3. 环境配置

环境配置这件事，说实话是很多人在空间转录组分析路上翻的第一个跟头。我见过不少同学拿到数据后急着跑分析，结果因为依赖冲突折腾一整天，最后还得从头配环境。

今天我就带大家一步步搭好这个环境。你别看这一步简单，配置得好，后面几十个章节你会跑得特别顺。

3.1 为什么我们需要一个干净的虚拟环境？

Python包管理有个特点——依赖嵌套。比如Scanpy依赖anndata，anndata又依赖h5py和numpy。你在系统环境里装了一堆包，很可能某个包版本不对，导致Visium分析跑不起来。说白了就是为了保证不同项目之间互不干扰。

我个人习惯用conda来管理虚拟环境。原因很简单：conda不仅能装Python包，还能装一些非Python的依赖库，比如HDF5、zlib这些C库。你如果用pip，有时候还得手动去处理系统级的依赖，非常麻烦。

3.2 安装Miniconda

如果你还没有装conda，我建议装Miniconda而不是Anaconda。Miniconda更轻量，只带核心功能，后面需要什么包再装什么包。比如你在服务器上跑分析，Miniconda只有几百兆，Anaconda却有几个G，你想想看。

安装步骤很直接：

# Linux 或 macOS
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh

# 安装过程中一路 yes，最后记得 source ~/.bashrc 激活

嗯，这里有个细节要注意——安装路径。我建议放在家目录下的 ~/miniconda3，这样不会跟系统Python冲突。记得之前有个学员把conda装到系统root，结果更新系统包时把conda搞崩了，惨不忍睹。

3.3 创建并激活虚拟环境

现在我们来创建一个叫 visium 的环境：

# 创建环境，指定Python版本为3.9
conda create -n visium python=3.9 -y

# 激活环境
conda activate visium

为什么选Python 3.9？我实测过，Scanpy 1.9.x和Squidpy 1.2.x在3.9上跑得最稳。3.10以上版本虽然在兼容性上没问题，但有些底层包比如leidenalg（用于聚类）在3.9上构建更成熟。你如果非要追新，那就用3.10，但出问题别怪我事先没提醒啊。

3.4 安装核心包：Scanpy与Squidpy

这两个是Visium分析的主力。Scanpy负责单细胞水平的分析流程，Squidpy则专门处理空间转录组数据，比如图像处理、空间自相关分析、邻域分析等。我当时第一次接触Visium数据，就是先跑Scanpy做质量控制，然后用Squidpy看基因在组织切片上的空间分布模式。二者配合使用，效果非常棒。

安装命令如下：

# 安装Scanpy
conda install -c conda-forge scanpy -y

# 安装Squidpy
conda install -c conda-forge squidpy -y

如果网络慢，可以用清华镜像源：

# 配置清华镜像源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main

# 然后再安装
conda install scanpy squidpy -y

为什么我推荐用conda-forge频道？因为conda-forge里的package构建完整，依赖解析也更准确。我曾经因为用pip直接装Scanpy，结果装到一半卡在h5py上，折腾了一个下午。后来换conda-forge，一分钟搞定。

3.5 安装可视化与数据处理包

matplotlib和pandas估计没人不熟悉。前者用来画图，后者管理数据框。还有几个辅助包也是必备的：

# 核心可视化
conda install matplotlib seaborn -y

# 数据处理
conda install pandas numpy scipy -y

# 其他工具
conda install jupyter ipykernel -y

我个人还习惯装上 tqdm——进度条工具，跑循环时心里有底；还有 numba——加速计算，有些空间分析函数用numba能快几十倍。

conda install tqdm numba -y

是不是装太多了？其实你想想，后面做空间可变基因筛选、邻域分析、染色质结构域识别，哪一步离得开numpy和scipy？一次性装好，省得后面缺包再去装。

3.6 验证安装是否成功

环境配完，总得试一下能不能用。我在命令行里敲一个快速验证脚本：

python -c "
import scanpy as sc
import squidpy as sq
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

print('Scanpy version:', sc.__version__)
print('Squidpy version:', sq.__version__)
print('All packages loaded successfully!')
"

如果输出类似：

Scanpy version: 1.9.6
Squidpy version: 1.2.3
All packages loaded successfully!

那就说明环境配置成了。嗯，这里有个小坑——如果报错说某个模块找不到，多半是依赖冲突或版本不匹配。我处理过很多次，最常见的错误是 ImportError: libhdf5.so.200。解决方法是：

conda install hdf5 -c conda-forge -y

然后重新激活环境即可。其实这就是conda-forge的优势所在——它会把C库的依赖也一并解决。

3.7 配置Jupyter内核

大多数同学喜欢在Jupyter Notebook里交互式分析。我们需要把刚才配好的 visium 环境注册到Jupyter里：

# 安装ipykernel（如果没装的话）
conda install ipykernel -y

# 注册内核
python -m ipykernel install --user --name visium --display-name "Visium (Python 3.9)"

之后打开Jupyter，在Kernel菜单里选择 Visium (Python 3.9) 就行。

3.8 升级还是降级？该用哪个版本？

我在不同项目里试过Scanpy的版本，稳定性和功能上有区别。我把常用版本整理成了表格，方便你参考：

包名	推荐版本	适用场景
Scanpy	1.9.x	通用分析，QC、降维、聚类、Marker基因
Squidpy	1.2.x	空间分析：邻域、自相关、染色质结构域
anndata	0.9.x	数据存储与读写，与Scanpy深度绑定
matplotlib	3.7+	基础可视化，任何分析都离不开
pandas	1.5+	数据框操作，管理元数据、表达矩阵

我的建议：直接用 conda install 从conda-forge装上来的版本就行，conda-forge会帮你做好版本兼容性检测。如果非要手动指定版本，可以这么写：

conda install scanpy==1.9.6 squidpy==1.2.3 -y

为什么我要专门说版本号？因为空间转录组分析的包更新很快，有些新版API变了，旧代码就跑不通。我记得有一次Squidpy从1.2升级到1.3，把 sq.gr.spatial_neighbors 的参数改掉了，我差点没排查出来。还是锁定版本比较保险。

3.9 总结：你的环境已准备就绪

走到这里，你的机器上已经有了一个干净、专用于Visium空间转录组分析的Python环境。整个过程就是这样：

• 安装Miniconda作为包管理器
• 创建名为 visium 的虚拟环境，Python 3.9
• 从conda-forge安装Scanpy和Squidpy
• 辅以matplotlib、pandas、numpy、seaborn等科学计算包
• 注册为Jupyter内核，方便交互式分析

接下来，我们就要用这个环境来读取真实的Visium数据、做质量控制、降维聚类，直至获得有生物学意义的空间模式。嗯，到那时候你会感谢现在这一套干净的配置——因为后面所有坑，都只会是分析本身的坑，而不是环境的坑。