第4章：数据读取——从原始文件到Seurat对象
说起单细胞数据读取，很多朋友上来就问：该读什么格式？我刚开始那会儿也懵，10X的、Smart-seq2的、还有各种奇奇怪怪的H5文件。其实核心就一句话：把原始数据塞进Seurat认识的结构里。
这一章，我们就来聊聊怎么把不同平台的数据变成Seurat对象。嗯，这可是所有后续分析的基础，必须整明白。
4.1 10X Genomics格式：最常用的“三位一体”
10X平台是目前单细胞数据的主流来源。它的原始输出是三个文件，缺一不可。我个人习惯管它叫“三件套”。
- barcodes.tsv：细胞条形码列表，说白了就是每个细胞的“身份证号”。
- features.tsv：基因特征列表，早期版本叫genes.tsv，包括基因ID和基因名两列。
- matrix.mtx：表达量矩阵，Market Exchange格式，稀疏矩阵，只存储非零值。
读取方法很简单：
library(Seurat)
# 指定数据目录（包含三个文件的文件夹）
data_dir <- "path/to/filtered_feature_bc_matrix/"
# 读取10X数据
counts <- Read10X(data.dir = data_dir)
# 创建Seurat对象
seurat_obj <- CreateSeuratObject(counts = counts, project = "my_project")
小提示：Read10X函数会默认读取当前目录下名为“filtered_feature_bc_matrix”的文件夹。你也可以直接用绝对路径，这样更稳妥。
我在项目中遇到的问题：有一次数据目录下有两个子文件夹，一个叫“raw”，一个叫“filtered”。我一时大意读了raw，结果分析出来的细胞数量多了好几倍。嗯，记得要用filtered的，那个才是质检后的高质量细胞。
4.2 Smart-seq2格式：传统表达矩阵
Smart-seq2是另一种常见技术。它的数据通常是一个基因×细胞的表达矩阵，CSV或TSV格式。说白了，就是一个普通的表格文件。
读取方法：
# 读取表达矩阵（行是基因，列是细胞）
expr_matrix <- read.table("expression_matrix.tsv",
header = TRUE,
row.names = 1,
sep = "\t")
# 直接创建Seurat对象
seurat_obj <- CreateSeuratObject(counts = expr_matrix,
project = "smartseq2_project")这里要注意一点：read.table的行名必须是基因名，列名必须是细胞ID。数据框的内容就是表达量。
我曾经踩过的坑：Smart-seq2的数据有时候会包含重复的基因名。如果你忘了去重，Seurat会报错。我的建议是：读数据之前先用
duplicated()检查一下。
4.3 其他格式怎么办？
除了上面两种，实际项目中还会遇到一些“非主流”格式。别慌，Seurat都给你准备好了。
| 格式 | 读取函数 | 说明 |
|---|---|---|
| Drop-seq | ReadDropSeq() | DGE格式，类似10X但文件结构不同 |
| BD Rhapsody | ReadBD() | BD平台的数据，文件后缀名不一样 |
| H5 (HDF5) | Read10X_h5() | 10X的H5格式，一个文件打包所有数据 |
| STARsolo | ReadSTARsolo() | STAR比对工具的输出 |
一句话总结：大多数主流平台的专用函数，都内置在Seurat包中。查一下文档就能找到对应的函数名。
4.4 读完之后，先看一眼数据
数据读进来后，我通常会做两件事：
- 检查维度：看看有多少个基因，多少细胞，心里有个数。
- 看看元数据：Seurat对象自动给你加了nCount_RNA和nFeature_RNA两列，就是每个细胞的UMI总数和基因数。
# 查看Seurat对象的结构
seurat_obj
# 查看元数据
head(seurat_obj@meta.data)
# 查看表达矩阵的维度
dim(GetAssayData(seurat_obj, slot = "counts"))
# 检查细胞数
ncol(seurat_obj)
# 检查基因数
nrow(seurat_obj)你想想看，如果一次读进来10万个细胞，那后续的计算量可不小。我遇到过一个项目，原始数据包含50万细胞，靠单机根本跑不动，最后只能用降采样+并行处理。所以一开始就要对数据规模有个预判。
4.5 一点避坑指南
- 文件名大小写：Linux系统上大小写敏感，barcodes.tsv和Barcodes.tsv是两个文件。
- 路径分隔符：Windows用反斜杠\，但R里建议用正斜杠/，或者用双反斜杠\\。
- 内存占用：几千个细胞的矩阵还好，几万细胞的话，读取时会消耗大量内存。建议用2G以上的内存来跑。
- 重复行名：如果你用的是自定义矩阵，记得确保基因名唯一。重复名称会导致CreateSeuratObject报错。
一个小技巧：如果你需要反复读取同一个数据集，可以先把Seurat对象保存为RDS文件，下次直接用
readRDS()加载。速度能快好几倍。
数据读取这一步其实不算复杂。核心就是找到正确的文件，用对的函数，然后看一眼元数据。后面的过滤、标准化、降维、聚类，才是真正考验功夫的地方。不过，数据读不对，后面全白搭。所以，嗯，这一步务必认真对待。