单细胞数据的细胞提取及分组UMAP图绘制流程参考(Python)

原创

凑齐六个字吧

发布于 2025-06-29 19:33:22

24100

代码可运行

文章被收录于专栏：单细胞单细胞

运行总次数：0

代码可运行

在进行个性化探索的时候尝需要提取数据进行分组探索，以下就是一个简单流程。

1.导入

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import scanpy as sc
import numpy as np
import anndata as ad
import pooch
import os

# 确定位置
os.getcwd()

2.读取位置

# 读取数据
adata = sc.read_h5ad('./scRNA_V5.h5ad')

adata.obs

# 展示一下该数据集

# PCA
sc.tl.pca(adata)
# Harmony 整合
sce.pp.harmony_integrate(adata, 'orig.ident')  # 或 'sample'
# 构建邻接图
sc.pp.neighbors(adata, use_rep='X_pca_harmony')
# 然后再运行 UMAP
sc.tl.umap(adata)

sc.pl.umap(
    adata,                          # AnnData 对象
    color="celltype",              # 按 celltype 分组上色
    size=0.8,                      # 点大小，类似 pt.size
    legend_loc='right margin',          # 在图上显示标签，等价于 label = TRUE
    ncols=2,                       # 控制子图排列列数
    title=None,                    # 可选：不显示默认标题
    show =False
)

adata.obs["celltype"].unique()

3.模拟肿瘤和非肿瘤数据后进行比较

Tgroup = ["sample1", "sample3", "sample5"]
# np.where有点像ifelse
adata.obs['type'] = np.where(adata.obs['orig.ident'].isin(Tgroup), 'Tumor', 'Normal')

4.提取Tumor 和 Normal相同细胞数

adata.obs["type"].value_counts()

# type
# Tumor     2048
# Normal    1983
# Name: count, dtype: int64

# 获取 Tumor 和 Control 的索引
tumor_indices = adata.obs.index[adata.obs["type"] == "Tumor"]
control_indices = adata.obs.index[adata.obs["type"] == "Normal"]

# 随机选择目标数量个细胞
np.random.seed(42)  # 设置随机种子，以便结果可重复
selected_tumor_indices = np.random.choice(tumor_indices, size=1000, replace=False)
selected_control_indices = np.random.choice(control_indices, size=1000, replace=False)
#从 Tumor 和 Normal 各自中随机选取 1000 个细胞。
#replace=False 表示不放回抽样。

# 生成Tumor/Normal的子集
tumor_subset_adata = adata[selected_tumor_indices].copy()
control_subset_adata = adata[selected_control_indices].copy()

# 合并 Tumor 和 Control 子集
combined_adata = tumor_subset_adata.concatenate(control_subset_adata)

# 3. 进行 Harmony 处理
sce.pp.harmony_integrate(combined_adata, 'orig.ident')

# 进行邻接图构建和 UMAP 降维
sc.pp.neighbors(combined_adata, n_neighbors=20, n_pcs=15, use_rep='X_pca_harmony')
sc.tl.umap(combined_adata)

5.结果绘制

# 4. 绘制 UMAP 图，两张图分别显示 Tumor 和 Control
fig, axes = plt.subplots(1, 2, figsize=(12, 6))

# 选择合并后的数据并绘制 Tumor 的 UMAP
tumor_mask = combined_adata.obs['type'] == 'Tumor'
sc.pl.umap(combined_adata[tumor_mask], ax=axes[0], show=False, title='Tumor UMAP', color='celltype', legend_loc=None)

# 选择合并后的数据并绘制 Control 的 UMAP
control_mask = combined_adata.obs['type'] == 'Normal'
sc.pl.umap(combined_adata[control_mask], ax=axes[1], show=False, title='Normal UMAP', color='celltype')

# 遍历所有文本对象，调节字体大小
for ax in fig.axes:
    # 调整 x 轴标签
    ax.tick_params(axis='x', labelsize=12, rotation=45)  # X轴字体大小+旋转
    # 调整 y 轴标签
    ax.tick_params(axis='y', labelsize=12)               # Y轴字体大小
    # 如果需要，可以加轴标题字体大小
    ax.xaxis.label.set_size(14)
    ax.yaxis.label.set_size(14)
    # 可以设置更具体的标题字体
    ax.title.set_fontsize(16)

plt.savefig("umapPlot_sub.pdf",bbox_inches='tight',dpi=300)
plt.show()