-
单细胞测序流程（一）简介与数据下载
单细胞测序流程（二）数据整理
单细胞测序流程（三）质控和数据过滤——Seurat包分析，小提琴图和基因离差散点图
单细胞测序流程（四）主成分分析——PCA
单细胞测序流程（五）t-sne聚类分析和寻找marker基因
单细胞测序流程（六）单细胞的细胞类型的注释
单细胞测序流程（七）单细胞的细胞类型轨迹分析
本期主讲内容——单细胞的GO圈图
咱们在上一个课程中进行了GO富集分析，但是我们无法看到基因在GOterm的富集情况，也无法看到GOterm之间的关系
提示：以下是本篇文章正文内容，下面案例可供参考
一、课前准备之前所使用的数据（上个课程中运行结果这就是在所需的数据：id.txt与go.txt）
R语言的IDE
二、过程 将准备数据和脚本放在一起，直接运行R的脚本即可，#install.packages("digest")
#install.packages("GOplot")
library(GOplot)
setwd("文件所在的目录") #设置工作目录
ego=read.table("GO.txt", header = T,sep="t",check.names=F) #读取GO富集结果文件
go=data.frame(Category = "All",ID = ego$ID,Term = ego$Description, Genes = gsub("/", ", ", ego$geneID), adj_pval = ego$p.adjust)
#读取基因的logFC文件
id.fc <- read.table("id.txt", header = T,sep="t",check.names=F)
genelist <- data.frame(ID = id.fc$gene, logFC = id.fc$avg_logFC)
row.names(genelist)=genelist[,1]
circ <- circle_dat(go, genelist)
termNum = 3 #限定term数目
geneNum = nrow(genelist) #限定基因数目
chord <- chord_dat(circ, genelist[1:geneNum,], go$Term[1:termNum])
pdf(file="circ.pdf",width = 11,height = 10.5)
GOChord(chord,
space = 0.001, #基因之间的间距
gene.order = 'logFC', #按照logFC值对基因排序
gene.space = 0.25, #基因名跟圆圈的相对距离
gene.size = 5, #基因名字体大小
border.size = 0.1, #线条粗细
process.label = 6) #term字体大小
dev.off()
termCol <- c("#223D6C","#D20A13","#FFD121","#088247","#58CDD9","#7A142C","#5D90BA","#431A3D","#91612D","#6E568C","#E0367A","#D8D155","#64495D","#7CC767")
pdf(file="cluster.pdf",width = 15,height = 10)
GOCluster(circ.gsym,
go$Term[1:termNum],
lfc.space = 0.2, #倍数跟树间的空隙大小
lfc.width = 1, #变化倍数的圆圈宽度
term.col = termCol[1:termNum], #自定义term的颜色
term.space = 0.2, #倍数跟term间的空隙大小
term.width = 1) #富集term的圆圈宽度
dev.off()
三、结果
从图就可以看出，基因和各个GO之间的关系，图的下方可以看到每个GO的颜色，logFC的值代表基因的表达程度，颜色越深代表富集程度越高，表达成都越高越显著。
图的下方可以看到每个GO的颜色，里面的环为基因，基因在哪里就代表那个GO里有这个基因，比如说有一个基因在三个颜色的环下面，则代表在三个GO中都有，logFC的值代表表达程度，颜色越深代表富集程度越高，表达越显著。
四、结尾因为这次的结果很多取决于之前的数据，所以必须要把上一节课的内容也要用到，所以要保证之前所得到结果无误才可以。
单细胞测序流程（九）单细胞的GO圈图到这里就已结束了
下一章会讲解kegg富集分析和kegg的圈图的绘画（最后一个课程了）
我所做的所有分析与教程的代码都会在我的个人公众号中，请打开微信搜索“生信学徒”进行关注，欢迎生信的研究人员和同学前来讨论分析。
ps：公众号刚刚建立比较简陋，但是该有的内容都不会少。
