3. 数据获取与格式

开始空间聚类之前，得先把原材料搞到手。说白了，你得知道数据该从哪下载、下载下来长什么样、哪些文件是核心、哪些是坑。我以前刚接触 Visium 时，对着满目录的文件一脸懵，还试过把图像坐标和表达矩阵对错位——那叫一个惨。今天我们就把这部分彻底理清。

3.1 从 10x Genomics 官网下载公开 Visium 数据

10x 官网提供了多个公开数据集，我常用的是 Visium 小鼠大脑（前额叶冠状切片）。下载方式很简单：用 wget 或 curl 拉两个文件——一个 H5 表达矩阵，一个包含图像和空间信息的压缩包。

# 下载示例（我习惯用 wget）
wget https://cf.10xgenomics.com/samples/spatial-exp/1.1.0/V1_Adult_Mouse_Brain/V1_Adult_Mouse_Brain_filtered_feature_bc_matrix.h5

wget https://cf.10xgenomics.com/samples/spatial-exp/1.1.0/V1_Adult_Mouse_Brain/V1_Adult_Mouse_Brain_spatial.tar.gz

tar -xzf V1_Adult_Mouse_Brain_spatial.tar.gz

解压后会得到一个 spatial/ 目录和 filtered_feature_bc_matrix.h5。我个人建议下载 filtered 版本，它已经去掉了空液滴，实验初期够用了。想用原始数据？下载 raw_ 版就行，但后续清洗会多一步。

3.2 理解 H5 文件的结构

H5（HDF5）是一种层次化数据格式，像迷你文件系统。你用 h5py 打开就能看到里面的“文件夹”和“文件”。我把代码贴在下面，你跑一下就知道有多直观了。

import h5py

f = h5py.File('filtered_feature_bc_matrix.h5', 'r')
print(list(f.keys()))         # ['matrix']
g = f['matrix']
print(list(g.keys()))         # ['barcodes', 'data', 'indices', 'indptr', 'shape', 'features']

关键数据集解释：

• barcodes：所有 spot 的条形码序列，顺序就是表达矩阵的列顺序。
• features：基因信息，里面又有 id、name、feature_type、genome 四个子数据集。
• data / indices / indptr：压缩稀疏列（CSC）格式的三个数组，共同构成表达矩阵。
• shape：矩阵维度，比如 32285 个基因 × 4992 个 spot。

我第一次用 h5py 读时，以为 features 是直接可读的二维表，结果它也是个组。嗯，这里要注意：你要用 f['matrix/features/name'][:].astype(str) 才能拿到基因名列表。

用 scanpy 读取其实更方便，但你理解底层结构后，调试异样数据时才不会抓瞎。我建议至少用 h5py 看一次结构。

3.3 SpaceRanger 输出目录结构

SpaceRanger 是 10x 官方的处理流程，输出都放在 outs/ 目录下。下面是一个典型结构的简化版：

outs/
├── analysis/
│   ├── clustering/
│   │   ├── graphclust/
│   │   └── kmeans/
│   ├── diffusion/
│   └── pca/
├── spatial/
│   ├── tissue_positions_list.csv    # spot 坐标（行列号）
│   ├── scalefactors_json.json       # 缩放因子
│   ├── tissue_hires_image.png       # 高分辨率组织图像
│   ├── tissue_lowres_image.png      # 低分辨率（通常用于绘图）
│   └── aligned_tissue_image.jpg     # 已对齐的荧光图像
├── filtered_feature_bc_matrix.h5    # 过滤后的表达矩阵
└── raw_feature_bc_matrix.h5         # 原始表达矩阵

我找重点给你说：

• spatial/tissue_positions_list.csv：每行一个 spot，包含 barcode、in_tissue（0/1）、row、col、pxl_row_in_fullres、pxl_col_in_fullres。坐标原点在图像左下角。
• scalefactors_json.json：里面有 tissue_hires_scalef、tissue_lowres_scalef、spot_diameter_fullres 等关键参数。图像配准和可视化时必须有它们。
• analysis/：SpaceRanger 自动跑的聚类、PCA 等结果。在自定义分析中我们通常忽略它，直接用自己的流程。

3.4 几个常见的坑——我都踩过

你想想看，数据拿到手，看起来一切正常，结果一画图全是空的——大概率是下面这几个问题：

1. barcode 顺序错位。 我刚开始用 scanpy 直接读 H5，再手工读 CSV，以为顺序天然匹配。事实是，H5 里的 barcodes 和 CSV 里的 barcode 都是字符串，但 CSV 的排序列可能不同。你一定要用 pandas merge 来匹配。
2. 缩放因子用错。 把低分辨率图和高分辨率坐标混在一起，结果 spot 全堆在图像角落。我之前就是这么干的，画出的聚类图像一团乱麻。正确处理方式：用 tissue_lowres_scalef 把全分辨率坐标缩放到低分辨率图。
3. H5 里的 matrix 是稀疏格式，直接装进 pandas 会爆内存。 以前我硬生生转成稠密数组，12GB 内存直接挂掉。后来都用 sparse 矩阵处理。

下面我用一个 SVG 图把整个数据获取到目录结构串起来，让你一眼看清全局。

3.5 本章核心要点速查