常见不同类型单细胞数据读取及Seurat对象创建方法整理(单多样本/10X/h5/txt/csv/tsv)

已于 2024-09-07 08:44:23 修改
阅读量715 收藏 3
点赞数 17
分类专栏： 单细胞 文章标签： 数据分析
于 2024-09-06 21:52:04 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zfyyzhys/article/details/141970110
版权
10X数据
单个10X样本读取
rm(list = ls()) 
library(Seurat)
list.files("input/")
# [1] "barcodes.tsv.gz" "features.tsv.gz" "matrix.mtx.gz"  
ct = Read10X("input/")
dim(ct)
# [1] 33538  8931

需要把barcodes, features, matrix三个文件放入同一个文件夹中，这三个文件构成一个样本数据。

然后用函数Read10X读取该文件夹。

多个10X样本读取
# 解压缩获取数据
# 一般下载下来的都是tar结尾的压缩文件
untar("GSE185965_RAW.tar",exdir = "GSE185965_RAW")
list.files("GSE185965_RAW/")
# [1] "GSM5627944_HNP210804_barcodes.tsv.gz" "GSM5627944_HNP210804_features.tsv.gz"
# [3] "GSM5627944_HNP210804_matrix.mtx.gz"   "GSM5678434_HNP210915_barcodes.tsv.gz"
# [5] "GSM5678434_HNP210915_features.tsv.gz" "GSM5678434_HNP210915_matrix.mtx.gz"  
# [7] "GSM5678435_HNP210929_barcodes.tsv.gz" "GSM5678435_HNP210929_features.tsv.gz"
# [9] "GSM5678435_HNP210929_matrix.mtx.gz" 
# 可以看到有三个样本(GSM5627944,GSM5678435,GSM5678434)

# 获取每个文件的路径和名称
library(stringr)
fs = paste0("GSE185965_RAW/",dir("GSE185965_RAW/"))
fs
# 这种方式能够把每个文件中的完整读取路径给制作出来
# [1] "GSE185965_RAW/GSM5627944_HNP210804_barcodes.tsv.gz"
# [2] "GSE185965_RAW/GSM5627944_HNP210804_features.tsv.gz"
# [3] "GSE185965_RAW/GSM5627944_HNP210804_matrix.mtx.gz"  
# [4] "GSE185965_RAW/GSM5678434_HNP210915_barcodes.tsv.gz"
# [5] "GSE185965_RAW/GSM5678434_HNP210915_features.tsv.gz"
# [6] "GSE185965_RAW/GSM5678434_HNP210915_matrix.mtx.gz"  
# [7] "GSE185965_RAW/GSM5678435_HNP210929_barcodes.tsv.gz"
# [8] "GSE185965_RAW/GSM5678435_HNP210929_features.tsv.gz"
# [9] "GSE185965_RAW/GSM5678435_HNP210929_matrix.mtx.gz" 

# 把每个文件中的关键词提取出来(要代表每个组别的)
# 获取每个文件的名称，提取关键部分然后去重
samples = dir("GSE185965_RAW/") %>% 
  str_split_i(pattern = "_",i = 1) %>% 
  unique()
samples
# [1] "GSM5627944" "GSM5678434" "GSM5678435"

# str_split_i是str_split的拓展用法(stringr包)
# 这个函数处理一个字符向量，每个元素分割成多个部分并提取第 i 个值，返回一个字符向量。这对于从多个类似结构的字符串中快速提取相同位置的元素特别有用。

# 创建存放不同样本的文件夹
ctr = function(s){
  # 表示文件路径(创建一个01_data并按照输入的s名称创建文件夹)
  ns = paste0("01_data/",s) 
  if(!file.exists(ns))
    dir.create(ns,recursive = T)
}
# 反复运行这个ctr函数
lapply(samples, ctr)
list.files("01_data/")
# 得到三个文件夹
# [1] "GSM5627944" "GSM5678434" "GSM5678435"

