3、空间转录组数据格式介绍（H5、mtx、TIFF）

做 Visium 分析，你首先得搞明白数据长什么样。说白了，空间转录组的数据不是单一文件，而是一套「组合拳」——你拿到手的往往是个文件夹，里面混着图像、表达矩阵和元数据。我最早接触时也被绕晕过，后来摸清了三种核心格式：H5、mtx 和 TIFF。嗯，今天我就把它们的门道给你捋清楚。

3.1 H5（HDF5）— 大而全的容器

H5 是 HDF5 的简写，一种层级化的二进制文件格式。Space Ranger 输出的 filtered_feature_bc_matrix.h5 就是典型代表。我个人习惯把它看作「数据衣柜」——里面用 group 和 dataset 把基因表达、barcode、特征信息分门别类挂好。

之前有个项目，同事拿到 H5 后直接硬着头皮用 pandas 读，结果内存爆了。其实根本不需要，H5 支持随机读取，你完全可以选择只加载某个 barcode 集合的数据。我常用的命令是：

h5ls filtered_feature_bc_matrix.h5
# 输出示例：
# /matrix              Group
# /matrix/features     Group
# /matrix/barcodes     Dataset {5000}
# /matrix/data         Dataset {1200000}
# /matrix/indices      Dataset {1200000}
# /matrix/indptr       Dataset {5001}
# /matrix/shape        Dataset {2}

你会发现表达矩阵按压缩稀疏列（CSC）格式存储——data 存非零值，indices 存行号，indptr 存列偏移。我建议你直接用 scanpy.read_10x_h5() 或 Seurat::Read10X_h5() 解析，比自己造轮子靠谱。

3.2 mtx（Matrix Market）— 轻量级稀疏格式

mtx 是 Matrix Market 格式的文本文件，专门存稀疏矩阵。Visium 的原始数据包里，matrix.mtx 常和 barcodes.tsv、features.tsv（或 genes.tsv）三件套放在 filtered_feature_bc_matrix/ 目录下。

它的结构极其简单：前三行是注释，第四行开始每行三个值——row col value。我曾经遇到过团队把 mtx 用 Excel 打开，结果超长行被截断，最后基因表达全乱了。千万别踩这个坑，mtx 不是给人眼看的，老老实实让程序读。

你看，一个典型的 mtx 长这样：

%%MatrixMarket matrix coordinate integer general
%metadata_json: {"software_version": "2.0.0", "format_version": 2}
1200000 5000 31000
1 1 5
1 2 0
1 3 12
2 1 3
3 5 7

第三行 1200000 5000 31000 表示总非零元素 120 万、5000 个 barcode、31000 个基因。嗯，注意行列索引是 1-based（从 1 开始），不像 Python 的 0-based。我刚开始用 scipy.io.mmread() 时没注意这细节，一度以为数据被篡改了。

3.3 TIFF — 组织图像的原生载体

TIFF（Tagged Image File Format）在 Visium 里承载的是 H&E 染色后的组织切片扫描图。别小看它，它不仅是“图片”，还内嵌了空间坐标、焦距、缩放层级等元数据。Space Ranger 依赖 TIFF 中的 Spot 位置信息才能把基因表达映射到物理坐标上。

我记得有一次，交付方给的是 JPEG 压过的图，结果组织边界模糊，下游聚类直接把背景和实际组织混在一起。后来强制要求对方提供未压缩的 TIFF（≥ 300 DPI），问题才解决。

TIFF 文件的典型入口文件是 tissue_hires_image.png（低分辨率预览）和 tissue_lowres_image.png，但真正的原始文件是 *.tif。用 Python 读取时，libvips 比 OpenCV 快一个数量级：

import tifffile
img = tifffile.imread('sample.tif')
print(img.shape)  # (高度, 宽度, 通道数)
# 通常输出 (20000, 20000, 3) 或更大

3.4 格式对比一览

3.5 三种格式如何协同工作？

搞清楚各自的定位后，你就能看懂 Visium 分析的上下游了。下面这张图是我自己画的，帮你把数据流转关系可视化：

你看，H5 和 mtx 都包含基因表达信息，但 H5 更“完整”（含 barcode 和特征名），mtx 更“纯粹”（仅矩阵坐标）。TIFF 则提供位置信息。我们做容器化部署时，通常会把 H5 作为统一输入，因为 scanpy 和 Seurat 都原生支持，减少格式转换的麻烦。