学员在练习单细胞时遇到了一个拟时序难题，如下所示的右图，因为它在monocle这样的拟时序R包的官方文档并没有介绍，而我以前没有这样的需求，所以就没有分享这方面笔记。
其实实现起来非常的简单，我觉得本质上仍然是对每个环节的R包的对象的熟悉程度。其实我一直强调，大家的基础课程学完后需要完成作业：单细胞基础视频课程结业考核20题 , 也就是熟练掌握5个R包，分别是: scater,monocle,Seurat,scran,M3Drop 需要熟练掌握它们的对象，而且分析流程也大同小异：
step1: 创建对象step2: 质量控制step3: 表达量的标准化和归一化step4: 去除干扰因素(多个样本整合)step5: 判断重要的基因step6: 多种降维算法step7: 可视化降维结果step8: 多种聚类算法step9: 聚类后找每个细胞亚群的标志基因step10: 继续分类前面的教程：拟时序分析就是差异分析的细节剖析，我们产生了 output_of_phe2_monocle.Rdata 文件，就是拟时序分析的结果， 就可以进行各种各样的可视化啦！
而且我们演示了3种可视化选择，包括：Cluster，Pseudotime，State ，请务必自行看前面的教程：拟时序分析就是差异分析的细节剖析，可视化的代码如下所示：
代码语言：javascript代码运行次数：0运行复制library(ggsci)
p1=plot_cell_trajectory(cds, color_by = "Cluster") + scale_color_nejm()
p1
ggsave('trajectory_by_cluster.pdf')
plot_cell_trajectory(cds, color_by = "celltype")
p2=plot_cell_trajectory(cds, color_by = "Pseudotime")
p2
ggsave('trajectory_by_Pseudotime.pdf')
p3=plot_cell_trajectory(cds, color_by = "State") + scale_color_npg()
p3
ggsave('trajectory_by_State.pdf')
library(patchwork)
p1+p2/p3
两个单核细胞的亚群拟时序
其中，Cluster，以及，State 是离散变量，而Pseudotime是连续性变量，既然Pseudotime可以被可视化，那么基因表达量当然可以同样的可视化啊。
因为每个细胞都有一个推断好的Pseudotime值，同样的，每个细胞都有一个基因的表达量值。所以很简单的代码即可：
代码语言：javascript代码运行次数：0运行复制library(ggsci)
colnames(pData(cds))
pData(cds)$FCGR3A = log2( exprs(cds)['FCGR3A',]+1)
p1=plot_cell_trajectory(cds, color_by = "FCGR3A") + scale_color_gsea()
pData(cds)$CD14 = log2(exprs(cds)['CD14',]+1)
p2=plot_cell_trajectory(cds, color_by = "CD14") + scale_color_gsea()
library(patchwork)
p1+p2
如下所示：
表达量就跟拟时序的结果结合
表达量就跟拟时序的结果结合起来啦！
这样的基础认知，也可以看基础10讲：
01. 上游分析流程02.课题多少个样品，测序数据量如何03. 过滤不合格细胞和基因（数据质控很重要）04. 过滤线粒体核糖体基因05. 去除细胞效应和基因效应06.单细胞转录组数据的降维聚类分群07.单细胞转录组数据处理之细胞亚群注释08.把拿到的亚群进行更细致的分群09.单细胞转录组数据处理之细胞亚群比例比较最基础的往往是降维聚类分群，参考前面的例子：人人都能学会的单细胞聚类分群注释