# 把每个样本的三个文件复制到单独的文件夹中
lapply(fs, function(s){
  for(i in 1:length(samples)){
# 下面的代码是检查一个文件名是否包含特定的样本标识符，如果包含，就将该文件复制到相应的目录中
    if(str_detect(s,samples[[i]])){
      file.copy(s,paste0("01_data/",samples[[i]]))
    }
  }
})
list.files("01_data/GSM5627944/") # 展示其中一个
# [1] "GSM5627944_HNP210804_barcodes.tsv.gz" "GSM5627944_HNP210804_features.tsv.gz"
# [3] "GSM5627944_HNP210804_matrix.mtx.gz"

on = paste0("01_data/",dir("01_data/",recursive = T));on
# 获取01_data下边所有文件的名称
# [1] "01_data/GSM5627944/GSM5627944_HNP210804_barcodes.tsv.gz"
# [2] "01_data/GSM5627944/GSM5627944_HNP210804_features.tsv.gz"
# [3] "01_data/GSM5627944/GSM5627944_HNP210804_matrix.mtx.gz"  
# [4] "01_data/GSM5678434/GSM5678434_HNP210915_barcodes.tsv.gz"
# [5] "01_data/GSM5678434/GSM5678434_HNP210915_features.tsv.gz"
# [6] "01_data/GSM5678434/GSM5678434_HNP210915_matrix.mtx.gz"  
# [7] "01_data/GSM5678435/GSM5678435_HNP210929_barcodes.tsv.gz"
# [8] "01_data/GSM5678435/GSM5678435_HNP210929_features.tsv.gz"
# [9] "01_data/GSM5678435/GSM5678435_HNP210929_matrix.mtx.gz"
nn = str_remove(on, "GSM\\d+_HNP\\d+_");nn
# [1] "01_data/GSM5627944/barcodes.tsv.gz" "01_data/GSM5627944/features.tsv.gz"
# [3] "01_data/GSM5627944/matrix.mtx.gz"   "01_data/GSM5678434/barcodes.tsv.gz"
# [5] "01_data/GSM5678434/features.tsv.gz" "01_data/GSM5678434/matrix.mtx.gz"  
# [7] "01_data/GSM5678435/barcodes.tsv.gz" "01_data/GSM5678435/features.tsv.gz"
# [9] "01_data/GSM5678435/matrix.mtx.gz" 
file.rename(on,nn)
on
# [1] "01_data/GSM5627944/barcodes.tsv.gz" "01_data/GSM5627944/features.tsv.gz"
# [3] "01_data/GSM5627944/matrix.mtx.gz"   "01_data/GSM5678434/barcodes.tsv.gz"
# [5] "01_data/GSM5678434/features.tsv.gz" "01_data/GSM5678434/matrix.mtx.gz"  
# [7] "01_data/GSM5678435/barcodes.tsv.gz" "01_data/GSM5678435/features.tsv.gz"
# [9] "01_data/GSM5678435/matrix.mtx.gz" 

# 修改文件名时，路径时要从工作目录之下开始写的，比如01_data/GSM5627944/GSM5627944_HNP210804_barcodes.tsv.gz可以，只写GSM5627944_HNP210804_barcodes.tsv.gz就不行。
# 
# \\d是正则表达式里的任意数字，+代表匹配一次或多次，所以就会把所有的前缀删掉。
# 换不同数据时需要自行改动。正则表达式可以让AI写，然后用Rstudio检验是否达到了目的

# 不要任何犹豫！就写绝对路径导入目标文件下的不同样本文件名
dir='/Users/zaneflying/Desktop/train/01_data/'     
samples=list.files(dir)
samples 
# [1] "GSM5627944" "GSM5678434" "GSM5678435"

library(data.table)
sceList = lapply(samples,function(pro){ 
  # pro=samples[1] 
  print(pro) 
  sce=CreateSeuratObject(counts =  Read10X(file.path(dir,pro) ) ,
                         project =  pro ,
                         min.cells = 5,
                         min.features = 300,)
  
  return(sce)
})

