官网教程：https://dynverse.org/users/2-quick_start/
简书教程：https://www.jianshu.com/p/6ce2590fda03

一、软件及环境安装：

1、dyno安装：使用devtools，在GitHub库中安装即可，若因为网络问题无法安装，可以参考本地安装：简书教程：https://www.jianshu.com/p/38c2c322adde
2、docker及镜像安装：有关docker的安装可自行百度，dyno需要用到的docker镜像地址：https://github.com/dynverse/dynmethods#list-of-included-methods
3、镜像安装的步骤：
1）由于直接使用docker pull可能会非常缓慢，因此需要添加一个阿里云加速源，所以要先注册一个阿里云账号，方法参考简书链接：https://www.jianshu.com/p/128ad23451c3
2）注册好后，找到自己账号下的阿里云加速源，按如下操作进行

image.png

3）完成后复制上面网址中想下载的docker镜像的代码，挂后台下载即可,以下是例子

#!/bin/bash
docker pull dynverse/ti_tscan
docker pull dynverse/ti_slingshot
docker pull dynverse/ti_projected_tscan
docker pull dynverse/ti_projected_slingshot
docker pull dynverse/ti_projected_paga
docker pull dynverse/ti_projected_monocle
docker pull dynverse/ti_paga_tree
docker pull dynverse/ti_paga
docker pull dynverse/ti_mst
docker pull dynverse/ti_monocle_ica
docker pull dynverse/ti_monocle_ddrtree

二、dyno的实际使用

Dyno主要流程：构建表达矩阵》》使用shiny程序选择适合自己需求的TI方法》》执行选择好的方法》》可视化

image.png

注意：Dyno将不同功能的函数进行了分类，如果想对这个包由非常深入的了解务必仔细读原文教程和教程中的reference：https://dynverse.org/reference/

1、数据准备

数据：

必要的有两份数据，counts（原始矩阵），expression（log处理好的标准化矩阵），可选的有两份数据，prior information（前验信息，部分TI方法会用到），group(分组信息，在seurat对象中可以拿到)，另外注意与细胞相关的信息最好是经过过滤的。

函数：

wrap_expression、add_prior_information、add_grouping、add_dimred、add_*(详细参考前面的reference，查看函数集)

参数：

counts：原始表达矩阵，注意这里要行为细胞，列为基因，因此注意转置
expression:标准化后的矩阵，一般为log处理好的，格式与counts一样，要转置4

注意：其中wrap_expression是用来建立主要的对象，其余的函数都是后续用来补充信息的

2、选择合适的TI方法

函数：

guidelines_shiny

参数：

可以不设置，因为运行后会打开一个shiny网页，在里面按需求勾选即可，勾选完后自动生成代码和结果

image.png

3、构建TI

函数：

infer_trajectory、infer_trajectories

参数：

dataset:当时你建的对象
method:你所使用的方法，接受四种格式1）ti…开头的函数（也是用docker包装的镜像，如ti_monocle_ddrtree()等，所有的ti方法见链接：https://dynverse.org/reference/dynmethods/method/），或者是这些函数组成的list 2)以TI方法命名的字符串向量，如c（”slingshot”,”paga”） 3) 由dockerhub库名组成的字符串向量，如“dynverse/paga”等 4）一个dynguidelines的数据框（我也没见过）
parameters:用于TI的其它参数，并且是一个list（没用过）,不过可以通过dynmethods::methods 进行查阅每个方法所需要的参数及默认参数（这很重要），比如有些方法可以调整降维的类型（PCA，tsen，umap）等
give.priors：传递不同TI方法需要的先验信息,是一个字符串向量，内容为priors_id，如c("start_id")，先验信息的内容可以通过priors查看，同时不同TI需要的先验信息可以通过methods查看！（这很重要！）,另外先验信息 要提前通过add_priors_information()传递给该对象！
seed:方便重复结果
map.fun:貌似是跟并行相关的，没用过

输出结果解读：见教程：https://dynverse.org/users/3-user-guide/3-running/

4、可视化

在进行可视化前我们需要思考的两个问题：

1）Where will I place the trajectory and cells in my 2D space
2）What do I want to visualise along the trajectory based on color
针对两个问题作者设计的可视化思路

image.png

可视化函数汇总见：https://dynverse.org/reference/dynplot/

常用函数：

plot_dimred
plot_dendro
plot_graph
plot_onedim
plot_heatmap

常见参数：

trajectory
dimered：可视化的降维方法，用户提供的话可以给一个matrix,如果用户不提供，细胞数大于500，就用pca，否则用mds
color_cells：上色的方法，“auto”, “none”, “grouping”,“feature”, “milestone”, “pseudotime”，这些里面选一个，从众多方法中选一个来上色
expression_source:表达矩阵，如果要用基因表达水平上色的话需要用到
feature_oi：使用哪个基因上色？
grouping：分群的信息
其它参数：调整字体啦，点的大小之类的，懒得调的话可以直接用ggplot自己画

5、对轨迹进行调整

对于轨迹的调整，个人感觉比较个性化，但也很重要，建议阅读原文
https://dynverse.org/users/3-user-guide/5-adapting/

6、筛选随拟时序变化的基因

主要函数：

calculate_overall_feature_importance（计算全局重要的基因）、calculate_branch_feature_importance（计算分支处重要的基因）、
calculate_branching_point_feature_importance（计算分支点处重要的基因）、
calculate_cell_feature_importance（计算不同细胞群的差异基因）、
calculate_milestone_feature_importance（计算里程碑点的差异基因）、
calculate_waypoint_feature_importance（不知道干啥的）

参数：

trajectory
expression_source
fi_method：用来评价基因重要性的方法，以fi_...开头的函数，默认是fi_ranger_rf_lite()，教程中说可以通过?fi_methods来查看所有的类似的函数，但是我没有找到，不过可以通过fi_,按tab键补全来查看
milestones_oi：里程碑点的名字
waypoints：不知道具体干啥，应该也是个点的名字

注意：该函数的输出结果，经筛选后可以通过前面的plot系列的函数作图