4. Seurat 与 Scanpy 框架简介：设计哲学、数据结构与核心函数
好，这一章我们聊聊两个工具的内在逻辑。很多人刚接触单细胞分析时，最头疼的不是算法，而是怎么理解这两个框架到底“长什么样”。我当初从 R 转到 Python 做单细胞时，就踩过不少坑。
说白了，Seurat 和 Scanpy 在干同一件事——把混乱的原始测序数据整理成可分析的矩阵，然后降维、聚类、找 marker。但它们的思路完全不同。一个像精装修的别墅，户型固定，拎包入住；另一个像积木仓库，随取随拼，自己画图纸。
4.1 Seurat 的设计哲学：“对象即一切”
Seurat 是 R 语言的老牌工具，由 Satija Lab 维护。它的核心思想是：你所有操作都在一个对象上完成。这个对象叫 SeuratObject，里面嵌套了表达矩阵、降维结果、元数据、邻接图等。
我记得第一次用 NormalizeData 函数时，心想这不就是改一下矩阵吗？后来才发现，它不光改了数据，还在对象内部打了个标签，记录这次标准化用了什么参数。你想想看，这种设计对重复性分析有多友好？
4.1.1 数据结构
SeuratObject 的核心层级如下：
- Assay：主分析层，默认是 RNA。里面包含 counts（原始计数）、data（标准化后）、scale.data（缩放后）三个槽。
- DimReduc：降维结果，如 PCA、UMAP。每个降维对象有 cell embeddings 和 feature loadings。
- Graph：细胞间邻接图，用于聚类和 UMAP。
- meta.data：细胞级注释，像 library、cluster、percent.mito 这些都丢在这。
- misc：杂项，存一些辅助信息。
这里有个坑——Assay 可以有很多个。比如你同时做了 RNA 和 ADT 数据，可以创建两个 Assay。我一度以为所有数据只能塞在 default assay 里，结果跑 CITE-seq 时总报错。
# 创建 SeuratObject 的典型流程
library(Seurat)
counts_matrix <- Read10X("filtered_feature_bc_matrix/")
seurat_obj <- CreateSeuratObject(counts = counts_matrix,
project = "PBMC",
min.cells = 3,
min.features = 200)
# seurat_obj 现在是一个标准的 SeuratObject
# 默认 assay 叫 "RNA"
# 可以通过 seurat_obj[["RNA"]] 访问4.1.2 核心函数一览
Seurat 的函数命名非常直白：动词 + 对象。常用的有：
| 阶段 | 核心函数 | 作用 |
|---|---|---|
| 质控 | PercentageFeatureSet, subset | 计算指标，过滤细胞 |
| 标准化 | NormalizeData, ScaleData | 对数标准化 + 线性缩放 |
| 降维 | RunPCA, RunUMAP | PCA 和 UMAP |
| 聚类 | FindNeighbors, FindClusters | 建图 + Louvain/Leiden 聚类 |
| 标记基因 | FindAllMarkers, FindMarkers | 差异表达分析 |
| 可视化 | DimPlot, FeaturePlot, VlnPlot | 绘图 |
嗯，这里要注意：ScaleData 默认回归掉细胞周期等变量，但如果你不做回归，记得设 vars.to.regress = NULL。我曾经忘了这个，结果批次效应全被放大了。
4.2 Scanpy 的设计哲学：“管道与显式”
Scanpy 是 Python 生态的代表，由 Theis Lab 开发。它的风格完全是函数式管道：输入一个 AnnData 对象，返回一个新的或原地修改的 AnnData。不玩封装，每一步都看得清清楚楚。
我一开始用 Scanpy 时特别不适应：怎么没有“对象方法”？后来才明白，这种设计让每一步操作都透明，调试起来方便。你想想看，当你想单独跑一下 PCA 看看原始数据，直接 sc.tl.pca(adata) 就完事，不用管什么默认参数。
4.2.1 数据结构：AnnData
AnnData 是 Scanpy 的“通用容器”，它把数据拆成几个清晰的矩阵：
- adata.X：主表达矩阵（cells × genes），默认存储标准化后的数据。
- adata.obs：细胞元数据，类似 DataFrame 行是细胞。
- adata.var：基因元数据，类似 DataFrame 行是基因。
- adata.obsm：细胞的多维空间坐标，如 PCA、UMAP 结果。
- adata.varm：基因的加载矩阵，如 PCA loadings。
