随着单细胞项目的细胞数量越来越夸张，动辄就过百万，比如：百万级别数量的单细胞数据在r里面如何更快处理呢。大家对此的看法不约而同是转为Python编程语言，而且很适用于GPU加速。但是也有部分小伙伴觉得Python的可视化做的有点弱，恰好Marsilea的开发者投稿，分享了这个Python的生物数据可视化革命性武器，值得大家入手！

在展示一个研究结果时，我们常常需要使用多个图表来展示一份数据的方方面面，以确保数据正确且完整的被理解。例如在展示一个单细胞表达矩阵时，我们会在热图的基础上，在热图侧面添加柱状图展示细胞数目，添加小提琴图来表示基因的分布。这样子的可视化范式在Marsilea中被称之为composable visualization（组合可视化）。

安装与相关资源

pip install marsilea

1. GitHub仓库：https://github.com/Marsilea-viz/marsilea （您留下的星星🌟是对项目的最大鼓励）
2. 文档（只有英文）：https://marsilea.rtfd.io/

简单示例

# 引入numpy和marsilea
import numpy as np
import marsilea as ma
import marsilea.plotter as mp

# 创建一些随机数据
data = np.random.rand(20, 20)
cat = np.random.choice(["A", "B", "C"], 20)

# 初始化热图
h = ma.Heatmap(data, linewidth=1)
# 在左边加入一个colors
# 设置了占位的大小（size）为0.2
# 设置与相邻的图间隔（pad）为0.1
h.add_left(mp.Colors(cat), size=.2, pad=.1)
# 在左边和顶部添加层次聚类
h.add_dendrogram("left")
h.add_dendrogram("top")
# 在右侧添加文字标记
h.add_right(mp.Labels(cat), pad=.1)
# 在右侧继续添加一个柱状图
h.add_right(mp.Bar(data.mean(axis=0)), pad=.1)
# 最终渲染
h.render()

画廊展示

# 引入marsilea
import marsilea as ma
import marsilea.plotter as mp
# 引入其他相关的包
import matplotlib as mpl
import matplotlib.pyplot as plt
from matplotlib.colors import Normalize
from sklearn.preprocessing import normalize

# 获取数据
pbmc3k = ma.load_data("pbmc3k")
exp = pbmc3k["exp"]
pct_cells = pbmc3k["pct_cells"]
count = pbmc3k["count"]

matrix = normalize(exp.to_numpy(), axis=0)

cell_cat = ["Lymphoid", "Myeloid", "Lymphoid", "Lymphoid",
      "Lymphoid", "Myeloid", "Myeloid", "Myeloid"]
cell_names = ["CD4 T", "CD14\nMonocytes", "B", "CD8 T",
        "NK", "FCGR3A\nMonocytes", "Dendritic", "Megakaryocytes"]

# 创建可视化
cells_proportion = mp.SizedMesh(
    pct_cells,
    size_norm=Normalize(vmin=0, vmax=100),
    color="none",
    edgecolor="#6E75A4",
    linewidth=2,
    sizes=(1, 600),
    size_legend_kws=dict(title="% of cells", show_at=[0.3, 0.5, 0.8, 1]),
)
mark_high = mp.MarkerMesh(matrix > 0.7, color="#DB4D6D", label="High")
cell_count = mp.Numbers(count["Value"], color="#fac858", label="Cell Count")
cell_exp = mp.Violin(exp, label="Expression", linewidth=0, color="#ee6666", density_norm="count")
cell_types = mp.Labels(cell_names, align="center")
gene_names = mp.Labels(exp.columns)

# Group plots together
h = ma.Heatmap(matrix, cmap="Greens", label="Normalized\nExpression", width=4.5, height=5.5)
h.add_layer(cells_proportion)
h.add_layer(mark_high)
h.add_right(cell_count, pad=0.1, size=0.7)
h.add_top(cell_exp, pad=0.1, size=0.75, name="exp")
h.add_left(cell_types)
h.add_bottom(gene_names)

h.hsplit(labels=cell_cat, order=["Lymphoid", "Myeloid"])
h.add_left(mp.Chunk(["Lymphoid", "Myeloid"], ["#33A6B8", "#B481BB"]), pad=0.05)
h.add_dendrogram("left", colors=["#33A6B8", "#B481BB"])
h.add_dendrogram("bottom")
h.add_legends("right", align_stacks="center", align_legends="top", pad=0.2)
h.set_margin(0.2)
h.render()

