本文是参考学习CNS图表复现04—单细胞聚类分群的resolution参数问题的学习笔记。可能根据学习情况有所改动。
这个resolution参数到底应该是选择多少呢？难道这个步骤没有一个绝对的标准吗？
我之前给大家举例是使用balloonplot这个可视化函数，代码如下：
>`library(gplots)
tab.1=table(sce@meta.data$RNA_snn_res.0.2,sce@meta.data$RNA_snn_res.0.8)
balloonplot(tab.1)
就可以很直观的看到，我们把resolution参数分别赋值为0.2和0.8的效果，如下：
图片
0.2和0.8的效果对比</figcaption>
很明显，这个resolution越小呢，我们得到的分群数量就越少，所以0.2的时候是17个群，但是0.8的时候是31个群。
而且我们根据balloonplot的可视化，可以看到，在0.2的时候的17个群里面的有一些群，会随着resolution的调高，继续裂变成为多个群。
有意思的是，我恰好在你要的rmarkdown文献图表复现全套代码来了（单细胞） 看到了一个更好的可视化方法：
# Check clustering stability at given resolution
# Set different resolutions
res.used <- seq(0.1,1,by=0.2)
res.used
# Loop over and perform clustering of different resolutions
for(i in res.used){
sce <- FindClusters(object = sce, verbose = T, resolution = res.used)
}
# Make plot
library(clustree)
clus.tree.out <- clustree(sce) +
theme(legend.position = "bottom") +
scale_color_brewer(palette = "Set1") +
scale_edge_color_continuous(low = "grey80", high = "red")
clus.tree.out` </pre>
就是借用clustree包，可视化如下：
图片
可以非常清晰的看到，随着resolution的调高，具体是哪些群在不停地继续裂变成为多个群。
但是呢，就是resolution设置多少，难道说没有一个绝对的指标吗？
我这里只能说，确实没有，不仅仅是resolution参数，生物信息学数据分析过程中，就比如这个单细胞吧，质控的时候去除多少个质量差的细胞去除多少基因，选择高变基因数量多少，PCA降维后选择多少个PC，基本上每个步骤都是可以灵活调整的。
这就是，数据分析的魅力吧。
