# 下载 micromamba（单个二进制文件，无需 sudo）；macOS 上把 linux-64
# 换成 osx-arm64（Apple Silicon）或 osx-64
curl -Ls https://micro.mamba.pm/api/micromamba/linux-64/latest | tar -xvj bin/micromamba
# 按规格创建环境（预编译二进制）
./bin/micromamba create -n plot1cell -f plot1cell-env.yml -y
# 补装 GitHub-only 包。请用 git clone + R CMD INSTALL，而不是
# remotes::install_github()：后者在 macOS 的 conda R 中可能崩溃
# （curl 库冲突）。把 R_LIBS_USER 固定到环境库，避免与系统 R
# 用户库互相污染。
for repo in TheHumphreysLab/plot1cell chris-mcginnis-ucsf/DoubletFinder mojaveazure/loomR; do
git clone --depth 1 "https://github.com/$repo.git"
done
./bin/micromamba run -n plot1cell bash -c '
export R_LIBS_USER=$CONDA_PREFIX/lib/R/library
Rscript -e "options(repos = c(CRAN = \"https://cloud.r-project.org\"));
if (!requireNamespace(\"BiocManager\", quietly = TRUE)) install.packages(\"BiocManager\");
BiocManager::install(c(\"simplifyEnrichment\"), update = FALSE, ask = FALSE)"
R CMD INSTALL --no-multiarch plot1cell DoubletFinder loomR
'
# 之后都按同样方式在环境内运行 R
./bin/micromamba run -n plot1cell bash -c 'export R_LIBS_USER=$CONDA_PREFIX/lib/R/library; Rscript -e "library(plot1cell)"'单细胞 UMAP 圈中圈图
单细胞 UMAP 圈中圈图将单细胞 UMAP 降维图置于图形中央，四周包裹一圈又一圈的环形注释轨道——最内圈对应细胞类型，外圈依次映射分组条件和原始样本。外圈的扇区顺序与中心 UMAP 上的聚类位置一一对应，读者可以在一张图里同时读出”连续的细胞图谱平面”和”离散的层次注释信息”。
这一设计因 Linnarsson 实验室发表在 Nature 上的小鼠大脑发育分子架构论文而广为人知：中心 t-SNE 外围绕以放射状层次结构和多个色环注释（cluster 分类、脑区、年龄、细胞周期等）。plot1cell R 包将这种风格封装成了面向 Seurat 对象的少量函数调用，常用于高分单细胞图谱论文配图。
本教程使用 plot1cell 绘制经典的三环布局：中心 UMAP 按细胞类型着色并绘制密度轮廓线，Cluster 环带每个细胞类型的扇区与坐标轴，外圈轨道将分组与样本信息映射到每个细胞类型上。
注记
如需在本地复现本教程：所有代码块均设为 eval: false，因为 plot1cell 需从 GitHub 安装且会拉取多个重依赖（包括体积庞大的人类基因组注释包），不属于 Bizard 的构建环境。上方渲染图正是用这份代码在模拟数据上运行的产物；将各代码块复制到装有 plot1cell 的 R 会话中即可复现。下一节给出用 micromamba 快速、可复现地搭建该环境的方法。
环境配置
系统要求：跨平台（Linux/MacOS/Windows）
编程语言：R
依赖包：
plot1cell、Seurat、circlize、randomcoloR、dplyr、ggplot2
用 micromamba 快速搭建环境（推荐）
plot1cell 声明了较多 Imports，标准 install.packages() 路线需要全部从源码编译——仅人类基因注释包 EnsDb.Hsapiens.v86 就是一个约 2 GB 的大工程。micromamba（单文件、无需 sudo 的包管理器）可以直接用预编译的 conda 二进制解决：下面的配方已在干净机器上端到端验证——环境（R 4.5、Seurat、circlize 以及真实的 EnsDb.Hsapiens.v86）一次事务装完，补上三个 GitHub-only 包后，本教程的完整圈图流程无需任何源码编译即可运行。
将以下内容保存为 plot1cell-env.yml：
name: plot1cell
channels:
- conda-forge
- bioconda
dependencies:
- r-base>=4.3
- r-seurat
- r-circlize
- r-randomcoloR
- r-ggplot2
- r-dplyr
- r-mass
- r-scales
- r-data.table
- r-matrixstats
- r-cowplot
- r-plotly
- r-progress
- r-reshape2
- r-ggbeeswarm
- r-ggh4x
- r-fields
- r-itertools
- r-hdf5r
- r-complexupset
- bioconductor-biomart
- bioconductor-geoquery
- r-wordcloud
- bioconductor-ensdb.hsapiens.v86
- bioconductor-genomeinfodb
- bioconductor-genomicranges
- r-remotes
- r-rmarkdown然后创建环境，并补装四个 conda 提供不了的组件：三个仅发布在 GitHub 的包（plot1cell、DoubletFinder、loomR）与轻量级的 Bioconductor 包 simplifyEnrichment（其 conda 构建目前存在无法满足的版本约束）：
不使用 conda 的话，下面的纯 R 路线依然可用——只是需要从源码编译全部依赖。
# 安装 CRAN 依赖
if (!requireNamespace("Seurat", quietly = TRUE)) install.packages("Seurat")
