1简介

在本文档中，展示了使用groupProbPlot函数的典型分析。具有此功能的缩进以单细胞分辨率显示组、组织、刺激或类似物之间的差异。这个想法是，来自两个被研究组之一的特定细胞类型的细胞将被来自同一组的欧几里得最近邻居所包围。这是分析的基础:在标准情况下，每个单元格被赋予一个介于-1到1之间的数字，该数字反映了来自一组(-1)或另一组(1)的所有输入标记所创建的欧几里得空间中100个最近邻居中的哪一部分。刻度进行了调整，以反映在这种情况下，中间对应着来自每个组的50%的单元格的完美混合的可能性。有关包的介绍和示例数据描述，请参阅通用DepecheR包vinjette。

2安装

这是如何安装包，如果还没有这样做:

如果(!requireNamespace("BiocManager"， quiet = TRUE)) install.packages("BiocManager")::install("DepecheR")

3.样例数据准备

为了实现可视化目的，数据的一些二维表示是必要的。这可能只是用于构造概率向量的两个变量，但包含所有变量的数据更有信息量，例如tSNE或UMAP。在本例中，我们将使用tSNE显示数据。

library(DepecheR) data("testData") data("testDataSNE")

4群概率图

该函数与DepecheR包中的其他组微分函数不同，它不需要depeche函数或任何其他聚类算法的聚类输出作为输入。取而代之的是，需要添加所有用于识别欧几里得最近邻居的indata，以及组身份向量和用于显示数据的2D数据。可以选择返回结果组概率向量，本例就是这种情况。

dataTrans <- testData[， c("SYK"， "CD16"， "CD57"， "EAT.2"， "CD8"， "NKG2C"， "CD2"， "NKG2C"， "CD2"， "CD56") testData$groupProb <- groupProbPlot(xYData = testDataSNE$Y, groupVector = testData$label, groupName1 = "Group_1"， groupName2 = "Group_2"， dataTrans = dataTrans) ## [1] "Done with k-means" ##[1] "现在第一个比特完成，迭代部分去掉" ##[1]"群集1到7在2.9159369468689中被smoothed。现在，13个集群还剩下##[1]。”集群8到14平滑在0.925199031829834。现在，还剩下6个集群。”集群15到20平滑在0.905373096466064。现在，0个集群还剩下##[1]个。”

运行此函数时，输出是保存到磁盘上的高分辨率图形。这里显示了结果的低分辨率变体(由于BioConductor尺寸限制的原因，使其变小)。在这种情况下，这些组是如此的分离，以至于几乎所有的细胞都有100%的概率属于其中一个组或另一个组。这在实际数据中是不寻常的，所以白色区域通常更大。

群概率图

5会话信息

sessionInfo ()

## R版本4.2.0 RC (2022-04-19 r82224) ##平台:x86_64-pc-linux-gnu(64位)##运行在Ubuntu 20.04.4 LTS ## ##矩阵产品:默认## BLAS: /home/biocbuild/bbs-3.15-bioc/R/lib/libRblas。/home/biocbuild/bbs-3.15-bioc/R/lib/libRlapack。所以## ## locale: ## [1] LC_CTYPE=en_US。UTF-8 LC_NUMERIC= c# # [3] LC_TIME=en_GB LC_COLLATE= c# # [5] LC_MONETARY=en_US。utf - 8 LC_MESSAGES = en_US。UTF-8 ## [7] LC_PAPER=en_US。UTF-8 LC_NAME= c# # [9] LC_ADDRESS=C lc_phone = c# # [11] LC_MEASUREMENT=en_US。UTF-8 LC_IDENTIFICATION=C ## ##附加的基本包:## [1]stats graphics grDevices utils datasets methods基础## ##其他附加包:## [1]DepecheR_1.12.0 knitr_1.38 BiocStyle_2.24.0 ## ##通过命名空间加载(且未附加):## [13] RSpectra_0.16-1 plyr_1.8.7 R6_2.5.1 ## [13] ellipse_0.4.2 evaluate_0.15 ggplot2_3.3.5 ## [19] pillar_1.7.0 gplots_3.1.3 rlang_1.0.2 ## [25] Matrix_1.4-1 rmarkdown_2.14 moments_0.14 ## [28] rARPACK_0.11-0 BiocParallel_1.30.0 string_1 .4.0 ## [31][40] gridExtra_2.3 bookdown_0.26 codetools_0.2-18 ## [43] matrixStats_0.62.0 viridisLite_0.4.0 fansi_1.0.3 ## [46] crayon_1.5.1 dplyr_1.0.8 MASS_7.3-57 ## [49] bitops_1.0-7 grid_4.2.0 jsonlite_1.8.0 ## [52] gtable_0.3.0 lifecycle_1.0.1 DBI_1.1.2 ## [55] magrittr_2.0.3 scales_1.2.0 KernSmooth_2.23-20 ## [58] cli_3.3.0 stringi_1.7.6 reshape2_1.4.4 ##[61] viridis_0.6.2 robustbase_0.95-0 bslib_0.3.1 ## [64] ellipsis_0.3.2 generics_0.1.2 vctrs_0.4.1 ## [67] RColorBrewer_1.1-3 iterators_1.0.14 mixOmics_6.20.0 ## [70] tools_4.2.0 glue_1.6.2 DEoptimR_1.0-11 ## [73] purrr_0.3.4 parallel_2.0 fastmap_1.1.0 ## [76] yaml_2.3.5 colorspace_2.0-3 BiocManager_1.30.17 ## [79] caTools_1.18.2 beanplot_1.3.1 sass_0.4.1