ggcyto 优雅的可视化流式细胞数据

不忘初心,方得始终

1引言

ggcyto 是一个围绕 ggplot 和图形范式语法构建的数据可视化分析工具。该软件扩展了许多数据科学家已经熟悉的流行的 ggplot2 框架，使其能够识别核心的 Bioconductor 流式细胞术数据结构，从而获得封闭式和注释式的流式细胞数据。

它简化了流动数据的可视化和绘制，以便用于出版物质量图形。有三种方法可以构建 ggcyto 图。每一个都代表了不同程度的复杂性和灵活性。它们满足各种绘图应用程序的需要，因此适合不同编码技能水平的用户。

三种方法:

• 使用 autoplot 快速绘图。

• ggcyto + flowSet / ggcyto + GatingSet 灵活绘图。

• ggplot + flowSet1d / ggplot + flowSet2d / ggplot + flowSet + gate / ggplot + flowSet + overlay 更加多方面的灵活绘图和控制。

2安装

# install
BiocManager::install("ggcyto")
BiocManager::install('openCyto')
BiocManager::install("flowWorkspaceData")

3特点介绍

有三种水平来进行绘图。

# set working dir
library(ggcyto)
dataDir <- system.file("extdata",package="flowWorkspaceData")

ggplot 低级水平

GatingSet 数据:

gs <- load_gs(list.files(dataDir, pattern = "gs_manual",full = TRUE))
attr(gs, "subset") <- "CD3+"

ggplot(gs, aes(x = `<B710-A>`, y = `<R780-A>`)) +
  geom_hex(bins = 128) +
  scale_fill_gradientn(colours = gray.colors(9))

flowSet/ncdfFlowSet/flowFrame, 密度图:

# flowSet/ncdfFlowSet/flowFrame
fs <- gs_pop_get_data(gs, "CD3+")

ggplot(fs, aes(x = `<B710-A>`)) +
  geom_density(fill = "blue", alpha= 0.5)

gates:

# gates
gates <- filterList(gs_pop_get_gate(gs, "CD8"))

ggplot(gs, aes(x = `<B710-A>`, y = `<R780-A>`)) +
  geom_hex(bins = 128) +
  geom_polygon(data = gates, fill = NA, col = "purple")

ggcyto 中级水平

ggcyto(gs, aes(x = CD4, y = CD8)) +
  geom_hex(bins = 128) +
  geom_gate("CD8")

autoplot 高级水平

一维和二维:

#1d
autoplot(fs, "CD4")

#2d
autoplot(fs, "CD4", "CD8", bins = 64)

autoplot(gs, c("CD4", "CD8"), bins = 64)

不同的轴尺度缩放

原始数据:

data(GvHD)
fr <- GvHD[[1]]
p <- autoplot(fr, "FL1-H")
p #raw scale

三种不同的缩放样式:

p + scale_x_logicle() #flowCore logicle scale
p + scale_x_flowJo_fasinh() # flowJo fasinh
p + scale_x_flowJo_biexp() # flowJo biexponential

通用的 geom_gate 图层

垂直:

fr <- fs[[1]]
p <- autoplot(fr,"CD4", "CD8") + ggcyto_par_set(limits = "instrument")

#1d gate vertical
gate_1d_v <- openCyto::gate_mindensity(fr, "<B710-A>")
p + geom_gate(gate_1d_v)

水平:

#1d gate horizontal
gate_1d_h <- openCyto::gate_mindensity(fr, "<R780-A>")
p + geom_gate(gate_1d_h)

二维矩形:

#2d rectangle gate
gate_rect <- rectangleGate("<B710-A>" = c(gate_1d_v@min, 4e3),
                           "<R780-A>" = c(gate_1d_h@min, 4e3))
p + geom_gate(gate_rect)

椭圆形:

#ellipsoid Gate
gate_ellip <- gh_pop_get_gate(gs[[1]], "CD4")
p + geom_gate(gate_ellip)

geom_stats 统计图层

p <- ggcyto(gs, aes(x = "CD4", y = "CD8"), subset = "CD3+") +
  geom_hex()

p + geom_gate("CD4") + geom_stats()

展示细胞数量:

p + geom_gate("CD4") + geom_stats(type = "count") #display cell counts

ggcyto_layout 分面

在绘制 GatingHierarchy 时，多个细胞种群及其相关的可以被绘制在同一图的不同面板中:

gh <- gs[[1]]
nodes <- gs_get_pop_paths(gh, path = "auto")[c(3:9, 14)]
nodes
[1] "singlets"    "CD3+"        "CD4"         "CD4/38- DR+" "CD4/38+ DR+" "CD4/38+ DR-"
[7] "CD4/38- DR-" "CD8"

p <- autoplot(gh, nodes, bins = 64)

p

绘制在一行:

gt <- ggcyto_arrange(p, nrow = 1)
plot(gt)

