针对三种不同的存储形式分别对应不同的seurat对象创建方式

1.以标准的barcodes.tsv、genes.tsv、matrix.mtx三个上游的cellranger输出文件存储

##直接对存储文件夹读取seurat包会自动识别三个文件并进行构建
library(dplyr)
library(Seurat)
library(patchwork)
pbmc.data <- Read10X(data.dir = "pbm3k/")  ##由于使用了Rproject，只填写了相对路径
##注意：上一步仅仅是将文件数据读取至R并为构建成seurat对象
head(pbmc.data) #是以稀松矩阵存储，稀松矩阵占用内存小，对于大数据集建议使用稀松矩阵，各单细胞R包大部分都支持以稀松矩阵为输入
#seurat对象创建
pbmc <- CreateSeuratObject(counts = pbmc.data, project = "pbmc3k", min.cells = 3, min.features = 200)
pbmc

2.以单个RDS/Rdata文件存储

##这个实际上就是原作者已经将三个上游的cellranger输出文件Read10X读进了R，并保存了变量
#直接读进来构建seurat就行
rm(list = ls())
sce=readRDS("rds_rdata/sce.rds") #此处获取的为RDS，所以用readRDS，注意readRDS要传递给变量
##如果获取的为.Rdata
rm(list = ls())
load(file = "rds_rdata/sce.rdata") #rdata是保存了变量名的，读进来直接生成变量
#创建seurat
pbmc <- CreateSeuratObject(counts = sce2, project = "sce2", min.cells = 3, min.features = 200)
pbmc

3.以每个样品的UMI矩阵txt存储

rm(list = ls())
path="拆分txt/"
# setwd("..")
library(Seurat)
library(data.table)
samples=list.files(path)
samples
dir <- file.path(path,samples)
names(dir) <- samples

options(scipen = 200)
#合并方法2
scRNAlist <- list()
#批量读取txt创建seurat对象存储到list
for(i in 1:length(dir)){
  print(i)
  counts=fread(dir[i],sep="\t",header=T,check.names=F,quote = F)
  counts=as.data.frame(counts)
  rownames(counts)=counts[,1]
  counts=counts[,-1]
  scRNAlist[[i]] <- CreateSeuratObject(counts = counts,project = "seurat", min.cells=3, min.features=200, names.delim = "_")
}
scRNA2 <- merge(scRNAlist[[1]], scRNAlist[2:length(scRNAlist)])#list整合,注意修改数量
dim(scRNA2)   #查看基因数和细胞总数
table(scRNA2@meta.data$orig.ident)  #查看每个样本的细胞数

变量的保存

saveRDS(sce2,"sce.rds") #.rds在存储和读取时会对变量进行压缩/解压，速度慢，占用硬盘空间小，但不会保存变量名称，读取时要赋值
sce=readRDS("rds_rdata/sce.rds") 

save(sce2,file = "sce.rdata") #.rdata直接将带变量名称的对象保存至硬盘，速度快，占硬盘空间大，但读取时无需赋值
load(file = "rds_rdata/sce.rdata")

问题交流:

Email：xuran@hrbmu.edu.cn

最后编辑于：2022.05.05 13:00:22