- adata.uns：非结构化数据，像聚类颜色、批次信息、通路富集结果等。
- adata.obsp / adata.varp：细胞间或基因间的配对矩阵（如邻接图）。
这个结构的好处是——你不必非要把所有东西塞进一个对象里。比如你想单独分析蛋白质和 RNA，可以创建两个 AnnData，共用 .obs 索引。我在做多模态整合时，这个设计帮了大忙。
# 读取数据到 AnnData
import scanpy as sc
import anndata
adata = sc.read_10x_h5("filtered_feature_bc_matrix.h5")
# 也可以用 sc.read_mtx + 基因名
# adata.var_names 是基因名
# adata.obs_names 是细胞 barcode
print(adata.shape) # (cells, genes)
# 质控指标
adata.var["mt"] = adata.var_names.str.startswith("MT-")
sc.calculate_qc_metrics(adata, qc_vars=["mt"], percent_top=None, log1p=False, inplace=True)4.2.2 核心函数一览
Scanpy 的函数以 sc.pp.*（预处理）、sc.tl.*（工具）和 sc.pl.*（绘图）分类。
| 阶段 | 核心函数 | 作用 |
|---|---|---|
| 质控 | sc.pp.filter_cells, sc.pp.filter_genes, sc.pp.calculate_qc_metrics | 过滤与指标计算 |
| 标准化 | sc.pp.normalize_total, sc.pp.log1p, sc.pp.scale | 总计数归一、对数化、缩放 |
| 降维 | sc.tl.pca, sc.tl.umap | PCA、UMAP |
| 聚类 | sc.pp.neighbors, sc.tl.leiden | 建 KNN 图 + Leiden 聚类 |
| 标记基因 | sc.tl.rank_genes_groups | Wilcoxon 或 t-test 找差异基因 |
| 可视化 | sc.pl.umap, sc.pl.violin, sc.pl.heatmap | 快速绘图 |
避坑指南：sc.pp.scale 默认 center 但不 scale 到 unit variance？不，它默认 zero_center=True, max_value=10。我一开始没调 max_value，结果一些高表达基因的 z-score 飙到 20 多，UMAP 全扭曲了。后来我加上 max_value=10 才正常。
4.3 核心差异对比
我把两个框架的关键差异列成表格，方便你对比选型。
| 维度 | Seurat | Scanpy |
|---|---|---|
| 语言 | R | Python |
| 设计风格 | 面向对象，所有操作封装在对象内部 | 函数式管道，操作显式作用于 AnnData |
| 默认存储 | counts、data、scale.data 三个槽 | adata.X 一个主矩阵，可切换 |
| 标准化方法 | LogNormalize（默认） | normalize_total + log1p |
| 降维保存 | DimReduc 槽，可存多个 | adata.obsm 字典，键名区分 |
| 图层概念 | Assay 层，支持多层（RNA、ADT、ATAC） | AnnData 本身，可通过多个 AnnData 组合 |
| 邻里图 | Graph 槽 | adata.obsp['connectivities'] |
| 可视化 | ggplot2 风格，更美观，参数多 | matplotlib 风格，快速但需手动调参 |
| 扩展性 | 通过 AddMetaData、AddModuleScore 等函数 | 直接操作 AnnData 的 obs、uns |
4.4 框架知识体系图
下面我用一张 SVG 图梳理 Seurat 和 Scanpy 的核心数据流与函数作用层次。你可以看到，Seurat 的数据嵌套更“厚”，而 Scanpy 的数据平铺更“薄”。
4.5 小结
到此，你应该能感觉到：Seurat 把所有东西打包成一个“大对象”，你直接调用函数就行，不容易漏步骤；Scanpy 则把数据拆成扁平的 AnnData，每一步都暴露在眼前，更适合需要精细控制的高级用户。
我在做实际项目时，通常是这样选的：如果只需要跑标准流程（QC → 降维 → 聚类 → 找 marker），Seurat 上手更快；如果要做自定义算法、整合多组学或对接深度学习模型，Scanpy 更方便。选择没有对错，看你的需求和习惯。