3. Seurat包简介、安装与加载

聊到单细胞分析，Seurat 是绕不开的工具。我个人习惯把它叫做「单细胞分析的瑞士军刀」。它由纽约基因组中心开发，是目前使用最广的 R 包之一。

但你真的会用这个包吗？我见过不少同学，直接 install.packages 一把梭，然后被依赖环境折磨得想放弃。嗯，这章我们来捋清楚。

什么是 Seurat？

Seurat 是一个基于 R 语言的单细胞数据分析工具包。它涵盖了从原始数据 QC、标准化、降维、聚类到差异表达分析的全部流程。

说白了，你的单细胞测序数据是一堆混乱的基因表达矩阵。Seurat 就是帮你把这些信息提取出来，告诉你「这个细胞属于什么类型」。我在项目中遇到过很多次，用 Seurat 分析出的细胞类型，和病理切片的结果高度吻合——这感觉确实不错。

为什么选择 Seurat？

• 数据格式统一：所有分析都基于 SeuratObject，结构清晰
• 分析流水线完整：从读数据到出图，一站式搞定
• 社区活跃：教程、Q&A 特别多，遇到坑很容易找到解法
• 兼容性好：能对接其他工具（如 Monocle、CellChat）

安装前准备

安装 Seurat 之前，有三样东西你要先备好。我曾经在 Rtools 上踩过坑，所以特别提一下。

安装 Seurat

Seurat 的安装主要分两种方式。我个人更推荐第二种——开发版通常包含了最新的功能修复。

从 CRAN 安装

这是最简单的方法，适合快速上手。

install.packages("Seurat")

从 GitHub 安装开发版

如果你想要最新功能，或者遇到了 bug 想看看是否已修复，可以直接装开发版。

# 先安装 devtools
install.packages("devtools")

# 再安装 Seurat 开发版
devtools::install_github("satijalab/seurat", ref = "develop")

加载与验证

安装完成后，加载 Seurat 并验证版本。这一步看着简单，但能帮你避开很多「咦，我明明装了为什么找不到？」的尴尬。

library(Seurat)
packageVersion("Seurat")

如果输出类似 [1] '5.0.1' 这样，说明安装成功了。

但你还要确认一点：Seurat 对象的数据结构是否正确加载？可以试一下：

# 创建一个空 Seurat 对象看看
pbmc_small <- pbmc_small
class(pbmc_small)

应当输出 [1] "Seurat"。嗯，到这步基本就稳了。

依赖环境配置

Seurat 的依赖包比较多，尤其是涉及到降维和可视化的部分。我把常用的几个核心依赖整理了一下：

常用配置：并行与内存

单细胞数据量通常很大。你想想看，一个 10x 样本可能就是 2-3 万基因 × 5000 细胞。跑起来很慢怎么办？我个人建议开启多线程。

# 开启并行计算
library(future)
plan("multisession", workers = 4)  # 4 核心并行

# 设定最大内存（以 GB 为单位）
options(future.globals.maxSize = 8 * 1024^3)  # 8GB

这样设置后，Seurat 的很多计算步骤会自动利用多核加速。我之前用 4 核跑 5000 个细胞，速度提升了 3 倍多。

本章知识体系

下面这张图帮你快速理清本章内容结构：

常见问题与避坑

• 版本冲突：如果你已经装了旧版 Seurat，建议先卸载再装新版。

  remove.packages("Seurat")
  remove.packages("SeuratObject")
  install.packages("Seurat")

• 编译失败：通常跟 Rtools 有关。Windows 用户一定要确认 Rtools 路径加进了系统环境变量。
• 内存不足：单细胞数据很占内存。如果你的数据量大（比如超过 10000 个细胞），建议用 future 配合 plan("multicore") 或者直接上服务器。