if (!requireNamespace("circlize", quietly = TRUE)) install.packages("circlize")
if (!requireNamespace("randomcoloR", quietly = TRUE)) install.packages("randomcoloR")
if (!requireNamespace("dplyr", quietly = TRUE)) install.packages("dplyr")
if (!requireNamespace("ggplot2", quietly = TRUE)) install.packages("ggplot2")
# 从 GitHub 安装 plot1cell。
# 注意：plot1cell 声明了较多 Imports（DoubletFinder、loomR、EnsDb.Hsapiens.v86、
# simplifyEnrichment 等）。下面的圈图流程只用其 circlize 系列函数，但标准安装会
# 拉取全部依赖——请为 EnsDb.Hsapiens.v86（约 2 GB）预留额外的时间和磁盘空间，
# 或者使用上面的 micromamba 方案。
if (!requireNamespace("remotes", quietly = TRUE)) install.packages("remotes")
remotes::install_github("TheHumphreysLab/plot1cell")
# 载入包
library(plot1cell)
library(Seurat)
library(circlize)
library(randomcoloR)
library(dplyr)
library(ggplot2)示例
数据准备
参考数据：小鼠急性肾损伤图谱
plot1cell 提供了自动下载函数，用于获取小鼠缺血再灌注损伤（IRI）单细胞数据集（GSE139107，发表于 PNAS 2020《Cell profiling of mouse acute kidney injury reveals conserved cellular responses to injury》），用 Seurat RPCA 整合六个时间点样本，并将结果缓存为 RDS 文件（超过 12 万个细胞，26 种细胞类型）：
library(plot1cell)
iri.integrated <- Install.example()
dir.create("data", showWarnings = FALSE)
saveRDS(iri.integrated, file = "data/iri.integrated.rds")模拟 PBMC 风格数据（用于示例图）
为了让教程自包含，示例图取自一个模拟的 PBMC 风格数据集：8 种细胞类型共 3,360 个细胞（含 marker 基因块结构）、6 个样本分组和 3 种组织来源。如果你已有整合好的 Seurat 对象，跳过这一块，直接读取自己的 rds 文件即可。
library(Seurat)
set.seed(2026)
n_per_type <- 420
cell_types <- c("CD4 T cell", "CD8 T cell", "NK cell", "B cell",
"Monocyte", "DC", "Fibroblast", "Epithelial")
n_type <- length(cell_types)
n_cell <- n_per_type * n_type
n_gene <- 1200
markers_per <- 40
gene_names <- paste0("Gene", 1:n_gene)
counts <- matrix(rnbinom(n_cell * n_gene, size = 4, prob = 0.25), n_gene, n_cell)
counts <- matrix(as.integer(pmin(counts, 30)), n_gene, n_cell)
# 为每种细胞类型添加 marker 基因块
cell_idx <- rep(seq_len(n_type), each = n_per_type)
for (i in seq_len(n_type)) {
block <- ((i - 1) * markers_per + 1):(i * markers_per)
boost <- rnbinom(length(block) * sum(cell_idx == i), size = 8, prob = 0.2)
counts[block, cell_idx == i] <- pmin(counts[block, cell_idx == i] + as.integer(boost), 120)
}
rownames(counts) <- gene_names
colnames(counts) <- paste0("Cell_", 1:n_cell)
# 样本级元数据：6 个样本对应 6 个损伤时间点分组
groups <- c("Control", "4hours", "12hours", "2days", "14days", "6weeks")
site_lv <- c("Tumor", "Normal", "Margin")
orig.ident <- factor(sample(paste0("Sample_", 1:6), n_cell, TRUE))
lut <- setNames(rep(groups, length.out = 6), levels(orig.ident))
Group <- factor(lut[as.character(orig.ident)], levels = groups)
site <- factor(sample(site_lv, n_cell, TRUE), levels = site_lv)
celltype <- factor(rep(cell_types, each = n_per_type), levels = cell_types)
meta <- data.frame(
celltype = celltype, Group = Group, orig.ident = orig.ident, site = site,
row.names = colnames(counts)
)
sce <- CreateSeuratObject(counts = counts, meta.data = meta)
sce <- NormalizeData(sce, verbose = FALSE)
sce <- FindVariableFeatures(sce, nfeatures = 800, verbose = FALSE)
sce <- ScaleData(sce, verbose = FALSE)