import marsilea as ma



    
import marsilea.plotter as mp

import mpl_fontkit as fk
fk.install_fontawesome(verbose=False)
fk.install("Lato", verbose=False)

oils = ma.load_data("cooking_oils")

red = "#cd442a"
yellow = "#f0bd00"
green = "#7e9437"
gray = "#eee"

mapper = {0: "\uf58a", 1: "\uf11a", 2: "\uf567"}
cmapper = {0: "#609966", 1: "#DC8449", 2: "#F16767"}
flavour = [mapper[i] for i in oils["flavour"].values]
flavour_colors = [cmapper[i] for i in oils["flavour"].values]
fat_content = oils[
    ["saturated", "polyunsaturated (omega 3 & 6)", "monounsaturated", "other fat"]
]

fat_stack_bar = mp.StackBar(
    fat_content.T * 100,
    colors=[red, yellow, green, gray],
    width=0.8,
    orient="h",
    label="Fat Content (%)",
    legend_kws={"ncol": 2, "fontsize": 10},
)
fmt = lambda x: f"{x:.1f}" if x > 0 else ""
trans_fat_bar = mp.Numbers(
    oils["trans fat"] * 100,
    fmt=fmt,
    color="#3A98B9",
    label="Trans Fat (%)",
)

flavour_emoji = mp.Labels(
    flavour, fontfamily="Font Awesome 6 Free", text_props={"color": flavour_colors}
)

oil_names = mp.Labels(oils.index.str.capitalize())

fmt = lambda x: f"{int(x)}" if x > 0 else ""

omege_bar = ma.plotter.CenterBar(
    (oils[["omega 3", "omega 6"]] * 100).astype(int),
    names=["Omega 3 (%)", "Omega 6 (%)"],
    colors=["#7DB9B6", "#F5E9CF"],
    fmt=fmt,
    show_value=True,
)
conditions_text = [
    "Control",
    ">230 °C\nDeep-frying",
    "200-229 °C\nStir-frying",
    "150-199 °C\nLight saute",
    "<150 °C\nDressings",
]
colors = ["#e5e7eb", "#c2410c", "#fb923c", "#fca5a5", "#fecaca"]
conditions = ma.plotter.Chunk(conditions_text, colors, rotation=0, padding=10)

cb = ma.ClusterBoard(fat_content.to_numpy(), height=10)
cb.add_layer(fat_stack_bar)
cb.add_left(trans_fat_bar, pad=0.2, name="trans fat")
cb.add_right(flavour_emoji)
cb.add_right(oil_names, pad=0.1)
cb.add_right(omege_bar, size=2, pad=0.2)

order = [
    "Control",
    ">230 °C (Deep-frying)",
    "200-229 °C (Stir-frying)",
    "150-199 °C (Light saute)",
    "<150 °C (Dressings)",
]
cb.hsplit(labels=oils["cooking conditions"], order=order)
cb.add_left(conditions, pad=0.1)
cb.add_dendrogram(
    "left", add_meta=False, colors=colors, linewidth=1.5, size=0.5, pad=0.02
)
cb.add_title(top="Fat in Cooking Oils", fontsize=16)
cb.add_legends("bottom", pad=0.3)
cb.render()

axes = cb.get_ax("trans fat")
for ax in axes:
    ax.set_xlim(4.2, 0)

集合可视化 Upsetplot

如何与scanpy或anndata一同使用

轨道图 Track plot

堆栈小提琴图 stack violin plot

Marsilea的名字来源

Workshop

如果你也想做单细胞转录组数据分析，最好是有自己的计算机资源哦，比如我们的2024的共享服务器交个朋友福利价仍然是800，而且还需要有基本的生物信息学基础，也可以看看我们的生物信息学马拉松授课（买一得五） ，你的生物信息学入门课。当然了，八月份比较特殊的是：单细胞数据挖掘线下培训（南京站），下周六日我们可以线下授课，惊喜不！

单细胞202448

单细胞2024 · 目录

上一篇单细胞亚群该细分到什么程度呢?