拟时序分析
在进行了聚类之后，其实各细胞是否具有同种生存状态是未知的。拟时序分析的目的就在于将细胞分为不同的分支，将各点（细胞）体现在不同的时间坐标中，从而了解各细胞的状态定位
在做拟时序分析的时候，采取的是机器学习方法（无监督和有监督），因此需要一定的生物学知识对图标进行判断，图中主要是为了表达细胞之间（簇）表达谱系的连续性，因此方向未必与现实情况相同（需要在代码中加入reserve）
举个例子：B细胞不会分化为NK细胞，但在图中就会如此，这就是reserve的作用
本文主要采取无监督的方法进行分析
tips：无监督就是没有真实数据，有监督就是包含一定的真实数据
- 无监督数据：常见的如单细胞 RNA 测序数据，在特定的发育阶段采集了样本，但不确定细胞的确切时间顺序。
- 有监督数据：例如药物处理实验，在不同时间点采集了单细胞样本，记录了每个样本的处理时间，通过这些时间点信息可以进行有监督的拟时序分析。
首先，使用monocol2创建CellDataset对象后，就有了拟时分析结果的可视化，我们可以将其分为：
state状态：
代表了细胞在某一生物学过程中所处的不同阶段。例如，在细胞分化过程中，初始的未分化状态、不同分化路径中的中间状态，以及终末分化状态，都会被标记为不同的“state”。
Pseudotime时间：
这是算法模拟出来的一个时间轴，越接近0就说明越早
Seurat分群结果：
这其实就是之前用umap聚出来的为基准了，按其基因表达模式进行分类
细胞注释结果（前文没有注释，如果想要的话可以直接color_by=''labels''）
state状态分支（）
其实就是讲state状态分开来，更直观的看出各类处在什么分支上
在筛选完差异基因后，可以观察单个差异基因的表达情况。选择差异基因的原因的在整个分化过程中更加关键，能够揭示不同状态或分支间的生物学差异。
横轴代表拟时间，通常用来模拟细胞从一个初始状态到最终状态的进程；纵轴代表基因表达量，上面的位置表示在特定拟时间点上，基因的表达水平。
分支点设定在1的时候，表示关注在第一个分支点处的基因表达变化，细胞分类为3说明分为三个不同的簇。颜色通常表示基因的表达水平，颜色越深，表达越高；颜色越浅，表达越低。热图通过颜色变化来展示基因在不同细胞分支中的表达情况
这个热图用于展示在细胞分化过程中，不同分支上的基因表达模式。通过观察基因在分支上的表达差异，可以获得这些基因在不同细胞命运中的潜在角色，即哪些基因是上调的，哪些是下调的，从而反映基因表达的动态变化。
(图片分辨率或许有一些问题，自己画的时候可以调整一下width和height)