数据导入：三种常见格式的读法与检查

数据读入，说白了就是整个分析流程的「地基」。地基没打牢，后面所有花哨的聚类、降维都是白搭。我自己刚开始接触单细胞时，就因为读错了一个格式，整整调试了两天。

咱们这章就专门解决这个问题。你拿到一份单细胞数据，无非就是三种常见格式：10X Genomics 的标准输出、H5 文件、或者 CSV 表格。每一种我都踩过坑，咱们一个一个过。

1. 10X Genomics 格式：最正统，但也最容易出错

10X Genomics 的标准输出有三个核心文件。少了任何一个，Seurat 都不认。我个人习惯是拿到数据后先检查文件夹结构是不是下面这样：

sample_dir/
├── barcodes.tsv.gz    # 细胞条形码
├── features.tsv.gz    # 基因特征（以前叫 genes.tsv）
└── matrix.mtx.gz      # 表达量矩阵

嗯，这里要注意。老版本 10X 输出的是 genes.tsv，新版本改成了 features.tsv。Seurat 的 Read10X 函数两个都支持，但你最好确认一下版本，避免后续基因注释出问题。

读取方式很简单：

library(Seurat)
data_dir <- "path/to/sample_dir"
counts <- Read10X(data.dir = data_dir)
# 检查读进来的对象
dim(counts)          # 看看多少行（基因）x 列（细胞）
class(counts)        # 应该是 dgCMatrix
head(rownames(counts))  # 检查基因名

2. H5 格式：一个文件搞定，但读取参数要注意

H5 格式现在越来越常见。它把所有信息打包成一个文件，管理起来比三个文件方便。但方便归方便，有两个参数你必须在读之前确认一下。

先看 H5 文件的结构。你用 h5ls 或者 R 的 hdf5r 包看一下就清楚了：

# 用命令行检查 H5 内容
h5ls filtered_feature_bc_matrix.h5

# 输出大概是这样的
# /matrix                  Group
# /matrix/barcodes         Dataset {10000}
# /matrix/data             Dataset {5000000, 2}
# /matrix/features         Group
# /matrix/features/id      Dataset {33694}
# /matrix/features/name    Dataset {33694}

在 R 里面读取：

library(Seurat)
counts <- Read10X_h5(filename = "filtered_feature_bc_matrix.h5")
# 注意：默认读的是 'matrix' 组。如果你的文件结构不同，需要指定 group

另外，H5 文件也分 filtered（过滤后）和 raw（原始）两种版本。千万别把 raw 的数据当 filtered 用，否则后面你会看到几十万个细胞，里面全是空的。

3. CSV 格式：最灵活，但坑最多

CSV 格式的来源五花八门。有些是直接从测序公司拿到的，有些是公共数据库里下载的，甚至可能是你自己写脚本生成的。我个人的经验是：读 CSV 之前，先搞清楚它的「朝向」。

是基因在行、细胞在列？还是反过来？Seurat 默认接受的是「基因在行、细胞在列」。如果你的数据是反的，必须转置。

举个例子。我拿到过一个 CSV 文件，看起来是这样：

# 常见格式：基因在行，细胞在列
,cell_1,cell_2,cell_3
GENE_A,12,0,5
GENE_B,0,8,0
GENE_C,3,2,10

读取方式：

library(Seurat)
raw_data <- read.csv("expression_matrix.csv", row.names = 1)
# 检查维度
dim(raw_data)
# 如果你的数据是细胞在行、基因在列，需要转置
# raw_data <- t(raw_data)
# 然后创建 Seurat 对象
seurat_obj <- CreateSeuratObject(counts = raw_data, project = "my_project")

4. 数据检查：别急着往下跑，先验证

数据读进来了，别急着创建对象或开始降维聚类。我建议你先做三件事，确保数据质量没问题。

举个例子。你如果用 Read10X 读了多个样本合并后的数据，barcode 末尾会带着 -1、-2 这样的标签：

# 检查 barcode 格式
head(colnames(counts))
# 输出：AAACCCAAGAAACTCA-1  AAACCCACAGTTCTCT-1  AAACCCAGTCTGGTCA-2

核心流程：一张图搞清楚

下面这张图帮你理清楚三种格式的读取路径以及共用的检查步骤。你可以把它当作实战时的检查清单：

你看看这张图：不管从哪个格式出发，最后都要汇聚到「数据检查」这个关键节点。维度、barcode、基因名，三个检查一个都不能少。我每次分析新数据，都会按这个流程走一遍，能避免掉 90% 的后期报错。