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：
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
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：
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
文末友情推荐
做教学我们是认真的，如果你对我们的马拉松授课（直播一个月互动教学）有疑问，可以看完我们从2000多个提问互动交流里面精选的200个问答！ 2021第二期_生信入门班_微信群答疑整理，以及 2021第二期_数据挖掘班_微信群答疑笔记
与十万人一起学生信，你值得拥有下面的学习班：