从Seurat对象到发表级图表：Ro/e、Augur、miloR的完整R代码与图形美化全流程

在单细胞数据分析领域，如何将原始数据转化为具有学术发表价值的精美图表，是每个研究者都会面临的挑战。本文将深入探讨三种强大的R语言工具——Ro/e、Augur和miloR，从数据处理到可视化美化的全流程，帮助您创建专业级的科研图表。

1. 数据准备与环境配置

在开始分析前，我们需要确保所有必要的R包已正确安装。以下是完整的依赖包列表和安装代码：

r复制# 安装CRAN包
install.packages(c("ggplot2", "tidyverse", "ggpubr", "patchwork", 
                   "RColorBrewer", "viridis", "qs", "BiocParallel"))

# 安装Bioconductor包
if (!require("BiocManager", quietly = TRUE))
    install.packages("BiocManager")
BiocManager::install(c("ComplexHeatmap", "circlize", "scater", 
                      "scran", "miloR", "SingleCellExperiment"))

# 安装GitHub包
devtools::install_github("Japrin/STARTRAC")
devtools::install_github("neurorestore/Augur")

提示：建议使用R 4.2.0或更高版本，以确保所有包的兼容性。对于大型数据集，配置BiocParallel可以显著提高计算效率。

加载所需库：

r复制library(Seurat)
library(STARTRAC)
library(Augur)
library(miloR)
library(ComplexHeatmap)
library(ggplot2)
library(tidyverse)

2. Ro/e分析：细胞类型组织分布倾向性

Ro/e（Observed/Expected）指数是评估细胞类型在不同组织中分布倾向性的有力工具。以下是完整的分析流程：

2.1 数据预处理

r复制# 假设我们已经有一个Seurat对象scRNA
scRNA <- qread("./path/to/your/seurat_object.qs")

# 提取元数据并重命名关键列
meta_data <- scRNA@meta.data %>%
  select(clone.id = orig.ident, 
         patient = sample_id, 
         majorCluster = celltype, 
         loc = tissue_location) %>%
  mutate(Cell_Name = "Tcell",
         across(c(patient, clone.id, majorCluster, loc), as.character))

2.2 Ro/e计算

r复制Roe <- calTissueDist(
  meta_data,
  byPatient = FALSE,
  colname.cluster = "majorCluster",
  colname.patient = "patient",
  colname.tissue = "loc",
  method = "chisq",
  min.rowSum = 0