组合 density:

p2 <- autoplot(gh_pop_get_data(gh, "CD3+")[,5:8]) # some density plot
p2@arrange.main <- ""#clear the default title
gt2 <- ggcyto_arrange(p2, nrow = 1)

gt3 <- gridExtra::gtable_rbind(gt, gt2)
plot(gt3)

还有其它功能,大家可以去学习,这里就不一一介绍了。

4autoplot 快速绘图

flowSet:

一维密度图:

library(ggcyto)
dataDir <- system.file("extdata",package="flowWorkspaceData")
gs <- load_gs(list.files(dataDir, pattern = "gs_bcell_auto",full = TRUE))
data(GvHD)
fs <- GvHD[subset(pData(GvHD), Patient %in%5 & Visit %in% c(5:6))[["name"]]]

autoplot(fs, x = 'FSC-H')

二维:

autoplot(fs, x = 'FSC-H', y = 'SSC-H', bins = 64)

不通过 x,绘制所有的:

autoplot(fs[[1]]) + labs_cyto("marker")

GatingSet:

autoplot(gs, "CD3", bins = 64)

标记多个细胞:

autoplot(gs, c("CD3", "CD19"), bins = 64)

GatingHierarchy:

多个细胞群及其相关的通道可以绘制在同一图的不同面板上:

gh <- gs[[1]]
nodes <- gs_get_pop_paths(gh, path = "auto")[c(3:6)]
nodes
[1] "lymph" "Live"  "CD20"  "CD19"

autoplot(gh, nodes, bins = 64)

5ggcyto 绘图

直方图:

library(ggcyto)
data(GvHD)
fs <- GvHD[subset(pData(GvHD), Patient %in%5:7 & Visit %in% c(5:6))[["name"]]]
fr <- fs[[1]]

p <- ggcyto(fs, aes(x = `FSC-H`))
p1 <- p + geom_histogram()
p1

设置分面:

p1 + facet_grid(Patient~Visit)

密度图:

p + geom_density()

p + geom_density(fill = "black")

# 颜色映射
ggcyto(fs, aes(x = `FSC-H`, fill = name)) + geom_density(alpha = 0.2)

# 绘制在一起
ggplot(fs, aes(x = `FSC-H`, fill = name)) + geom_density(alpha = 0.2)

山脊图:

#you can use ggridges package to display stacked density plot
require(ggridges)
#stack by fcs file ('name')
p + geom_density_ridges(aes(y = name)) + facet_null() #facet_null is used to remove the default facet_wrap (by 'name' column)

#or to stack by Visit and facet by patient
p + geom_density_ridges(aes(y = Visit)) + facet_grid(~Patient)

散点图:

# 2d hex
p <- ggcyto(fs, aes(x = `FSC-H`, y =  `SSC-H`))
p <- p + geom_hex(bins = 128)
p

限制轴范围:

p <- p + ylim(c(10,9e2)) + xlim(c(10,9e2))
p

更改颜色:

p + scale_fill_gradientn(colours = rainbow(7), trans = "sqrt")

p + scale_fill_gradient(trans = "sqrt", low = "gray", high = "black")

添加 geom_gate 和 geom_stats 图层

# estimate a lymphGate (which is an ellipsoidGate) for each sample
lg <- flowStats::lymphGate(fs, channels=c("FSC-H", "SSC-H"),scale=0.6)
# apply the ellipsoidGates to their corresponding samples
fres <- filter(fs, lg)

p + geom_gate(lg)

矩形:

rect.g <- rectangleGate(list("FSC-H" =  c(300,500), "SSC-H" = c(50,200)))
rect.gates <- sapply(sampleNames(fs), function(sn)rect.g)

p + geom_gate(rect.gates)

添加统计图层:

p + geom_gate(rect.gates) + geom_stats(size = 3)

添加水平或竖直密度中值线:

# 水平
den.gates.x <- fsApply(fs, openCyto::gate_mindensity,
                       channel = "FSC-H",
                       gate_range = c(100, 300), adjust = 1)
p + geom_gate(den.gates.x) + geom_stats()

# 竖直
den.gates.y <- fsApply(fs, openCyto::gate_mindensity,
                       channel = "SSC-H",
                       gate_range = c(100, 500), adjust = 1,
                       positive = FALSE)

p + geom_gate(den.gates.y) + geom_stats(value = lapply(rect.gates, function(g)0.1))

密度曲线里添加:

ggcyto(fs, aes(x = `FSC-H`)) +
  geom_density(fill = "black", aes(y = ..scaled..)) +
  geom_gate(den.gates.x)  +
  geom_stats(type = "count")

6结尾

这里我只简单的介绍了前面三部分的,内容太多大家就自己去好好学习一下吧!加油!

欢迎加入生信交流群。加我微信我也拉你进 微信群聊 老俊俊生信交流群 哦,数据代码已上传至QQ群,欢迎加入下载。

群二维码：