单细胞测序分析之小技巧之for循环批量处理数据和出图

　　＂harmony＂整合不同平台的单细胞数据之旅生物信息学习的正确姿势
　　NGS系列文章包括NGS基础、转录组分析 （Nature重磅综述|关于RNA-seq你想知道的全在这） 、ChIP-seq分析 （ ChIP-seq基本分析流程） 、单细胞测序分析 ( 重磅综述：三万字长文读懂单细胞RNA测序分析的最佳实践教程 （原理、代码和评述）) 、DNA甲基化分析、重测序分析、GEO数据挖掘（ 典型医学设计实验GEO数据分析 (step-by-step) - Limma差异分析、火山图、功能富集） 等内容。
　　在进行单细胞转录组测序分析中，我们发现比如样本较多或者需要大量出图的时候，我一开始就是大量手动一个一个的出图，但回头想想，这样的操作模式不都是一样的嘛，直接用for循环不就搞定啦！基础
　　首先我们讲点for循环的基础知识及举个小栗子！
　　for循环基本结构如下：for(变量 in 值){}
　　也就是说当变量在值的范围内将执行中括号内的操作。是不是非常简单？
　　我们举个栗子：
　　比如我们想要计算一个向量中偶数的个数：x <- c(2,5,3,9,8,11,6) count <- 0 for (val in x) { if(val %% 2 == 0)  count = count+1 } print(count)[1] 3
　　在上面的示例中，由于向量x具有7个元素，因此循环迭代了7次。
　　在每次迭代中，val取x的对应元素的值。
　　我们使用了一个计数器来计算x中的偶数。我们可以看到x包含3个偶数。进阶
　　比如我们现在有两个患者的鼻腔样本，然后我们进行单细胞测序后，cellranger后我们在filtered中分别生成了3个文件：barcodes，features和matrix。我懒呀，我想万一我有好多个样本怎么办，不如用一个for循环来搞定！
　　于是我的文件就成了这个样子：batch_list=list(＂P2＂,＂P3＂) batch_data_list=list(＂P2＂=1,＂P3＂=1) for( i in 1:length(batch_list)) {   print(batch_list[[i]])   s_object=Read10X(paste(＂~/Input_files/＂,batch_list[[i]],sep=＂＂))   s_object=CreateSeuratObject(counts =s_object, min.cells = 0, min.features = 400, project = ＂P23＂)   s_object[[＂percent.mt＂]] <- PercentageFeatureSet(s_object, pattern = ＂^MT-＂)   s_object <- subset(s_object, subset = nFeature_RNA >100 & nFeature_RNA <8000 & percent.mt <10)   s_object@meta.data[, ＂run＂] <- batch_list[i]   s_object=NormalizeData(s_object)   batch_data_list[[i]]=FindVariableFeatures(s_object, selection.method = ＂vst＂, nfeatures =5000) }
　　那么我们仔细看一下刚才发生了什么，我们首先把我们的＂P2＂和＂P3＂设置为list，然后在for   循环中我们分别进行了读取数据，提取线粒体基因比例，QC   筛选，在metadata   中添加新的一列，进行归一化并计算高变基因。最后将P2和P3合并在一个list中。
　　这时候一定会有好同志问这样一个问题，为什么在batch_data_list=list(＂P2＂=1,＂P3＂=1) 中将P2和P3都赋值为1，这时候我们不妨不对其进行设置，使batch_data_list=list(＂P2＂,＂P3＂) ，我们会看见下图中的P2会消失哦！
　　在我们使用seurat中的FindAllMarkers()   得到每个cluster的高变基因后，我也同时得到了一个csv表，可是我觉得太不直观了，于是我现在要循环出一些不同clusters的vlnplot，我应该怎么办呢？嗨，循环起来呀！clustersss <-   list(     ＂0＂,     ＂1＂,     ＂2＂,     ＂3＂,     ＂4＂,     ＂5＂,     ＂6＂,     ＂7＂,     ＂8＂,     ＂9＂,     ＂10＂,     ＂11＂,     ＂12＂,     ＂13＂,     ＂14＂,     ＂15＂,     ＂16＂,     ＂17＂,     ＂18＂,     ＂19＂,     ＂20＂,     ＂21＂,     ＂22＂   ) for (i in clustersss) {   for (m in 1:nrow(run.combined.markers)) {     if (run.combined.markers[＂cluster＂][m, ] == i) {       filename <- paste(run.combined.markers$gene[m], ＂VlnPlot.pdf＂, sep = ＂_＂)       p <-         VlnPlot(object = run.combined,                 features = c(run.combined.markers$gene[m]))       print(p)       ggsave(p,              filename = paste(i, run.combined.markers$gene[m], ＂VlnPlot.pdf＂, sep = ＂_＂))       dev.off()     }   } }
　　我给解释一下上面的内容，首先我们把我们的cluster设为list，i代表cluster，m代表run.combined.marker的排序，使用两个for循环进行嵌套，最后在保存文件时将cluster+基因名+vlnplot结合进行保存。
　　每次看见这样出图我都特别有成就感，，，，哈哈哈哈，快have a try!
　　其实也可以写一个apply   版的，获得所有plotList   ，再用patchwork   或cowplot   进行拼图。plotMarker <- function(cluster, run.combined) {   for (m in 1:nrow(run.combined.markers)) {     if (run.combined.markers[＂cluster＂][m,] == cluster) {       filename <-         paste(run.combined.markers$gene[m], ＂VlnPlot.pdf＂, sep = ＂_＂)       p <-         VlnPlot(object = run.combined,                 features = c(run.combined.markers$gene[m]))       ggsave(p,              filename = paste(i, run.combined.markers$gene[m], ＂VlnPlot.pdf＂, sep = ＂_＂))       return(p)     }   } } plotList = lapply(clustersss, plotMarker, run.combined = run.combined)这个Nature推荐的代码海洋竟然有文章作者上传的所有可重现性脚本，涉及单细胞、微生物组、转录组分析、机器学习等相关 10X单细胞测序分析软件:Cell ranger，从拆库到定量 NBT|45种单细胞轨迹推断方法比较，110个实际数据集和229个合成数据集 重磅综述：三万字长文读懂单细胞RNA测序分析的最佳实践教程 （原理、代码和评述） ＂harmony＂整合不同平台的单细胞数据之旅