sce <- RunPCA(sce, npcs = 20, verbose = FALSE)
sce <- RunUMAP(sce, dims = 1:15, verbose = FALSE)
Idents(sce) <- "celltype"
saveRDS(sce, "data/sce_sim.rds")圈中圈图的数据要求
Seurat 对象的三个属性决定图形：
-
细胞身份（
Idents）同时决定中心 UMAP 的配色和环形布局的扇区。请为身份因子设置有意义的水平顺序。 -
身份因子水平决定扇区数量、间隙和颜色数目——
prepare_circlize_data()直接读取levels(seu_obj)。 -
外圈轨道对应的元数据列（
Group、orig.ident等）必须存在于seu_obj@meta.data中；建议使用因子，保证轨道分段颜色映射一致。
iri.integrated <- readRDS("data/iri.integrated.rds")
# Group 需要转换为具有明确水平顺序的因子
iri.integrated@meta.data$Group <- factor(
iri.integrated@meta.data$Group,
levels = c("Control", "4hours", "12hours", "2days", "14days", "6weeks")
)
dim(iri.integrated)
DefaultAssay(iri.integrated)
names(iri.integrated@reductions)
levels(iri.integrated)
levels(iri.integrated$Group)
colnames(iri.integrated@meta.data)可视化
图形结构
- 中心：UMAP，每个点代表一个细胞，按细胞类型着色，KDE 密度轮廓线勾勒主要细胞群。
-
第 1 环（
Cluster）：每个细胞类型一个扇区的环形轨道，细胞按极坐标归入所属扇区，并带有各扇区坐标轴。 -
外圈轨道（
add_track）：在第 1 环之上叠加的注释环（此处为Group与orig.ident），每个细胞类型的弧段被进一步细分为条件/样本分段。
构建圈图数据并绘制三环图
library(plot1cell)
sce <- readRDS("data/sce_sim.rds")
# 1. 转换 Seurat 对象：提取元数据 + UMAP 坐标，
# 并把每个细胞映射到圆环上的极坐标位置
circ_data <- prepare_circlize_data(sce, scale = 0.8)
# 2. 配色。固定随机种子保证随机调色板可复现。
set.seed(1234)
cluster_colors <- rand_color(length(levels(sce)))
group_colors <- rand_color(length(names(table(sce$Group))))
rep_colors <- rand_color(length(names(table(sce$orig.ident))))
# 3. 输出 6 英寸正方形、300 dpi 的 PNG
png(filename = "circlize_plot.png", width = 6, height = 6, units = "in", res = 300)
# 中心 UMAP：散点 + 密度轮廓线 + 细胞类型标签
plot_circlize(
circ_data,
do.label = TRUE,
pt.size = 0.4,
col.use = cluster_colors,
bg.color = "white",
kde2d.n = 200,
repel = TRUE,
label.cex = 0.6
)
# 第 2 环：损伤时间点分组轨道；第 3 环：样本轨道
add_track(circ_data, group = "Group", colors = group_colors, track_num = 2)
add_track(circ_data, group = "orig.ident", colors = rep_colors, track_num = 3)
dev.off()值得调整的关键参数：
| 参数 | 所在函数 | 作用 |
|---|---|---|
scale |
prepare_circlize_data() |
缩放中心 UMAP 相对圆环的大小（0.6–0.9 较合适） |
pt.size |
plot_circlize() |
中心 UMAP 点大小；超过 5 万细胞时建议调小 |
kde2d.n |
plot_circlize() |
密度轮廓线网格分辨率；大型图谱可调高 |
contour.levels |
plot_circlize() |
传给 contour() 的绝对密度阈值（默认 c(0.2, 0.3)；取值范围 0–1） |
bg.color |
plot_circlize() |
画布颜色；"#F9F2E4" 可复现原文的暖纸色背景 |
repel、label.cex
|
plot_circlize() |
细胞类型标签避让与字号 |
track_lwd |
add_track() |
注释环分段的线宽 |
参考文献
[1] Wu H. plot1cell: A package for single cell data visualization. https://github.com/TheHumphreysLab/plot1cell
[2] La Manno G, Siletti K, Furlan A, et al. Molecular architecture of the developing mouse brain. Nature. 2021;596(7870):92–96. https://doi.org/10.1038/s41586-021-03775-x（圈中圈设计的来源）
[3] Kirita Y, Wu H, Uchimura K, Wilson PC, Humphreys BD. Cell profiling of mouse acute kidney injury reveals conserved cellular responses to injury. PNAS. 2020;117(27):15874–15883. https://doi.org/10.1073/pnas.2005477117（GSE139107 示例数据）
[4] 新叶910. plot1cell：绘制不一样的单细胞umap圈中圈. 微信公众号文章. https://mp.weixin.qq.com/s/IxwniDMSju02R2wGMC9EvQ