SeuratExtend 可视化教程（1）：单细胞分析的高颜值绘图指南

在单细胞RNA测序分析中，可视化是揭示数据背后生物学模式的关键步骤。Seurat作为单细胞分析的主流工具，虽然功能强大，但在可视化方面仍有提升空间。今天就为大家介绍Seurat的增强包------SeuratExtend，它能让你的单细胞图表瞬间提升一个档次！

单细胞转录组、空间转录组、转录组（mRNA-seq、miRNA-seq、lncRNA-seq、circRNA-seq）、宏基因组、16S扩增子、基因组、ChIP-seq、等组学、TCGA/GEO数据挖掘、影像组、病理组、研究学习免费交流群：18983376561

什么是SeuratExtend？

SeuratExtend是基于Seurat开发的扩展包，专注于增强可视化功能。它保留了Seurat原有的使用习惯，同时添加了大量自定义参数，让你的图表既能满足科研需求，又能拥有 publication 级别的美观度。

注意：下边的例子基于SeuratExtend 1.2.3版本

核心功能亮点

增强版降维散点图（DimPlot2）

告别Seurat中DimPlot（离散变量，如细胞类型，分组等）和FeaturePlot（连续变量，如基因表达水平等）的区分，DimPlot2一键搞定所有类型变量的可视化：

r 复制代码

library(Seurat)
library(SeuratExtend)

# 基础用法 离散分类
DimPlot2(pbmc)

# 同时展示多种变量
DimPlot2(pbmc, features = c("cluster", "orig.ident", "CD14", "CD3D"))

特色功能：

自动识别变量类型，无需切换函数
支持高亮特定细胞群（cells.highlight 参数）
缩小 UMAP 坐标轴箭头（p + theme_umap_arrows()）

FeaturePlot3

新增三特征同时展示（FeaturePlot3），通过RGB或RYB混色原理呈现三个基因的表达分布

r 复制代码

FeaturePlot3(pbmc, color = "ryb", feature.1 = "CD3D", feature.2 = "CD14", feature.3 = "CD79A", pt.size = 0.5)

高颜值热图（Heatmap）

热图是展示大量基因在不同集群中表达模式的利器，SeuratExtend的Heatmap函数让颜色搭配更专业：

r 复制代码

# 计算变量基因的z-score
genes <- VariableFeatures(pbmc)
toplot <- CalcStats(pbmc, features = genes, method = "zscore")

# 基础热图
Heatmap(toplot, lab_fill = "zscore")

# 只标注部分基因
toplot2 <- CalcStats(pbmc, features = genes[1:500], method = "zscore", order = "p")
Heatmap(toplot2, lab_fill = "zscore", feature_text_subset = genes[1:20], expand_limits_x = c(-0.5, 11))

增强版点图（DotPlot2）

点图能同时展示基因表达量（颜色）和表达细胞比例（大小），是单细胞分析的必备图表：

r 复制代码

DotPlot2(pbmc, 
         features = grouped_features, 
         color_scheme = "BuRd", 
         border = FALSE,        # Remove dot borders
         show_grid = FALSE,     # Remove grid lines
         flip = TRUE)          # Flip coordinates

增强版小提琴图（VlnPlot2）

小提琴图能展示基因表达的分布特征，VlnPlot2在此基础上增加了统计分析功能：

r 复制代码

# 基础用法
VlnPlot2(pbmc, features = c("CD3D","CD14","CD79A"))

# 高级功能：添加统计学标注
VlnPlot2(pbmc, features = "CD3D", 
         group.by = "cluster", 
         stat.method = "wilcox.test",  # 威尔科克森检验
         hide.ns = TRUE)  # 隐藏不显著结果

集群分布柱状图（ClusterDistrBar）

想知道每个样本中各细胞集群的比例？这个函数能帮你快速可视化：

r 复制代码

# 展示各样本中集群的分布比例
ClusterDistrBar(origin = pbmc$orig.ident, cluster = pbmc$cluster)

瀑布图（WaterfallPlot）

瀑布图非常适合展示两个细胞群之间的差异基因或通路：

r 复制代码

# 比较两个细胞群的通路活性差异
WaterfallPlot(matr, f = pbmc$cluster, ident.1 = "Mono CD14", ident.2 = "CD8 T cell")

火山图（VolcanoPlot）

火山图能同时展示差异的大小（x轴）和显著性（y轴），是筛选关键基因的好帮手：

r 复制代码

VolcanoPlot(pbmc, 
            ident.1 = "B细胞", ident.2 = "CD8 T细胞",
            x.threshold = 0.5,  # logFC阈值
            y.threshold = 2)    # -log10(p值)阈值

配色方案指南

SeuratExtend提供了丰富的配色方案，让你的图表既专业又美观：

离散变量（如集群、样本）：推荐使用"default"（深色）或"light"（浅色）方案
连续变量（如基因表达）：推荐使用"Blues"（蓝色渐变）或"BuRd"（蓝红渐变）

r 复制代码

# 为离散变量自定义颜色
DimPlot2(pbmc, cols = "pro_blue")  # 专业蓝色系

# 为连续变量自定义颜色
FeaturePlot(pbmc, feature = "CD14", cols = "OrRd")  # 橙红渐变

选择合适的可视化方式

不同图表有不同的适用场景，选择合适的图表类型能让你的结果更有说服力

图表类型	最佳用途	优势
热图	比较多个特征在多组间的模式	紧凑展示大规模数据
点图	同时展示表达量和表达比例	信息更丰富
小提琴图	展示表达分布细节	可添加统计分析
瀑布图	展示两组间的差异排序	清晰呈现最显著差异
火山图	展示差异大小与显著性	快速筛选关键特征

Reference

r 复制代码

https://huayc09.github.io/SeuratExtend/articles/Visualization.html