網(wǎng)站互動功能網(wǎng)站推廣應該怎么做?
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。