单细胞转录组数据分析全流程：从原始数据到细胞注释

1. 初识单细胞数据：从拿到文件到理解结构

当你第一次拿到单细胞转录组测序数据时，可能会有点懵。别担心，这种感觉我也有过。通常，测序公司会给你一个数据包，里面装着看起来有点神秘的文件夹和文件。咱们先别急着跑代码，花点时间搞清楚这些文件到底是什么，这能帮你省下后面很多排查错误的时间。

以最常见的10X Genomics平台数据为例，公司交付的文件夹里通常会有一个名为filtered_feature_bc_matrix的目录。这个目录就是后续所有分析的基石，里面有三个核心的压缩文件，它们共同构成了一个表达矩阵。我习惯把它们想象成一个巨大的Excel表格：barcodes.tsv.gz文件是列名，每一行代表一个被捕获的细胞，每个细胞都有一个独一无二的条形码（Barcode）；features.tsv.gz文件是行名，每一行代表一个被检测到的基因，通常是基因的官方符号（Gene Symbol）；而matrix.mtx.gz就是这个表格的内容本身，它记录了每个细胞中每个基因的表达量，这个值通常是UMI计数。

这里有个关键点：单细胞数据是高度稀疏的。什么意思呢？想象一下，你有一个包含2万多个基因（行）和几千个细胞（列）的大表格，但里面超过90%的格子都是0。这是因为在一个细胞里，大多数基因根本不表达，或者表达量低到技术手段检测不到。所以，这个矩阵文件通常会用一种特殊的“稀疏矩阵”格式存储，只记录那些非零值的位置和数值，这样能极大节省存储空间。我第一次看到这个特性时还挺惊讶，但后来明白了，这正是单细胞数据的本质——每个细胞只“打开”了它那套庞大基因组中的一小部分。

除了10X，你可能还会遇到BD Rhapsody平台的数据。它处理后的结果通常是一个巨大的CSV文件，比如RSEC_MolsPerCell.csv。虽然格式不同，但内核是一样的：行是基因，列是细胞，格子里的数字是表达量。这个文件往往特别大，直接用Excel打开可能会卡死，所以我们都是在R或Python里用代码读取。而Smart-seq2技术的数据又有所不同，它测的是基因的全长，所以给出的表达量通常是经过标准化的RPKM或TPM值，更像传统的Bulk RNA-seq数据，处理时需要额外注意标准化步骤。

2. 分析前的准备：搭建你的R环境与安装必备工具

工欲善其事，必先利其器。在开始分析之前，我们需要一个稳定、高效的工作环境。对于单细胞分析，R语言生态下的Seurat包是目前最主流、社区最活跃的工具。下面我就手把手带你搭建这个环境，并分享一些我踩过坑才总结出来的配置技巧。

首先，你需要安装R和RStudio。R是引擎，RStudio是漂亮好用的驾驶舱。去R官网下载最新版本的R安装包，安装完成后，再安装RStudio Desktop。这两个步骤都很简单，一路点“下一步”就行。安装好后，打开RStudio，我们首先要做一件非常重要的事：更换软件包安装镜像源。默认的源在国外，下载速度慢且容易失败。在RStudio控制台里输入下面两行代码，换成国内的清华镜像源，速度会飞起。

options(BioC_mirror="https://mirrors.tuna.tsinghua.edu.cn/bioconductor")
options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))

接下来就是安装核心的分析包了。我建议你按照功能模块分批安装，这样思路更清晰。首先是数据处理与基础绘图包，它们就像你的螺丝刀和扳手：

install.packages("stringr") # 处理文本和字符
install.packages("dplyr")   # 数据操作的神器，会用管道符 %>%，代码会简洁很多
install.packages("ggplot2") # 绘图系统的王者，几乎所有的图都能用它定制
install.packages("ggpubr")  # 基于ggplot2，方便快速拼图和添加统计标记
install.packages("ggsci")   # 提供一系列科学期刊风格的配色方案，让你的图更专业

然后是单细胞分析的核心——Seurat包。它集成了从数据读入、质控、降维、聚类到差异分析的全套流程。

install.packages("Seurat")

单细胞分析计算量不小，尤其是当你的细胞数上万时。为了加速，我们需要启用并行计算。安装下面两个包，它们能让你的电脑多核火力全开。

install.packages("future")
install.packages("future.apply")

很多高级分析功能，比如通路富集、细胞轨迹推断等，需要从Bioconductor这个生物信息学专用的软件仓库安装。我们先安装Bioconductor的管理器，然后用它来安装其他包。

install.packages("BiocManager")
library(BiocManager)
BiocManager::install("limma")              # 差异表达分析的经典工具
BiocManager::install("clusterProfiler")    # 做GO、KEGG富集分析必备
BiocManager::install("org.Hs.eg.db")       # 人类的基因注释数据库，用于ID转换
BiocManager::install("ComplexHeatmap")     # 绘制复杂热图，功能非常强大
BiocManager::install("monocle")            # 拟时序分析，研究细胞分化轨迹

最后，还有一些非常有用但需要通过GitHub安装的“神器”包。比如检测双细胞（Doublets）的DoubletFinder，做细胞间通讯分析的CellChat，以及用于批次效应校正的Harmony。

install.packages("devtools") # 安装GitHub包的工具
library(devtools)
devtools::install_github('chris-mcginnis-ucsf/DoubletFinder')
devtools::install_github("sqjin/CellChat")
devtools::install_github("immunogenomics/harmony")

安装过程中如果遇到询问“Update all/some/none? [a/s/n]”，直接输入 a 回车。如果问“Do you want to install from sources the packages which need compilation? (Yes/no/cancel)”，输入 no 回车。全部安装完成后，用 library() 函数逐一加载它们，确保没有报错。环境搭好，我们就可以正式开启数据分析之旅了。

3. 数据读入与初筛：把原始数据变成Seurat对象

现在，我们手里有了数据文件，也配好了分析武器。接下来第一步，就是把原始数据“喂”给Seurat，创建一个Seurat对象。这个对象就像一个智能容器，后续所有的数据、中间结果和图表都会存放在里面。这一步看似简单，但设置好初始的过滤参数，能为后续分析打下坚实基础。

首先，用setwd()函数设置你的工作目录到数据所在的文件夹。假设你的10X数据放在./Data/10X/SRR780_outs/路径下。然后，使用Read10X()函数读取数据。这个函数很聪明，它能自动识别filtered_feature_bc_matrix文件夹下的那三个核心文件，并把它们组合成一个稀疏矩阵。

library(Seurat)
library(dplyr)
setwd("./Data/10X/")
SRR780_data <- Read10X(data.dir = "SRR780_outs/filtered_feature_bc_matrix/")