Scanpy单细胞绘图功能实战全解：从核心函数到高级可视化
1. Scanpy单细胞绘图功能入门指南
单细胞RNA测序技术正在彻底改变我们对细胞异质性的理解，而Scanpy作为Python生态中最强大的单细胞分析工具之一，其可视化功能尤其出色。我第一次接触Scanpy时，就被它简洁而强大的绘图API所震撼 - 只需几行代码就能生成专业级的单细胞可视化图表。
让我们从最基础的散点图开始。Scanpy内置的PBMC68k数据集是个绝佳的起点，这个数据集已经预处理完毕，包含约700个外周血单个核细胞的表达谱。导入数据只需一行代码：
import scanpy as sc pbmc = sc.datasets.pbmc68k_reduced()这个数据集的神奇之处在于，它已经包含了UMAP降维结果和多种细胞类型注释。我们可以立即用sc.pl.umap()函数绘制第一张图：
with sc.plotting_context(figsize=(4,4)): sc.pl.umap(pbmc, color=['CD3D', 'CD79A'], frameon=True)这里有几个实用技巧：plotting_context可以统一设置图形大小和风格；color参数可以同时传入多个基因名；frameon控制是否显示边框。我第一次使用时犯了个错误 - 忘记导入matplotlib的rc_context，结果图形尺寸怎么调都不对，后来发现Scanpy有自己的绘图上下文管理器。
2. 核心绘图函数深度解析
2.1 散点图的进阶玩法
散点图远不止展示基因表达这么简单。我们可以用不同颜色编码细胞的各种属性：
# 显示细胞聚类结果 sc.tl.leiden(pbmc, resolution=0.5) sc.pl.umap(pbmc, color='leiden', legend_loc='on data', palette='Set2') # 显示细胞周期阶段 sc.tl.score_genes_cell_cycle(pbmc) sc.pl.umap(pbmc, color='phase')参数调优是门艺术。legend_loc控制图例位置，我习惯用'on data'直接将标签显示在细胞群上；palette改变配色方案，推荐试试'viridis'、'Set2'等经典方案。有个坑要注意：当细胞数量很多时，点的大小(size)需要调小，否则图形会变成一片模糊。
2.2 点图揭示细胞身份
点图(dotplot)是鉴定细胞类型的利器。它用点的大小表示表达频率，颜色表示平均表达量：
marker_genes = { 'T细胞': ['CD3D', 'CD8A'], 'B细胞': ['CD79A', 'MS4A1'], 'NK细胞': ['NKG7', 'GNLY'] } sc.pl.dotplot(pbmc, marker_genes, 'leiden', dendrogram=True)这里有个实用技巧：添加dendrogram=True会自动对细胞聚类，使相似细胞类型相邻排列。我第一次分析时忽略了这点，结果图表杂乱无章，后来加上聚类后立即清晰多了。
3. 高级可视化技巧
3.1 小提琴图的变异应用
小提琴图不仅能展示基因表达分布，还能可视化任何数值型元数据：
# 常规基因表达小提琴图 sc.pl.violin(pbmc, ['CD79A', 'MS4A1'], groupby='leiden') # 展示细胞元数据 sc.pl.violin(pbmc, 'n_genes', groupby='leiden')堆叠小提琴图(stacked violin)更加强大，可以一次性比较多个基因：
sc.pl.stacked_violin(pbmc, marker_genes, groupby='leiden', swap_axes=True)swap_axes参数是个实用技巧 - 当基因数量多时，设为True可以横向排列图表，避免图形过于拥挤。
3.2 热图与矩阵图的精妙差异
热图(heatmap)和矩阵图(matrixplot)看似相似，实则各有侧重：
# 经典热图 sc.pl.heatmap(pbmc, marker_genes, 'leiden', cmap='Reds') # 矩阵图(可标准化表达) sc.pl.matrixplot(pbmc, marker_genes, 'leiden', standard_scale='var', cmap='Blues')矩阵图的优势在于standard_scale参数，可以对每行或每列进行标准化，突出相对表达模式。我经常用standard_scale='var'按基因标准化，这样不同基因间的表达量可以比较。
4. 实战中的疑难解答
4.1 UMAP与聚类算法的关系
很多初学者困惑于UMAP与Leiden/Louvain聚类的关系。简单来说：
- UMAP是降维算法，将高维数据映射到2D/3D空间
- Leiden/Louvain是聚类算法，基于细胞间的相似性划分群体
# 先降维 sc.tl.umap(pbmc) # 后聚类 sc.tl.leiden(pbmc) # 可视化聚类结果 sc.pl.umap(pbmc, color='leiden')关键点：UMAP只决定细胞在图中的位置，而聚类算法决定哪些细胞属于同一群体。调整聚类分辨率(resolution)可以控制群体数量 - 值越大群体越多。
4.2 标记基因的可视化策略
识别细胞类型依赖标记基因，Scanpy提供了多种可视化方法：
# 1. 差异基因点图 sc.tl.rank_genes_groups(pbmc, 'leiden', method='wilcoxon') sc.pl.rank_genes_groups_dotplot(pbmc, n_genes=3) # 2. 矩阵图展示 sc.pl.rank_genes_groups_matrixplot(pbmc, n_genes=3, cmap='bwr') # 3. 热图展示 sc.pl.rank_genes_groups_heatmap(pbmc, n_genes=3, show_gene_labels=True)我特别喜欢rank_genes_groups_dotplot，它能同时展示表达量和log2FC。有个经验：当使用Wilcoxon检验时，设置n_genes=adata.shape[1]可以保存所有基因的评分，避免后续报错。
4.3 多图合并技巧
使用matplotlib的subplots可以组合多个Scanpy图表：
import matplotlib.pyplot as plt fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12,5)) sc.pl.umap(pbmc, color='leiden', ax=ax1, show=False) sc.pl.dotplot(pbmc, marker_genes, 'leiden', ax=ax2, show=False) plt.tight_layout()注意show=False参数必不可少，否则每个图会单独显示。tight_layout()可以自动调整子图间距，避免标签重叠。