感谢关注，一起来学习生信干货。

今日代码实现

玩转RunUMAP参数，修改UMAP图cluster的聚类形状

编者注

老赵最早做单细胞分析的时候，读别人的文章，有时候会很困惑：为什么别人家的UMAP图那么圆润，而自己的UMAP图枝枝丫丫，显得丑陋不堪。后面做多了单细胞，在假设没有恶意删除离群细胞的情况下，自己也摸索出了一些修图调参的技巧，在这里以飨读者。

读取数据，默认参数 PCA 1:30

library(Seurat)
library(Matrix)
library(ggplot2)
library(dplyr)
library(tidyr)
pbmc10k <- readRDS("/Users/zhao/Desktop/demon_pbmc10k/pbmc10k.rds")
pbmc10k <- RunUMAP(pbmc10k, dims = 1:30,reduction = 'pca')
DimPlot(pbmc10k,group.by = 'celltype',label = T)

可以看到在利用dim1:30 PCA的时候，NKT有明显两群。

1. 可调参数之PCA dims

# 探究PCA的dims
# 定义不同的 dims 范围
dims_list <- list(1:10, 1:20, 1:40, 1:50)
plot_list <- list()
# 循环运行 RunUMAP 并绘制图片
for (i in seq_along(dims_list)) {
  dims <- dims_list[[i]]
  # 运行 UMAP
  pbmc10k <- RunUMAP(pbmc10k, dims = dims, reduction = 'pca')
  # 绘制 UMAP 图
  plot <- DimPlot(pbmc10k,group.by = 'celltype', pt.size = 0.5, label = TRUE)
  plot <- plot + ggtitle(paste("Dims:", paste(head(dims, 1), ":", tail(dims, 1))))
  # 将图片添加到列表中
  plot_list[[i]] <- plot
}
# 使用 patchwork 的 wrap_plots 函数将所有图片组合成两列
final_plot <- wrap_plots(plot_list, ncol = 2) & theme(plot.title = element_text(size = 16, face = "bold"))
final_plot

可以看到PCA纬度对聚类的影响：

在1:10的时候NKT的两群被合并了；而1:20起，NKT会分成两群。

同样在1:10的时候CD8 T是一群，但是在增大纬度后，会逐渐分成两群。

结论就是：增加PCA纬度，会让亚群分的更开。

2. 可调参数之 n.neighbors

# 探究neighbors的数量
neighbor_list <- list(5, 20, 30, 50)
plot_list <- list()
# 循环运行 RunUMAP 并绘制图片
for (i in seq_along(neighbor_list)) {
  neighbor <- neighbor_list[[i]]
  # 运行 UMAP
  pbmc10k <- RunUMAP(pbmc10k, dims = 1:30, n.neighbors =  neighbor ,reduction = 'pca')
  # 绘制 UMAP 图
  plot <- DimPlot(pbmc10k,group.by = 'celltype', pt.size = 0.5, label = TRUE)
  plot <- plot + ggtitle(paste("n.neighbors:", neighbor))
  # 将图片添加到列表中
  plot_list[[i]] <- plot
}
 
# 使用 patchwork 的 wrap_plots 函数将所有图片组合成两列
final_plot <- wrap_plots(plot_list, ncol = 2) & theme(plot.title = element_text(size = 16, face = "bold"))
final_plot

由上图可见：neighbors不影响亚群的区分，但是影响聚类的整体圆润度，以B细胞为例，n.neighbor等于5的时候，枝枝丫丫；但是到50的时候就显得圆润舒服很多。

3. 可调参数之 min.dist

# 探究min.dis
min.dis_list <- list(0.001,0.01,0.1,0.5)
plot_list <- list()
# 循环运行 RunUMAP 并绘制图片
for (i in seq_along(min.dis_list)) {
  min_dist <- min.dis_list[[i]]
  # 运行 UMAP
  pbmc10k <- RunUMAP(pbmc10k, dims = 1:30 ,reduction = 'pca',min.dist = min_dist)
  # 绘制 UMAP 图
  plot <- DimPlot(pbmc10k,group.by = 'celltype', pt.size = 0.5, label = TRUE)
  plot <- plot + ggtitle(paste("min.dist:", min_dist))
  # 将图片添加到列表中
  plot_list[[i]] <- plot
}
# 使用 patchwork 的 wrap_plots 函数将所有图片组合成两列
final_plot <- wrap_plots(plot_list, ncol = 2) & theme(plot.title = element_text(size = 16, face = "bold"))
final_plot

从上图可以看到，min.dist越小，cluster越稀碎；越大，cluster越聚集。如果离散点很多，就增加min.dist到0.5, 同时cluster会显得更胖。

4. 可调参数之 spread

# 探究spread
spread_list <- list(1,5,10,20)
plot_list <- list()
# 循环运行 RunUMAP 并绘制图片
for (i in seq_along(spread_list)) {
  spread <- spread_list[[i]]
  # 运行 UMAP
  pbmc10k <- RunUMAP(pbmc10k, dims = 1:30 ,reduction = 'pca',spread = spread)
  # 绘制 UMAP 图
  plot <- DimPlot(pbmc10k,group.by = 'celltype', pt.size = 0.5, label = TRUE)
  plot <- plot + ggtitle(paste("spread:", spread))
  # 将图片添加到列表中
  plot_list[[i]] <- plot
}
# 使用 patchwork 的 wrap_plots 函数将所有图片组合成两列
final_plot <- wrap_plots(plot_list, ncol = 2) & theme(plot.title = element_text(size = 16, face = "bold"))
final_plot

可以看到：spread越小，相似细胞cluster会更聚集：比如0.3的时候CD8和NKT挨的很近，而spread是1的时候，NKT中的一个cluster会和CD8离得很远。所以如果想让肉眼可见离群的cluster少一点，就spread小一点。 最后附冷笑话一则：

有一天RunUMAP遇到RunTSNE，便问：兄弟你怎么变成这样了？RunTSNE回答：因为我spread开了。

总结

• PCA dims： 越小越聚集；越大越分开。
• n.neighbors：越小越枝丫，越大越圆润。
• min.dist： 越小越碎，越大越越圆润。
• spread：越小越收缩，越大越胖。