可以使用以下命令來查看 gz 壓縮文件的內容：?zcat file.gz?1 該命令會將 file.gz 文件解壓并輸出到標準輸出，可以通過管道符將其與 grep 命令結合使用來查找需要的關鍵詞，例如： zcat file.gz | grep keyword 1 該命令會將 file.gz 文件解壓并輸出到標準輸出，然后通過管道符將其傳遞給 grep 命令，查找包含關鍵詞 “keyword” 的行。

挖掘公共單細胞數(shù)據(jù)集時，會遇到常見各種單細胞測序數(shù)據(jù)格式?，F(xiàn)總結如下，方便自己日后調用，以創(chuàng)建Seurat對象
（1）barcodes.tsv.gz、features.tsv.gz、matrix.mtx.gz
（2）表達矩陣
（3）h5
（4）h5ad

格式一：barcodes.tsv.gz、features.tsv.gz、matrix.mtx.gz【☆】

• 這是cellranger上游比對分析產(chǎn)生的3個文件，分別代表細胞標簽(barcode)、基因ID(feature)、表達數(shù)據(jù)（matrix）
• 一般先使用read10X()對這三個文件進行整合，得到行為基因、列為細胞的表達矩陣（為稀疏矩陣dgCMatrix格式，節(jié)約內存）；然后再配合CreateSeuratObject()函數(shù)創(chuàng)建Seurat對象
• 示例數(shù)據(jù)集：GSE166635，創(chuàng)建代碼如下----

https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE166635

dir="./data/HCC2/filtered_feature_bc_matrix/"
list.files(dir)
#[1] "barcodes.tsv.gz" "features.tsv.gz" "matrix.mtx.gz" counts <- Read10X(data.dir = dir)
class(counts)
#[1] "dgCMatrix"
#attr(,"package")
#[1] "Matrix"scRNA <- CreateSeuratObject(counts = counts)
scRNA
#An object of class Seurat 
#33694 features across 9112 samples within 1 assay 
#Active assay: RNA (33694 features, 0 variable features)

• 如上Read10X()函數(shù)接受的參數(shù)為目錄名，該目錄包含了所需的三個配套文件；值得注意的是三個文件名只能分別是barcodes.tsv.gz、features.tsv.gz、matrix.mtx.gz，然后read10X函數(shù)可以自動加載。如上截圖那樣就是需要修改的~

關于barcodes.tsv.gz、features.tsv.gz、matrix.mtx.gz三個文件的格式與內容

• 一般來說直接使用read10X()不會出現(xiàn)什么問題，但今天遇到GSE148192數(shù)據(jù)集時，出現(xiàn)了報錯~~

dir = "./GSE148192_RAW/GSM4462451/"
list.files(dir)
#[1] "barcodes.tsv.gz" "features.tsv.gz" "matrix.mtx.gz"
counts =  Read10X(dir)
#Error in dimnamesGets(x, value) : 
#  invalid dimnames given for “dgTMatrix” object

• 所以這個GSE ID提供的數(shù)據(jù)格式可能是有點問題，接下來就通過對比GSE166635的GSM5076750(可以正常讀入)與GSE148192的GSM4462451(讀入失敗)，探索下這三個文件的格式

（1）barcodes.tsv.gz

• GSM5076750的格式：如下看出就簡單的一列，為細胞的barcode標簽信息

  ?

  

• GSM4462451的格式：如下看出，區(qū)別在于多了行名，以及三列細胞注釋信息

  ?

  

（2）features.tsv.gz

• GSM5076750的格式：如下可以看出均為基因的注釋信息，前兩列為基因ID

  ?

  

• GSM4462451的格式：如下看出，區(qū)別在于同樣多了行名，以及額外兩列信息

  ?

  

（3）matrix.mtx.gz

• GSM5076750的格式：如下(前三行為注釋信息，其中第三行為total number genes、cells、counts)，結合上述細胞標簽與基因名信息，知道了前兩列分別為基因和細胞的索引，第三列為表達信息。
  利用這種方式實現(xiàn)了高效的儲存數(shù)據(jù)(值得借鑒學習)。以第四行為例：表示barcodes.tsv.gz文件里第一個細胞的features.tsv.gz第33665個基因的counts數(shù)為22。

  

• GSM4462451的格式：如下看出，區(qū)別有兩點：第一列為細胞索引、第二列為基因索引，并且第3列是非整型數(shù)據(jù)。

  ?

  

經(jīng)過一番探索，將GSM4462451的barcodes.tsv.gz、features.tsv.gz行名刪除；matrix.mtx.gz的第一列與第二列調換，第三列改為整型后，read10X()便可以順利都成功。我認為GSM4462451這幾個文件應該是作者自己制作的，吐槽一下~~。不過了解了一番這三個文件的格式也是有所收獲。

格式二：直接提供表達矩陣

• 這種是最方便的，直接創(chuàng)建Seurat即可
• 示例數(shù)據(jù)：GSE144320

scRNA <- CreateSeuratObject(counts = counts)
scRNA

格式三：h5格式文件

• 使用Read10X_h5()函數(shù)，讀入表達矩陣，在創(chuàng)建Seurat對象
• 示例數(shù)據(jù)：GSE138433

image.png

sce <- Read10X_h5(filename = GSM4107899_LH16.3814_raw_gene_bc_matrices_h5.h5")
sce <- CreateSeuratObject(counts = sce)

格式四：h5ad格式

• 需要安裝，使用SeuratDisk包的兩個函數(shù)；
• 先將后h5ad格式轉換為h5seurat格式，再使用LoadH5Seurat()函數(shù)讀取Seurat對象。
• 示例數(shù)據(jù)集：GSE153643

#remotes::install_github("mojaveazure/seurat-disk")
library(SeuratDisk)
Convert("GSE153643_RAW/GSM4648565_liver_raw_counts.h5ad", "h5seurat",overwrite = TRUE,assay = "RNA")
scRNA <- LoadH5Seurat("GSE153643_RAW/GSM4648565_liver_raw_counts.h5seurat")
#注意一下，我之前載入時，表達矩陣被轉置了，需要處理一下~

---

以上是我目前了解到的針對不同數(shù)據(jù)來源，創(chuàng)建Seurat對象的幾種方式。如遇新的方法，會繼續(xù)補充~~

?著作權歸作者所有,轉載或內容合作請聯(lián)系作者

作者：小貝學生信
鏈接：https://www.jianshu.com/p/5b26d7bc37b7
來源：簡書
著作權歸作者所有。商業(yè)轉載請聯(lián)系作者獲得授權，非商業(yè)轉載請注明出處。