Newcode_PL.R

# Cargar librerías
library(Seurat)
library(ggplot2)
library(dplyr)

# Cargar los datos de conteo (ajusta la ruta según sea necesario)
count_data <- read.csv("C:/Users/jramosgalguera/Downloads/GSE201378_scRNAseq_counts.csv", row.names = 1)

# Crear un objeto Seurat
seurat_object <- CreateSeuratObject(counts = count_data)

# Normalizar los datos
seurat_object <- NormalizeData(seurat_object)

# Identificar características variables
seurat_object <- FindVariableFeatures(seurat_object, selection.method = "vst", nfeatures = 2000)

# Escalar los datos
seurat_object <- ScaleData(seurat_object)

# Realizar PCA
seurat_object <- RunPCA(seurat_object)

# Realizar UMAP usando las primeras 20 PCs
seurat_object <- RunUMAP(seurat_object, dims = 1:20)

# Realizar clustering (opcional, pero útil para identificar clusters)
seurat_object <- FindNeighbors(seurat_object, dims = 1:20)
seurat_object <- FindClusters(seurat_object, resolution = 0.5)

# Visualizar el UMAP coloreado por clusters
DimPlot(seurat_object, reduction = "umap", label = TRUE, repel = TRUE) + ggtitle("UMAP por Clusters")

# Lista de genes que deseas visualizar (reemplaza con tus genes de interés)
genes_of_interest <- c("cpna-2", "egl-21", "ram-2", "inos-1")

# Filtrar los genes que están presentes en los datos
genes_in_data <- genes_of_interest[genes_of_interest %in% rownames(seurat_object)]

# Visualizar la expresión de estos genes en el UMAP
FeaturePlot(seurat_object, features = genes_in_data, cols = c("lightgrey", "blue"), ncol = 2)