什么是桑基图
桑基图（Sankey diagram），即桑基能量分流图，也叫桑基能量平衡图。它是一种特定类型的流程图，图中延伸的分支的宽度对应数据流量的大小，比较适用于用户流量等数据的可视化分析。因1898年Matthew Henry Phineas Riall Sankey绘制的“蒸汽机的能源效率图”而闻名，此后便以其名字命名为“桑基图”。
用一个故事来介绍一下桑基图：
这个非常著名的图是Charles Minard在1869年所作的拿破仑东征俄国的信息图。Charles Minard是信息图表的之父，他是信息图领域的创始者。这张图描绘的是拿破仑在1812到1813年进攻俄国的情况。它的背景是一个真实的地图，西边是波兰的边境，东边是莫斯科。图上那条主线的宽度代表拿破仑军队的人数，黄色表示进攻路线，黑色表示撤退的路线： 他开始于42万人，在向莫斯科进军的过程中丧失了很多人，到达莫斯科时只剩下10万人，而最后从莫斯科活着返回的只剩下1万人。
为什么说这个图好呢，因为除了主线的宽度之外，这张图还告诉了你更多的东西。画面下面的折线图告诉你当时的温度，其中最高的点是0度，最低到达过零下30度，回城的黑线周围嗨标注了月份，可以看出，拿破仑的军队在达打到莫斯科的时候已经是将近十月分了，等到完全撤离俄国已经是12月份了，如果你仔细观察，会发现在撤退过程中他们路过了一条叫Studienska的河，军队人数在河两岸出现了剧减，原来那个时候天气寒冷，军队长促情况下淌水过河，于是在这条寒冷的河中冻死了很多人。
根据Edward Tufte所总结的信息设计原则：
- 这个图让显示出了比较关系（Show comparisons, contrasts, differences），比如军队人数的起始时候的宽度和结束时候的宽度的强烈对比，比如过那条河流的时候军队人数的剧烈的变化等等。
- 这个图解释了因果关系（Show causality, mechanism, structure, explanation），比如时间，温度和军队人数的关系。
- 这个图有多个变量（Multivariate analysis），1), 军队人数。 2), 地理的位置（经度和纬度）3), 军队的行进方向。 4), 温度。 5), 时间。
所有的这些信息都不是独立存在的，他们结合在一起，将观众带入当时的拿破仑的旅程，同时能让人感受到无情的战争夺走人们生命的痛苦。
桑基图怎么看
- 线条的走向
- 粗细的变化
- 节点间的比较
绘制属于自己的桑基图
在单细胞数据分析中有一个关键的步骤FindClusters（分群，以启发样本中可能有的细胞类型数量），但是这个目前用的方法是非监督聚类，也就是数据驱动的，不依赖生物学背景。而且常常带来参数诅咒：如kmeans的K值不同，得到的分群数量不同；Seurat中FindClusters的不同 resolution 参数也会带来不同的分群数量。
于是，我的样本中到底有多少细胞类型？
所以只靠一个参数，往往不能满足要求，或者说启发的力度还不够。那就尝试多个分群参数吧，得到的结果可能是这样的：
> head([email protected])
orig.ident nCount_RNA nFeature_RNA RNA_snn_res.0.8 letter.idents groups RNA_snn_res.1 RNA_snn_res.0.4
ATGCCAGAACGACT SeuratProject 70 47 0 A g2 0 0
CATGGCCTGTGCAT SeuratProject 85 52 0 A g1 0 0
GAACCTGATGAACC SeuratProject 87 50 0 B g2 0 0
TGACTGGATTCTCA SeuratProject 127 56 0 A g2 0 0
AGTCAGACTGCACA SeuratProject 173 53 0 A g2 0 0
TCTGATACACGTGT SeuratProject 70 48 0 A g1 0 0
RNA_snn_res.1.2 RNA_snn_res.1.6 seurat_clusters RNA_snn_res.0.6 RNA_snn_res.1.4
ATGCCAGAACGACT 0 3 3 0 4
CATGGCCTGTGCAT 5 10 10 0 8
GAACCTGATGAACC 5 9 9 0 6
TGACTGGATTCTCA 0 7 7 0 1
AGTCAGACTGCACA 0 3 3 0 4
TCTGATACACGTGT 0 3 3 0 4
如果用人类的肉眼来比较不同RNA_snn_res.下的分群结果可能会比较困难。不过，借助R方便地看出某一分群下，每个群的细胞数量：
> table([email protected]$RNA_snn_res.1.6)
0 1 10 11 2 3 4 5 6 7 8 9
17 14 2 2 9 6 7 5 5 3 6 4
但是有了桑基图情况就不一样了，变得一目了然起来：
#先执行不同resolution 下的分群
