单细胞转录组数据分析入门-2-各种格式的单细胞数据读取

单细胞转录组测序的格式可能有多种，包括单样本，多样本，10X 的标准输出文件，h5，h5ad，txt/csv/tsv

网上的教程鱼龙混杂，这使我在初次接触时晕头转向

10X 标准输出

这是目前比较主流的一种数据格式，对于一个样本，其包含：

`barcodes.tsv.gz`：记录 cell id

`features.tsv.gz`：记录 gene id

`matrix.mtx.gz`：计数 counts 矩阵

三个文件，且命名必须与上面**完全相同**

直接使用 Seurat 的 `Read10X()` 函数读取即可

如何读取多个样本

通常，测序不会只测一个样本，那么如何读取多个样本呢？

以 [GSE151177](https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE151177) 的读取为例：

下载的数据为压缩包 `GSE151177_RAW.tar`，解压到 `GSE151177_RAW` 文件夹中，此时所有样本的三个文件都在这个文件夹下

可以看到，前缀相同的是同一个样本

根据 Seurat 包的 `Read10X()` 函数要求，我们需要整理一下文件，为每个样本单独建立一个文件夹，然后将样本对应的 3 个文件重命名一下

在 R 语言中，可以写一个函数来完成这些操作：

于是我们就获得了以下文件夹：

每个文件夹中的文件名都是一样的：

在 Seurat V4 中，我们可以循环读取多个样本，然后 merge：

但是 Seurat V5 修改了 Seurat 数据对象的结构，merge 操作并不会将样本的表达量矩阵合并

`Read10X()` 函数可以接受多个路径，因此在 Seurat V5 中，我们可以直接传入这些子文件夹：

txt/csv/tsv 数据

使用 data.table 的 `fread()` 函数读取

以 [GSE150703](https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE150703) 为例

h5ad

H5AD 是一种基于 HDF5 (Hierarchical Data Format) 的高效文件格式，专为存储和分析单细胞转录组数据设计。通常 `h5ad` 文件由 Python 的单细胞分析工具 **Scanpy** 生成，但如果我们想在 R 语言中进行处理和绘图，也不是不可以。

首先需要安装这些包：

先将 `h5ad` 文件转化为 `h5seurat` 对象

加载 `h5seurat` 对象，此时不要添加 metadata，因为通常会出错

提取 metadata 并添加

h5

我目前没有遇到，看到其他教程中是使用 `Read10X_h5()` 函数即可

其他技巧

如何修改单细胞样本的名字？

我们提取之前的 GSE151177 数据中的 10 个样本（银屑病样本，试剂盒版本 V2.0，共 10 个样本）来示例：

由此获得了一个 Seurat 对象 seurat_object，seurat_object 对象中生成的元数据字段 `orig.ident` （通常存储在 `meta.data` 中）通常用于跟踪每个细胞样本来自哪个实验条件、患者、时间点或其他实验分组。这对于下游分析非常有用，尤其是当需要区分或比较不同样本时。可以用 `seurat_object$orig.ident` 来访问。

如果你是按照前文进行读取，你会发现 `orig.ident` 在 Seurat 对象中被存储为从 1 开始的**因子类型（factor）**而不是我们期望的样本名。在后续的作图分析中，如果样本信息只是数值，还要对应回原本的样本名去查看，这样并不直观。因此我们需要将 Seurat 对象中的 `orig.ident` 替换为真实的样本名字。

为什么替换会出错？

这里会出现一些顺序的问题，例如当我们的样本数量超过 9 个的时候：

可以发现合并样本的顺序是`"1" "10" "2"...`，在 R 中，因子的默认排序方式是按照**字典序**（也叫作**字母顺序**）进行排列的，而不是按照数值的大小进行排序。因为 R 默认将因子的水平（levels）视作字符，而在字典序中，"10" 会被认为比 "2" 小，因为比较的是字符串的每个字符的顺序：

"1" 和 "10" 的首字符都是 "1"，所以相同。

但在 "10" 中，第二个字符是 "0"，而在 "2" 中是 "2"，按照字母表顺序，"0" 比 "2" 更靠前。

如何知道这些因子对应的到底是哪些样本呢？可以通过查看细胞数量来判断：

所以我们可以知道，在读取时，`Read10X()` 其实是按照我们的 `psoriasis_v2_dirs` 中的文件夹顺序来读取的，但是他并没有按照 `psoriasis_v2_dirs` 中的文件夹名去命名我们的样本，而是按顺序给了一个因子，只不过在合并样本的时候，由于因子的默认排序方式是按照字典序进行排列的，因此合并的顺序发生了变化。

知道对应关系后我们就可以替换样本名了，使用 [Seurat 的 `RenameIdents()` 函数](https://satijalab.org/seurat/articles/essential_commands.html#standard-seurat-workflow)：

更简单的方法

上面的思路确实可以解决问题，但还是太麻烦了，有没有更简单又强势的方法推荐一下呢？

有的兄弟，有的。其实在数据读入的时候就可以直接命名样本

通过查看 [`Read10X()` 函数的源代码](https://github.com/satijalab/seurat/blob/1549dcb3075eaeac01c925c4b4bb73c73450fc50/R/preprocessing.R#L980)，我们可以发现其实这个函数有一个查看路径向量 `data.dir` 是否有命名的操作：

所以我们可以直接在一开始使用样本名来命名文件夹向量：