# 把scrList的每个样本进行命名
names(sceList) =  samples
# 合并样本
sce.all <- merge(sceList[[1]], y= sceList[ -1 ] ,
                 add.cell.ids =  samples) 

dim(sce.all)
# [1] 21703  3273

原数据

最后结果

h5数据
单个h5数据样本读取
pro = "train"
list.files("input/")
# [1] "GSM8128607_P1_B_filtered_feature_bc_matrix.h5"
sce=CreateSeuratObject(counts =  Read10X_h5("input/GSM8128607_P1_B_filtered_feature_bc_matrix.h5") ,
                         project =  pro ,
                         min.cells = 5,
                         min.features = 300,)
dim(sce)
#[1] 23062 11442
多个h5数据样本读取
dir='/Users/zaneflying/Desktop/train/GSE260953_RAW/' 
samples=list.files( dir )
samples
# [1] "GSM8128607_P1_B_filtered_feature_bc_matrix.h5"  "GSM8128608_P1_B2_filtered_feature_bc_matrix.h5"
# [3] "GSM8128609_P1_T_filtered_feature_bc_matrix.h5"  "GSM8128610_P1_T2_filtered_feature_bc_matrix.h5"
# [5] "GSM8128611_P2_B_filtered_feature_bc_matrix.h5"  "GSM8128612_P2_B2_filtered_feature_bc_matrix.h5"
# [7] "GSM8128613_P2_T_filtered_feature_bc_matrix.h5"  "GSM8128614_P2_T2_filtered_feature_bc_matrix.h5"

sceList = lapply(samples,function(pro){ 
 print(pro) 
 sce =CreateSeuratObject(counts = Read10X_h5( file.path(dir,pro)) ,
             project =  gsub('_filtered_feature_bc_matrix.h5','',gsub('^GSM[0-9]*_','',pro) ) ,
             min.cells = 5,
             min.features = 300 )
 return(sce)
})
sceList
samples

#整合数据
sce.all=merge(x=sceList[[1]],y=sceList[ -1 ],
       add.cell.ids =  gsub('_filtered_feature_bc_matrix.h5','',gsub('^GSM[0-9]*_','',samples)))
dim(sce.all) 
# [1] 27747 78306

原数据

sceList中的project修改的是每个样本的orig.ident

sce.all合并样本之后的add.cell.ids是给每个细胞增加一个标签

txt/csv/tsv数据
单个txt/csv/tsv数据读取

读取数据的函数为fread这个函数很强大，这三种格式的数据都能读取~

所以代码基本不需要修改就可以直接使用~

pro = "train"
list.files("input/")
#[1] "GSE181919_UMI_counts.txt.gz"
ct=fread("input/GSE181919_UMI_counts.txt.gz",data.table = F)
rownames(ct) <- ct$V1
ct <- ct[,-1]
head(ct)[1:5,1:2]
#               AAACGGGCATGACGGA.1 AAAGATGAGCAGACTG.1
# RP11-34P13.7                   0                  0
# FO538757.2                     1                  3
# AP006222.2                     0                  0
# RP4-669L17.10                  0                  0
# RP11-206L10.9                  0                  0
sce=CreateSeuratObject(counts =  ct ,
                       project =  pro ,
                       min.cells = 5,
                       min.features = 300,)
dim(sce)
多个txt/csv/tsv文件读取
untar("GSE167297_RAW.tar",exdir = "GSE167297_RAW")
dir='/Users/zaneflying/Desktop/train/GSE167297_RAW/' 
samples=list.files( dir )
samples
# [1] "GSM5101019_Pt3_Superficial_CountMatrix.txt.gz" "GSM5101020_Pt3_Deep_CountMatrix.txt.gz"       
# [3] "GSM5101021_Pt4_Normal_CountMatrix.txt.gz" 

