omicverse-visualization-for-bulk-color-systems-and-single-cell-d

Guide users through OmicVerse plotting utilities showcased in the bulk, color system, and single-cell visualization tutorials, including venn/volcano charts, palette selection, and advanced embedding layouts.

1. Zainstaluj OmicVerse i zaimportuj wymagane biblioteki: import omicverse as ov, import matplotlib.pyplot as plt, oraz pandas, seaborn lub scanpy w zależności od typu analizy. Następnie ustaw styl wizualizacji OmicVerse za pomocą ov.ov_plot_set() (lub ov.plot_set() w starszych wersjach) przed utworzeniem jakichkolwiek wykresów.
2. Przygotuj dane: załaduj plik CSV z wynikami analizy różnicowej ekspresji genów (DEG) lub użyj ov.read() i ov.pp.preprocess() do wczytania danych w formacie AnnData. Upewnij się, że tabela zawiera kolumny z wartościami p (np. qvalue) i zmianą foldową (np. log2FoldChange).
3. Dla analizy RNA-seq masowego: użyj ov.pl.volcano() do wizualizacji zmian ekspresji genów, przekazując tabelę wyników i nazwy kolumn (pval_name, fc_name). Dostosuj progi istotności (sig_pvalue, sig_fc) oraz paletę kolorów (palette) według potrzeb.
4. Do porównania list genów między grupami: zastosuj ov.pl.venn() z parametrem sets jako słownikiem nazw grup i odpowiadających im list genów (maksymalnie 4 grupy). Wybierz paletę z dostępnych opcji Zakazanego Miasta.
5. Dla danych single-cell: generuj wykresy embedding (np. UMAP, t-SNE) oraz density plots za pomocą odpowiednich funkcji ov.pl.*(). Konfiguruj kolory i etykiety komórek zgodnie z metadanymi w obiekcie AnnData.
6. Dostosuj wygląd każdego wykresu poprzez argumenty funkcji takie jak palette, figsize, formatowanie etykiet i legendy. Zapisz wyniki za pomocą plt.savefig() w wybranym formacie (PNG, PDF, SVG).