我们以 seurat 官方教程为例：
rm(list = ls())
library(Seurat)
# devtools::install_github('satijalab/seurat-data')
library(SeuratData)
library(ggplot2)
library(patchwork)
library(dplyr)
load(file = 'basic.sce.pbmc.Rdata')
DimPlot(pbmc, reduction = 'umap',
label = TRUE, pt.size = 0.5) + NoLegend()
sce=pbmc
如果你不知道 basic.sce.pbmc.Rdata 这个文件如何得到的，麻烦自己去跑一下 可视化单细胞亚群的标记基因的5个方法，自己 save(pbmc,file = 'basic.sce.pbmc.Rdata') ，我们后面的教程都是依赖于这个 文件哦！
这个官方例子里面，我们是直接使用了 resolution = 0.5 这样的方式 ：
pbmc <- FindNeighbors(pbmc, dims = 1:10)
pbmc <- FindClusters(pbmc, resolution = 0.5)
实际上这个 resolution 是可以多次调试的，比如：
# 参考：https://mp.weixin.qq.com/s/WRhMC3Ojy1GWYfLS_4vSeA
#先执行不同resolution 下的分群
library(Seurat)
library(clustree)
sce <- FindClusters(
object = sce,
resolution = c(seq(.1,1.6,.2))
)
clustree([email protected], prefix = "RNA_snn_res.")
colnames([email protected])
如下所示，可以看到不同的resolution ，分群的变化情况：
我们是直接使用的 resolution = 0.5 ，仅仅是其中的一个可能性！
而且根据动态分群的树，很容易看出来，对应3这个亚群对应的b细胞来说，无论怎么样调整参数，它都很难细分亚群了，同样的还有7这个亚群对应DC，和8这个亚群对应的Platelet也是很难再细分啦。
但是T细胞和monocyte还有进一步细分的可能性！
这些可视化代码如下：
p1=DimPlot(sce, reduction = 'umap', group.by = 'RNA_snn_res.0.5',
label = TRUE, pt.size = 0.5) + NoLegend()
p2=DimPlot(pbmc, reduction = 'umap',# group.by = 'seurat_clusters',
label = TRUE, pt.size = 0.5) + NoLegend()
library(patchwork)
p1+p2
p1=DimPlot(sce, reduction = 'umap', group.by = 'RNA_snn_res.0.5',
label = TRUE, pt.size = 0.5) + NoLegend()
p2=DimPlot(sce, reduction = 'umap',group.by = 'RNA_snn_res.1.5',
label = TRUE, pt.size = 0.5) + NoLegend()
library(patchwork)
p1+p2
有分群的可能性，并不代表你一定要进行细分亚群，如果你分群后无法进行准确的生物学描述，那样细分亚群的意义就不大！
比如前面的CD4的T细胞亚群细分：
load(file = 'sce.cd4.subset.Rdata')
#先执行不同resolution 下的分群
library(Seurat)
library(clustree)
sce <- FindClusters(
object = sce,
resolution = c(seq(.1,1.6,.2))
)
clustree([email protected], prefix = "RNA_snn_res.")
这样的细分亚群就相互交织：
意义并不是很大