sceList = lapply(samples,function(pro){ 
  print(pro)
  ct=fread(file.path( dir ,pro),data.table = F)
  ct[1:4,1:4]
  rownames(ct)=ct[,1]
  ct=ct[,-1]
  sce=CreateSeuratObject(counts =  ct ,
                         project = gsub('_CountMatrix.txt.gz','',gsub('^GSM[0-9]*_','',pro) ) ,
                         min.cells = 5,
                         min.features = 300)
  
  return(sce)
})
sceList
samples

#整合数据
sce.all=merge(x=sceList[[1]],y=sceList[ -1 ],
              add.cell.ids =  gsub('_CountMatrix.txt.gz','',gsub('^GSM[0-9]*_','',samples)))
dim(sce.all)
# [1] 16806  7827

原数据

sceList中修改proj的意义

sce.all中add.cell.ids的意义

参考资料：

1、生信技能树：

https://mp.weixin.qq.com/s/O-ekjxVqtkv3y-I5HTcoGg

https://mp.weixin.qq.com/s/URu-4l97g18zDmHTrBhBEg

2、单细胞天地： https://mp.weixin.qq.com/s/mpEQU_aKcaq3cbzh8JsSBw

3、生信菜鸟团： https://mp.weixin.qq.com/s/qMi6RAPnhJs-OcqCRotiPw

致谢：感谢曾老师以及生信技能树团队全体成员。

注：若对内容有疑惑或者有发现明确错误的朋友，请联系后台(欢迎交流)。更多内容可关注公众号：生信方舟

- END -

凑齐六个字吧
关注
专栏目录
单细胞数据读取创建Seura文件（自备补充）
hx2024的博客
07-28 192
由于上一篇稍有冗长，将txt或者csv的整理后数据进行读入以及创建Seura文件。
单细胞不同数据形式读入及创建Seura汇总（自备）
hx2024的博客
07-24 272
单细胞上游分析 - 生物信息云 (bioinfocloud.github.io)单细胞 RNA 测序（Single cell RNA sequencing，scRNA-seq）是一种在单细胞水平上利用 RNA 测序对特定细胞群体进行基因表达谱定量的高通量实验技术。待测组织经过单细胞分离、RNA 提取、逆转录、文库构建和测序，便可利用数据分析获得多个细胞的基因表达谱。10×genomics技术首先在凝胶微珠上种上特定的DNA片段，DNA片段由三部分组成：Barcode、UMI、PolyT组成。
R语言：利用rhdf5包创建多组学.h5文件补充
watermel__的博客
03-28 387
R语言：将两种及两种以上组学数据转.h5文件转换方式。
单细胞分析（四）——数据读入
lijianpeng0302的博客
06-11 2082
在10X Genomics的单细胞测序中，每一个细胞都被分配一个唯一的barcode，用于标记该细胞所产生的所有reads。在10X Genomics的分析流程中，feature的信息可以通过基因或转录本的参考基因组或转录组进行获取。用户可以通过提供自己的参考基因组或转录组等方式，来获得更具有自定义性的feature信息，从而实现更加精细化的分析。要做单细胞分析，尤其是从公司拿回数据，或者从公共数据库下载的数据，看起来眼花缭乱的分析结果，首先第一步就是要把数据先读入，才能有后续的结果和分析。
读取csv和tsv文件以及两者的相互转换
weixin_45922730的博客
07-12 9357
目录一、csv和tsv的区别二、tsv文件和csv文件的相互转换1、读取tsv文件，并将其改写成csv文件2、读取csv文件，并将其改写成tsv文件⭐补充理解：（1）csv文件：逗号分隔符文件，可以使用excel打开（2）tsv文件：制表符Tab分隔文件，可以使用文本文档打开 2、读取csv文件，并将其改写成tsv文件 ⭐补充理解： （1）read_csv函数中的sep参数是指定文本的分隔符的，如果分隔符指定错误，在读取数据的时候，每一行数据将连成一片。（2）encoding代表文件的编码格式
