 是没有的
sce <- NormalizeData(sce, normalization.method = "LogNormalize",
scale.factor = 1e4)
sce <- FindVariableFeatures(sce,
selection.method = "vst", nfeatures = 2000)
sce <- ScaleData(sce)
sce <- RunPCA(object = sce, pc.genes = VariableFeatures(sce))
sce <- FindNeighbors(sce, dims = 1:15)
sce <- FindClusters(sce, resolution = 0.8)
set.seed(123)
sce <- RunTSNE(object = sce, dims = 1:15, do.fast = TRUE)
sce <- RunUMAP(object = sce, dims = 1:15, do.fast = TRUE)
DimPlot(object = sce, reduction = "umap",label = TRUE)
# 3.定义分组信息 ----
Idents(sce) = sce$celltype
# 4.寻找各个单细胞亚群的特征性高表达量基因----
sce.markers <- FindAllMarkers(object = sce,
only.pos = TRUE,
min.pct = 0.25,
thresh.use = 0.25)
save(sce, sce.markers, file = 'tmp.Rdata')
接下来开启绘图模式
在前面保存好了的seurat对象什么，可以提取表达量矩阵，以及降维后的坐标，就很容易自定义绘图啦，代码如下所示：
sce.all=sce
gene='CD4'
p1=DimPlot(sce.all,reduction = 'umap',label = T,repel = T,
group.by = 'celltype')
pos=sce.all@reductionsRNA@counts[gene,]>1,]
head(pos)
p1+geom_point(aes(x=UMAP_1,y=UMAP_2),
shape = 21, colour = "black",
fill = "blue", size = 0.5,
data = as.data.frame(pos))
效果如下所示：
可以看到的是CD4这个基因并不是在CD4的T细胞特异性表达哦，在各种Mono细胞也是有不少的表达量哈。
这样的基础认知，也可以看单细胞的基础10讲：
01. 上游分析流程 02.课题多少个样品，测序数据量如何 03. 过滤不合格细胞和基因（数据质控很重要） 04. 过滤线粒体核糖体基因 05. 去除细胞效应和基因效应 06.单细胞转录组数据的降维聚类分群 07.单细胞转录组数据处理之细胞亚群注释 08.把拿到的亚群进行更细致的分群 09.单细胞转录组数据处理之细胞亚群比例比较
最基础的往往是降维聚类分群，参考前面的例子：人人都能学会的单细胞聚类分群注释
写在文末
我在《生信技能树》，《生信菜鸟团》，《单细胞天地》的大量推文教程里面共享的代码都是复制粘贴即可使用的， 有任何疑问欢迎留言讨论，也可以发邮件给我，详细描述你遇到的困难的前因后果给我，我的邮箱地址是 jmzeng1314@163.com
如果你确实觉得我的教程对你的科研课题有帮助，让你茅塞顿开，或者说你的课题大量使用我的技能，烦请日后在发表自己的成果的时候，加上一个简短的致谢，如下所示：
We thank Dr.Jianming Zeng(University of Macau), and all the members of his bioinformatics team, biotrainee, for generously sharing their experience and codes.
十年后我环游世界各地的高校以及科研院所（当然包括中国大陆）的时候，如果有这样的情谊，我会优先见你。