挖掘公共單細(xì)胞數(shù)據(jù)集時(shí)，會(huì)遇到常見(jiàn)各種單細(xì)胞測(cè)序數(shù)據(jù)格式?，F(xiàn)總結(jié)如下，方便自己日后調(diào)用，以創(chuàng)建Seurat對(duì)象
（1）barcodes.tsv.gz、features.tsv.gz、matrix.mtx.gz
（2）表達(dá)矩陣
（3）h5
（4）h5ad

格式一：barcodes.tsv.gz、features.tsv.gz、matrix.mtx.gz【☆】

• 這是cellranger上游比對(duì)分析產(chǎn)生的3個(gè)文件，分別代表細(xì)胞標(biāo)簽(barcode)、基因ID(feature)、表達(dá)數(shù)據(jù)（matrix）
• 一般先使用read10X()對(duì)這三個(gè)文件進(jìn)行整合，得到行為基因、列為細(xì)胞的表達(dá)矩陣（為稀疏矩陣dgCMatrix格式，節(jié)約內(nèi)存）；然后再配合CreateSeuratObject()函數(shù)創(chuàng)建Seurat對(duì)象
• 示例數(shù)據(jù)集：GSE166635，創(chuàng)建代碼如下----

https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE166635

dir="./data/HCC2/filtered_feature_bc_matrix/"
list.files(dir)
#[1] "barcodes.tsv.gz" "features.tsv.gz" "matrix.mtx.gz" 

counts <- Read10X(data.dir = dir)
class(counts)
#[1] "dgCMatrix"
#attr(,"package")
#[1] "Matrix"

scRNA <- CreateSeuratObject(counts = counts)
scRNA
#An object of class Seurat 
#33694 features across 9112 samples within 1 assay 
#Active assay: RNA (33694 features, 0 variable features)

• 如上Read10X()函數(shù)接受的參數(shù)為目錄名，該目錄包含了所需的三個(gè)配套文件；值得注意的是三個(gè)文件名只能分別是barcodes.tsv.gz、features.tsv.gz、matrix.mtx.gz，然后read10X函數(shù)可以自動(dòng)加載。如上截圖那樣就是需要修改的~

關(guān)于barcodes.tsv.gz、features.tsv.gz、matrix.mtx.gz三個(gè)文件的格式與內(nèi)容

• 一般來(lái)說(shuō)直接使用read10X()不會(huì)出現(xiàn)什么問(wèn)題，但今天遇到GSE148192數(shù)據(jù)集時(shí)，出現(xiàn)了報(bào)錯(cuò)~~

dir = "./GSE148192_RAW/GSM4462451/"
list.files(dir)
#[1] "barcodes.tsv.gz" "features.tsv.gz" "matrix.mtx.gz"
counts =  Read10X(dir)
#Error in dimnamesGets(x, value) : 
#  invalid dimnames given for “dgTMatrix” object

• 所以這個(gè)GSE ID提供的數(shù)據(jù)格式可能是有點(diǎn)問(wèn)題，接下來(lái)就通過(guò)對(duì)比GSE166635的GSM5076750(可以正常讀入)與GSE148192的GSM4462451(讀入失敗)，探索下這三個(gè)文件的格式

（1）barcodes.tsv.gz

• GSM5076750的格式：如下看出就簡(jiǎn)單的一列，為細(xì)胞的barcode標(biāo)簽信息

  
  

• GSM4462451的格式：如下看出，區(qū)別在于多了行名，以及三列細(xì)胞注釋信息

  
  

（2）features.tsv.gz

• GSM5076750的格式：如下可以看出均為基因的注釋信息，前兩列為基因ID

  
  

• GSM4462451的格式：如下看出，區(qū)別在于同樣多了行名，以及額外兩列信息

  
  

（3）matrix.mtx.gz

• GSM5076750的格式：如下(前三行為注釋信息，其中第三行為total number genes、cells、counts)，結(jié)合上述細(xì)胞標(biāo)簽與基因名信息，知道了前兩列分別為基因和細(xì)胞的索引，第三列為表達(dá)信息。
  利用這種方式實(shí)現(xiàn)了高效的儲(chǔ)存數(shù)據(jù)(值得借鑒學(xué)習(xí))。以第四行為例：表示barcodes.tsv.gz文件里第一個(gè)細(xì)胞的features.tsv.gz第33665個(gè)基因的counts數(shù)為22。
  

• GSM4462451的格式：如下看出，區(qū)別有兩點(diǎn)：第一列為細(xì)胞索引、第二列為基因索引，并且第3列是非整型數(shù)據(jù)。

  
  

經(jīng)過(guò)一番探索，將GSM4462451的barcodes.tsv.gz、features.tsv.gz行名刪除；matrix.mtx.gz的第一列與第二列調(diào)換，第三列改為整型后，read10X()便可以順利都成功。我認(rèn)為GSM4462451這幾個(gè)文件應(yīng)該是作者自己制作的，吐槽一下~~。不過(guò)了解了一番這三個(gè)文件的格式也是有所收獲。

格式二：直接提供表達(dá)矩陣

• 這種是最方便的，直接創(chuàng)建Seurat即可
• 示例數(shù)據(jù)：GSE144320

scRNA <- CreateSeuratObject(counts = counts)
scRNA

格式三：h5格式文件

• 使用Read10X_h5()函數(shù)，讀入表達(dá)矩陣，在創(chuàng)建Seurat對(duì)象
• 示例數(shù)據(jù)：GSE138433

image.png

sce <- Read10X_h5(filename = GSM4107899_LH16.3814_raw_gene_bc_matrices_h5.h5")
sce <- CreateSeuratObject(counts = sce)

格式四：h5ad格式

• 需要安裝，使用SeuratDisk包的兩個(gè)函數(shù)；
• 先將后h5ad格式轉(zhuǎn)換為h5seurat格式，再使用LoadH5Seurat()函數(shù)讀取Seurat對(duì)象。
• 示例數(shù)據(jù)集：GSE153643

#remotes::install_github("mojaveazure/seurat-disk")
library(SeuratDisk)
Convert("GSE153643_RAW/GSM4648565_liver_raw_counts.h5ad", "h5seurat",
        overwrite = TRUE,assay = "RNA")
scRNA <- LoadH5Seurat("GSE153643_RAW/GSM4648565_liver_raw_counts.h5seurat")
#注意一下，我之前載入時(shí)，表達(dá)矩陣被轉(zhuǎn)置了，需要處理一下~

以上是我目前了解到的針對(duì)不同數(shù)據(jù)來(lái)源，創(chuàng)建Seurat對(duì)象的幾種方式。如遇新的方法，會(huì)繼續(xù)補(bǔ)充~~