seurat提取表达矩阵_CNS图表复现01—读入csv文件的表达矩阵构建Seurat对象

古城微笑少年丶 2023-01-04 13:14 202阅读 0赞

分享是一种态度

![28476eb9e8b6737b3f4902a89e9710f8.gif][]

上个月我们组建了：《单细胞CNS图表复现交流群》，见：你要的rmarkdown文献图表复现全套代码来了(单细胞)，也分享了单细胞转录组数据分析的流程：

*  祖传的单个10x样本的seurat标准代码
 *  祖传的单个10x样本的seurat标准代码(人和鼠需要区别对待)
 *  seurat标准流程实例之2个10x样本的项目(GSE135927数据集)

交流群里大家讨论的热火朝天，而且也都开始了图表复现之旅，在这里我还是带大家一步步学习CNS图表吧。如果你也想加入交流群，自己去：你要的rmarkdown文献图表复现全套代码来了(单细胞)找到我们的拉群小助手哈。

今天讲解第一步：读入csv文件的表达矩阵成为Seurat对象。

交流群里共享了该文章的谷歌云文件的百度云版本，方便在中国大陆的朋友们下载。

![f7e53794b82896a39ee8c9738b4e9376.png][]

9G的文件，谷歌云文件的百度云版本

# **读取两个csv文件** #

如果是10x数据集，一般来说是每个样本都有3个文件，参考代码是：

但是我们这个CNS文章是直接把表达矩阵给出来了csv文件，所以直接读取，代码如下：

rm(list=ls()) options(stringsAsFactors = F) library(Seurat) # Load data  dir='./' Sys.time() raw.data "Data_input/csv_files/S01_datafinal.csv", sep=""), header=T, row.names = 1) Sys.time() dim(raw.data) raw.data[1:4,1:4] head(colnames(raw.data))  # Load metadata  metadata "Data_input/csv_files/S01_metacells.csv", sep=""), row.names=1, header=T) head(metadata)  # Find ERCC's, compute the percent ERCC, and drop them from the raw data. erccs "^ERCC-", x = rownames(x = raw.data), value = TRUE) percent.ercc fivenum(percent.ercc) ercc.index "^ERCC-", x = rownames(x = raw.data), value = FALSE) raw.data dim(raw.data)

# **构建Seurat对象** #

有了表达矩阵，直接使用 CreateSeuratObject 函数即可，然后慢慢添加这个表达矩阵的一些其它外部属性，全部代码如下：

# Create the Seurat object with all the data (unfiltered) main_tiss # add rownames to metadta  row.names(metadata) # add metadata to Seurat object  main_tiss main_tiss "percent.ercc") # Head to check head(main_tiss@meta.data) # Calculate percent ribosomal genes and add to metadata ribo.genes "^RP[SL][[:digit:]]", x = rownames(x = main_tiss@assays$RNA@data), value = TRUE) percent.ribo fivenum(percent.ribo) main_tiss "percent.ribo") main_tiss # Filter cells so that remaining cells have nGenes >= 500 and nReads >= 50000 main_tiss_filtered  50000 & nFeature_RNA > 500) main_tiss_filtered

我们得到了main\_tiss\_filtered这个变量，是一个Seurat对象，就可以follow我们的教程后后续分析流程啦。参考代码仍然是是：

--------------------

如果你对单细胞转录组研究感兴趣，但又不知道如何入门，也许你可以关注一下下面的课程

*  两年过去了，你们的单细胞文章终于发出来了
 *  生信爆款入门-第8期(线上直播4周，马拉松式陪伴，带你入门)你的生物信息入门课
 *  数据挖掘学习班第6期(线上直播3周，马拉松式陪伴，带你入门) 医学生/医生首选技能提高课

![9fa525d4b389e431719f55013188739d.gif][]

![8699755e77886a24e3896bf5bedf54ca.png][]

**看完记得顺手点个****“在看”****哦！**

**![0424b90c92cb537b895bf8e33210dbe6.png][]生物 | 单细胞 | 转录组丨资料** **每天都精彩**

长按扫码可关注

[28476eb9e8b6737b3f4902a89e9710f8.gif]: /images/20221119/d391778a5ce64813989b1ac73a5df212.png
[f7e53794b82896a39ee8c9738b4e9376.png]: /images/20221119/8041e9ef8e894ed691850db3335baeb4.png
[9fa525d4b389e431719f55013188739d.gif]: /images/20221119/ded8a87e4bfa4b7e9c061362c7a10229.png
[8699755e77886a24e3896bf5bedf54ca.png]: /images/20221119/73dcef07f7864a3d8f445552bdba49db.png
[0424b90c92cb537b895bf8e33210dbe6.png]: /images/20221119/a1cb2debb13b49a79b15ebc32a1e2ab6.png