单细胞实战(1)数据下载-数据读取-seurat对象创建
bio77的博客
08-02 1万+
多种数据格式多样本情况下，如何读取数据并创建seurat对象。
单细胞测序分析之小技巧之for循环批量处理数据和出图
悟道西方
08-08 855
在进行单细胞转录组测序分析中，我们发现比如样本较多或者需要大量出图的时候，我一开始就是大量手动一个一个的出图，但回头想想，这样的操作模式不都是一样的嘛，直接用for循环不就搞定啦！
Seurat | 超好用的单细胞测序数据合并（3‘和5‘数据合并）（一）
m0_72224305的博客
10-23 4130
🤗 Seurat | 超好用的单细胞测序数据合并（3'和5'数据合并）（一）
10x单细胞数据分析之Seurat多样品整合分析
热门推荐
muhamuha2020的博客
08-11 1万+
上一篇10x单细胞数据分析我们介绍了如何用Seurat对单细胞数据进行分群分析，这一篇我们介绍一下多个单细胞样品的分析方法。 测试数据选择Seurat提供的ifnb数据集，其中包含两个PBMC样品，一个为干扰素刺激处理，另一个为对照。打开Rstudio，在控制台中输入 devtools::install_github(‘satijalab/seurat-data’) library(Seurat) library(SeuratData) library(patchwork) InstallData(“ifn
单细胞测序数据分析-seurat使用（自学整理版）
G2530051386的博客
06-12 8872
单细胞测序数据分析-seurat使用的一些背景知识
单细胞 10X 和seurat对象学习
hx2024的博客
05-27 523
单细胞seurat数据的基础知识。数据：GSE164241。
R中将h5ad格式的单细胞数据转换为Seurat对象
weixin_66812114的博客
03-29 1万+
h5ad格式的单细胞数据是python读取文件格式，要将其应用到R中就必须转换为seurat包可操作的对象 下载及调用R包： #安装moiayeazure/eucat-disk这个GitHub包 install.packages("remotes") remotes::install_github("mojaveazure/seurat-disk",force = TRUE) ##调用包 library(SeuratDisk) library(patchwork) library(Seurat) l
html的readx()函数,Seurat包里面的Read10X_h5函数介绍
weixin_34380880的博客
06-28 1963
本人做肺纤维化研究，近期在Science Advance 上连续发了两篇单细胞文章，所以计划根据单细胞天地胶质瘤的单细胞CNS复现系列推文，复现一下。本文使用的是题目为Senescence of Alveolar Type 2 Cells Drives Progressive Pulmonary Fibrosis.发表在Am J Respir Crit Care Med (IF17.4)2020 ...
生物信息数据库开发之单细胞数据库scrna db（一）
高端的博客
03-18 1248
单细胞数据库构建方法详解背景知识新的改变 背景知识 随着单细胞测序技术：dropseq，10x等普及，越来越多的单细胞数据被NCBI等国际数据库收录。单细胞数据格式与rnaseq类似，同样是表达矩阵，rownames都是gene，colnames的话单细胞是细胞barcode，rnaseq是样本名称。目前市面10x平台测序公司稳定能测到10000-20000个细胞，所以总矩阵维度单细胞要高很多。目前市面上有多种形式来存储单细胞数据，包括csv，seurat h5ad，h5文件等，所以自己建立单细胞数据库就需
毕设 大数据电影数据分析与可视化系统（源码+论文）
最新发布
HUXINY的博客
10-07 895
🔥这两年开始毕业设计和毕业答辩的要求和难度不断提升，传统的毕设题目缺少创新和亮点，往往达不到毕业答辩的要求，这两年不断有学弟学妹告诉学长自己做的项目系统达不到老师的要求。为了大家能够顺利以及最少的精力通过毕设，学长分享优质毕业设计项目，今天要分享的是🚩毕业设计 大数据电影数据分析与可视化系统（源码+论文）🥇学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：3分创新点：4分🧿 项目分享:见文末!项目包含内容完整详细设计论文🧿 项目分享:见文末!
