library(ggplot2)
library(RColorBrewer)
library(scales)
# 聚类细胞
cds <- cluster_cells(cds)

# 基于UMAP进行分区
cds@colData$part <- partitions(cds, reduction_method = "UMAP")

# 绘制分区图，展示不同的细胞群体
plot_cells(cds, color_cells_by = "partition", label_cell_groups = FALSE)

数据结构角度讲解

要解读这段代码的数据结构和内容，需要先明确每个数据对象和函数的功能。以下是各部分的数据结构解读：

1. cds 对象

cds 是一个 CellDataSet 对象，来自 Monocle3。它是单细胞分析的核心数据结构，包含以下主要内容：

• 表达数据:

  • 存储在 cds@assays$data，通常为基因表达矩阵（如 counts 数据）。

• 细胞元数据:

  • 存储在 cds@colData，是一个 DataFrame，包含每个细胞的相关信息，比如细胞类型、分区信息等。

• 基因元数据:

  • 存储在 cds@rowData，是一个 DataFrame，包含基因的注释信息（如基因名、基因 ID）。

• 降维结果:

  • 通常存储在 cds@reducedDims 中，包含 UMAP 或 PCA 的降维坐标。

• 轨迹图数据:

  • 存储在 cds@principal_graph，包含轨迹推断生成的细胞间连接信息。

2. cluster_cells(cds)

这一步执行了 细胞聚类，结果被存储到 cds@colData 中的新列：

• 新增列名为 cluster 或类似名称。
• 每个细胞被分配到一个聚类标签（如 1, 2, 3 等整数）。

3. partitions(cds, reduction_method = "UMAP")

这一步执行了基于 UMAP 的 细胞分区：

• 输入:

  • cds: 包含细胞降维信息的 CellDataSet。
  • reduction_method = "UMAP": 指定基于哪种降维方法（通常为 UMAP）。

• 输出:

  • 返回一个向量，包含每个细胞的分区标签（通常是整数，如 1, 2, 3）。

• 存储:

  • 分区结果被存储到 cds@colData$part，每个细胞对应一个分区标签。

4. plot_cells 可视化

功能:

plot_cells 函数用于绘制细胞分布图，支持多种颜色映射方式，比如按分区、聚类或拟时序。

color_cells_by = "partition":

• 输入:
  • color_cells_by = "partition": 将细胞按分区标签着色。
• 绘图内容:
  • 细胞按降维（UMAP）坐标分布。
  • 不同分区用不同颜色表示。

label_cell_groups = FALSE:

• 不为细胞群体标注标签，仅展示颜色分区。

数据结构:

绘图用到的数据来源于 cds 的以下部分：

• 降维坐标: 存储在 cds@reducedDims$UMAP。
• 分区标签: 存储在 cds@colData$part。

总结数据流

1. 输入数据: 包括表达矩阵（counts）、细胞元数据和基因元数据。
2. 中间过程:
   • 聚类结果存储在 cds@colData$cluster。
   • 分区结果存储在 cds@colData$part。
3. 可视化:
   • UMAP 降维结果来自 cds@reducedDims$UMAP。
   • 分区标签用于按颜色分组。

通过这些步骤，可以有效地展示不同细胞群体的分布及其分区关系。