library(hdf5r) 
library(loomR)
library(LoomExperiment)
# remotes::install_github("aertslab/SCopeLoomR")
# remotes::install_local('mojaveazure-loomR-0.2.0-beta-54-g1eca16a.tar.gz')
library(SCopeLoomR)

值得注意的是，有一些包其实是在GitHub上面哦，如果你网络比较差，需要自己想办法解决，如果连包读无法安装，不妨试试看我们的**马拉松授课（直播一个月互动教学），可以看完我们从2000多个提问互动交流里面精选的200个问答！2021第二期_生信入门班_微信群答疑整理，以及 2021第二期_数据挖掘班_微信群答疑笔记

与十万人一起学生信，你值得拥有下面的学习班：

接下来我们以 GSE160756 ，为例子，进入https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE160756 可以看到，其数据集的7个样品，都是以loom格式文件分享给大家的。

以loom格式文件分享给大家的

我们的示例代码如下所示；


###### step1:导入数据 ######  
path='GSE160756_RAW/'
samples=list.files(path )
samples 
sceList = lapply(samples,function(pro){ 
  # pro=samples[1] 
  print(pro) 
  folder=file.path(path,pro) 
  print(pro)
  print(folder)
  # 导入loom文件
  lfile <- connect(filename =folder, mode = "r+")
  ct <- as.data.frame(lfile[["matrix"]][,])
  colnames(ct) <- lfile[["row_attrs/gene_names"]][] # 添加gene_name
  rownames(ct) <- lfile[["col_attrs/cell_names"]][] # 添加cell_name
  ct[1:5,1:5]
  ct <- t(ct) # 注意转置
  sce=CreateSeuratObject(counts = ct,
                         project =  pro )
  return(sce)
})
names(sceList)  
samples

读取全部的loom文件后，成为了一个列表，里面是每个样品独立的seurat对象，需要合并，代码如下所示：


sce.all=merge(x=sceList[[1]],
              y=sceList[ -1 ],
              add.cell.ids = samples) 
as.data.frame(sce.all@assays$RNA@counts[1:10, 1:2])
head(sce.all@meta.data, 10)
table(sce.all@meta.data$orig.ident) 


library(stringr)
phe=str_split(rownames(sce.all@meta.data),'_',simplify = T)
head(phe)
table(phe[,4])
table(phe[,3])

sce.all@meta.data$rep=phe[,4]
sce.all@meta.data$group=phe[,3]
sce.all@meta.data$orig.ident = paste0(
  sce.all@meta.data$group,
  sce.all@meta.data$rep
)
table(sce.all@meta.data$orig.ident)

因为是多个样品，通常是建议走harmnoy流程进行整合哦。

大家在下面的文章里面可以搜索到10x单细胞转录组数据的文章公布在geo数据库的链接：

如果你对单细胞数据分析还没有基础认知，可以看基础10讲：

最基础的往往是降维聚类分群，参考前面的例子：人人都能学会的单细胞聚类分群注释

生信

读取loom格式的单细胞文件

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