ChatGPT-4o在临床医学日常工作、论文高效撰写与项目申报、数据分析与可视化、机器学习建模中的实践应用
zmjia111的博客
10-05 1842
1、2024 AIGC技术最新进展介绍（生成式人工智能的基本概念与原理、文生视频模型OpenAI Sora vs.Google Veo）2、（实操演练）国内外大语言模型（ChatGPT-4o- 4o、Gemini、Claude、Llama3、温馨一言、星火、通义千问、Kimi、智谱清言等）对比分析3、（实操演练）Llama3开源大语言模型的本地部署、对话与微调训练本地数据4、（实操演练）ChatGPT-4o对话初体验（注册与充值、购买方法）
毕业设计项目 大数据电影数据分析与可视化系统（源码+论文）
HUXINY的博客
10-04 521
🔥这两年开始毕业设计和毕业答辩的要求和难度不断提升，传统的毕设题目缺少创新和亮点，往往达不到毕业答辩的要求，这两年不断有学弟学妹告诉学长自己做的项目系统达不到老师的要求。为了大家能够顺利以及最少的精力通过毕设，学长分享优质毕业设计项目，今天要分享的是🚩毕业设计 大数据电影数据分析与可视化系统（源码+论文）🥇学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：3分创新点：4分🧿 项目分享:见文末!项目包含内容完整详细设计论文🧿 项目分享:见文末!
基于大数据的健身器材销售数据分析及可视化系统
计算机学姐的博客
09-30 1104
【2025最新】基于大数据+大屏可视化+SpringBoot+Vue+MySQL的健身器材销售数据分析及可视化系统。
请帮我写一串代码 合并多个样本的10x单细胞测序文件
06-07
好的，以下是一段R语言代码实现将多个10x单细胞测序文件合并的功能，其中假设您使用的是Cell Ranger进行测序，且测序结果保存在不同的文件夹中： ```R # 加载Seurat包 library(Seurat) # 读取第一个样本的数据 sample1 <- Read10X(data.dir = "path/to/sample1/outs/filtered_feature_bc_matrix") # 读取其他样本的数据，使用CreateSeuratObject函数将所有样本合并 samples <- c("sample2", "sample3", "sample4") # 样本文件夹名称列表 for (i in 1:length(samples)) { temp <- Read10X(data.dir = paste0("path/to/", samples[i], "/outs/filtered_feature_bc_matrix")) sample1 <- merge(sample1, temp, add.cell.ids = samples[i]) } # 创建Seurat对象并进行基本的预处理 seurat_obj <- CreateSeuratObject(counts = sample1) seurat_obj <- NormalizeData(seurat_obj) seurat_obj <- FindVariableFeatures(seurat_obj) seurat_obj <- ScaleData(seurat_obj) # 进行聚类和降维 seurat_obj <- RunPCA(seurat_obj) seurat_obj <- FindNeighbors(seurat_obj) seurat_obj <- FindClusters(seurat_obj) # 可以进行可视化和进一步分析等操作 ``` 在这段代码中，首先加载Seurat包。然后使用 `Read10X()` 函数读取第一个样本的数据，并将其存储在 `sample1` 变量中。接着使用 `for` 循环读取其他样本的数据，并使用 `merge()` 函数将它们合并到 `sample1` 中，其中 `add.cell.ids = samples[i]` 参数表示将每个样本的细胞ID添加到 `sample1` 中。然后使用 `CreateSeuratObject()` 函数将合并后的数据创建为Seurat对象，并进行基本的预处理，包括归一化、选择变化特征、标准化等。然后进行PCA降维、寻找邻居、聚类等操作，最后进行可视化和进一步分析等操作。注意，在将多个样本的测序数据合并时，需要考虑批次效应等因素，可以使用一些批次效应校正方法进行处理。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值