library(Seurat)
pbmc_small <- FindClusters(
object = pbmc_small,
resolution = c(seq(.4,1.6,.2))
)
绘制细胞分群的桑基图：
#install.packages("ggalluvial")
library(ggalluvial)
library(tidyverse)
head([email protected])
ggplot(data = [email protected],
aes(axis1 = RNA_snn_res.0.4, axis2 = RNA_snn_res.0.6,axis3 = RNA_snn_res.0.8,axis4 = RNA_snn_res.1,
axis5 = RNA_snn_res.1.2,axis6 = RNA_snn_res.1.4,axis7 = RNA_snn_res.1.6)) +
scale_x_discrete(limits = c(paste0("RNA_snn_res.",seq(.4,1.6,.2))), expand = c(.01, .05)) +
geom_alluvium(aes(fill = RNA_snn_res.1.6)) +
geom_stratum() + geom_text(stat = "stratum", infer.label = TRUE) +
#coord_polar()+
theme(axis.text.x = element_text(angle = 90, hjust = 1))+
ggtitle("cell number in each cluster")
可以清晰地看出，RNA_snn_res.1.6每个群的来源，也可以启发在RNA_snn_res.1.2时cluster0可能有三个亚群，cluster4有两个亚群。这不仅解析了resolution 参数（其他的分群算法也一样），同时启发了样本的异质性。
有了这个桑基图的框架，其实很多我们想在这个图上展示的metadata信息就变得容易了，比如我们可以看一下某一细胞类型流向或者样本的流向，只需要在metadata中加上一列即可。
ggplot(data = [email protected],
aes(axis1 = RNA_snn_res.0.4, axis2 = RNA_snn_res.0.6,axis3 = RNA_snn_res.0.8,axis4 = RNA_snn_res.1,
axis5 = RNA_snn_res.1.2,axis6 = RNA_snn_res.1.4,axis7 = RNA_snn_res.1.6)) +
scale_x_discrete(limits = c(paste0("RNA_snn_res.",seq(.4,1.6,.2))), expand = c(.01, .05)) +
geom_alluvium(aes(fill = groups)) +
geom_stratum() + geom_text(stat = "stratum", infer.label = TRUE) +
#coord_polar()+
theme(axis.text.x = element_text(angle = 90, hjust = 1))+
ggtitle("cell number in each cluster")
或者看nFeature_RNA 的变化，即是不是nFeature_RNA 高的分到一群呢？
ggplot(data = [email protected],
aes(axis1 = RNA_snn_res.0.4, axis2 = RNA_snn_res.0.6,axis3 = RNA_snn_res.0.8,axis4 = RNA_snn_res.1,
axis5 = RNA_snn_res.1.2,axis6 = RNA_snn_res.1.4,axis7 = RNA_snn_res.1.6)) +
scale_x_discrete(limits = c(paste0("RNA_snn_res.",seq(.4,1.6,.2))), expand = c(.01, .05)) +
geom_alluvium(aes(fill = nFeature_RNA )) +
geom_stratum() + geom_text(stat = "stratum", infer.label = TRUE) +
#coord_polar()+
theme(axis.text.x = element_text(angle = 90, hjust = 1))+
ggtitle("cell number in each cluster")
clustertree
在聚类分析中，由于它的启发性本质，经常需要比较不同分群的结果。下面提供另一种(简单直白的)“桑基图“，供大家参考：
clustree([email protected], prefix = "RNA_snn_res.")