📚 课程目录第2章 Seurat环境搭建

2. Seurat环境搭建：R语言与RStudio安装、Seurat包安装、依赖包管理

做空间转录组分析，第一步就是把环境搭稳。我见过太多人花半天在报错上，结果发现是R版本不对或者某个依赖没装。说白了，环境搭建就像是打地基——地基歪了，后面再漂亮的代码也跑不起来。

这一章我会带你走一遍完整的安装流程，包括R语言、RStudio、Seurat以及几个关键依赖包。每一步我都会标注避坑点，你跟着敲就行。

2.1 R语言与RStudio的安装

先装R，再装RStudio。顺序别搞反了——RStudio只是一个IDE，它依赖底层的R解释器。如果你先装了RStudio再装R，可能会遇到RStudio找不到R的尴尬。嗯，我之前就犯过这个错。

2.1.1 下载R

打开CRAN官网，选择对应你操作系统的版本：

Windows：点击 "Download R for Windows"，然后选 "base"，下载安装包。
macOS：点击 "Download R for macOS"，根据你的芯片（Intel / Apple Silicon）选对应的 .pkg 文件。
Linux (Ubuntu/Debian)：我建议用终端命令添加 CRAN 源后安装，比手动下载更不容易出错。

我个人习惯用 R >= 4.2，因为 Seurat v5 官方推荐这个版本。你安装时留意一下版本号，别装太老的。

提示： macOS 用户装完 R 后，记得在终端运行 xcode-select --install，否则编译某些包时会报错。

2.1.2 安装RStudio

去Posit官网下载免费的RStudio Desktop版本。安装过程很简单——下一步下一步就行。

我遇到过一个问题：装完RStudio后打开，R版本识别错了（比如它用了系统自带的旧版R）。解决办法是在RStudio里手动指定R路径：Tools → Global Options → General → R version，选你刚装的那个。macOS用户尤其要注意这个。

2.2 Seurat包安装

Seurat是空间转录组整合的核心包。它依赖很多底层C++和Fortran库，安装过程可能会有点波折。

2.2.1 通过CRAN安装（推荐）

打开RStudio，在Console里直接运行：

install.packages("Seurat")

这会自动拉取最新稳定版。第一次安装时，R会提示你是否编译一些包，选"Yes"或按回车接受默认。

但！如果你网速慢，或者网络不稳定，可能会下载到一半断掉。这时候可以换国内镜像：

install.packages("Seurat", repos = "https://mirrors.tuna.tsinghua.edu.cn/CRAN/")

我习惯在安装前先配好镜像，省得每次手动写参数：

options(repos = c(CRAN = "https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))

2.2.2 如果CRAN安装失败怎么办？

遇到缺少系统依赖的情况（比如 libgfortran 或 xml2 相关报错），分两步走：

macOS： 确保装了 gfortran，从 CRAN的工具页面下载安装。
Ubuntu： 运行这条命令安装系统依赖：

sudo apt install libhdf5-dev libcurl4-openssl-dev libxml2-dev libssl-dev libgmp-dev libmpfr-dev

然后重新安装Seurat：

install.packages("Seurat")

警告： 千万不要直接 sudo apt install r-cran-seurat。系统源的版本往往严重滞后，而且依赖不全，后面整合分析时会频繁报错。我踩过这个坑，后来全重装了。

2.2.3 从GitHub安装开发版（可选）

如果你想尝鲜Seurat的开发功能，可以用 devtools：

install.packages("remotes")
remotes::install_github("satijalab/seurat", ref = "develop")

不过我个人建议初学者先用CRAN稳定版，等走上正轨了再考虑升级。

2.3 依赖包管理

Seurat本身会自带大部分依赖，但有些你写分析脚本时一定会用到的包需要手动装：

包名	用途	安装命令
dplyr	数据操作与管道处理	`install.packages("dplyr")`
ggplot2	高级可视化	`install.packages("ggplot2")`
patchwork	将多个ggplot图形拼合到一张图	`install.packages("patchwork")`
tidyr	数据清洗与长宽转换	`install.packages("tidyr")`
Matrix	高维稀疏矩阵支持	`install.packages("Matrix")`
SeuratData	示例数据集（非必须，但练手方便）	`install.packages("SeuratData")`

我建议一次性安装全部：

install.packages(c("dplyr", "ggplot2", "patchwork", "tidyr", "Matrix"))

如果想验证某个包是否可用，用 library() 加载即可：

library(dplyr)
library(ggplot2)
library(patchwork)

如果没有报错，说明装好了。你想想看，这一步其实比想象中快，只要网络流畅，五分钟就能搞定。

核心经验： 依赖包之间的版本冲突是最常见的安装失败原因。我建议每次装完一批包后，用 sessionInfo() 检查一下加载的版本。如果出现类似 namespace ‘rlang’ is imported by ‘Seurat’ but not exported 的警告，就重启R会话，再 install.packages("rlang") 更新一下。

2.4 检查安装成功

最后一步，写一段简单的测试代码。我正好可以用它来确认整个环境没毛病。

library(Seurat)
library(ggplot2)
library(patchwork)

# 创建一个假的Seurat对象来测试
pbmc_test <- CreateSeuratObject(counts = matrix(rpois(2000, lambda = 3), nrow = 100, ncol = 20))
pbmc_test <- NormalizeData(pbmc_test)
pbmc_test <- FindVariableFeatures(pbmc_test)
pbmc_test <- ScaleData(pbmc_test)
pbmc_test <- RunPCA(pbmc_test)

# 用 patchwork 拼几个基础图
p1 <- DimPlot(pbmc_test, reduction = "pca", group.by = "orig.ident")
p2 <- FeatureScatter(pbmc_test, feature1 = "nCount_RNA", feature2 = "nFeature_RNA")
p1 + p2 + plot_layout(ncol = 2)

# 打印对象信息
pbmc_test

如果最后能看到控制台输出 An object of class Seurat 以及 100 features across 20 samples 之类的信息，且弹出了图形窗口（或绘图），那就大功告成了。

我见过有人运行这段代码后报错 FindVariableFeatures 找不到，那是因为之前安装的Seurat版本太老。解决办法就是重新安装最新版。还有一种情况是 ggplot2 版本太低导致 DimPlot 报错，升级一下就行。

下面这张图总结了从零到运行环境的完整流程：

看到这里，你的环境应该已经跑起来了。记住：如果某个包报错提示「不存在」，别慌，大概率是没安装或者包名打错了。用 installed.packages() 查看已安装列表，一一核对。嗯，这一步很笨但最靠谱。

好了，环境搭好，后面就可以开始真正的空间转录组分析了。