- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据科学（冷冻工厂）
Signac R｜如何合并多个 Seurat 对象 (2)
pbmc500_assay <- CreateChromatinAssay(pbmc500.counts, fragments = frags.500) pbmc500 <- CreateSeuratObject meta.data=md.500) pbmc1k_assay <- CreateChromatinAssay(pbmc1k.counts, fragments = frags.1k) pbmc1k <- CreateSeuratObject , fragments = frags.10k) pbmc10k <- CreateSeuratObject(pbmc10k_assay, assay = "ATAC", meta.data=md.10k (counts = counts.500, sep = c(":", "-"), min.features = 500) pbmc500 <- CreateSeuratObject(pbmc500_assay ", "-"), min.features = 1000) pbmc10k <- CreateSeuratObject(pbmc10k_assay, assay = "peaks") # add information
79410编辑于 2024-12-30 - 来自专栏单细胞天地
如何读取单细胞数据
sep="/")) seurat_obj <- CreateSeuratObject(counts = seurat_data) # write.table(seurat_obj@assays$RNA "), use.names = T) seurat_obj <- CreateSeuratObject(counts = seurat_data) 方式三：read.table 注：同方法二，如果没有 (counts = counts) 读取多个文件 方式一：do.call d10x.data <- sapply(ids, function(i){ d10x <- Read10X(data.dir (colnames(d10x),split="_"),'[[',1L),sep="_") d10x }) seurat_merge <- do.call("cbind", d10x.data) # for "dgCMatrix" seurat_data <- CreateSeuratObject(seurat_merge, min.cells = 1, min.features = 1, names.field
5.9K35发布于 2020-06-23 - 来自专栏生信补给站
scRNA挖掘 |只有矩阵如何构建单细胞对象？meta信息如何利用？
如果提供的是标准的10X的三个文件就可以直接read10X读取，那如果只有矩阵文件如何进行下游分析呢？ 如果额外给了细胞水平的meta文件，如何利用呢？ acc=GSE179994只提供了矩阵文件，不能使用Read10X函数的形式，但是也可以很简单的读取。 1.1 读取下载的数据 1) 读取矩阵文件 注意区分rds 和 RData文件的读取方式 。 1.2 创建seurat对象 依然使用CreateSeuratObject 函数，此处count 为读取的矩阵文件。 1，CreateSeuratObject中的meta.data参数 CreateSeuratObject函数除了简单的过滤条件外 ，还有一个重要的meta.data参数，可以输入提供的meta信息。 CreateSeuratObject函数的帮助文档中也很明确的提到了该点要求。 发现问题后，只需要将meta文件的cellid列转为rownames即可。
1.8K30编辑于 2023-08-25 - 来自专栏生信菜鸟团
【文献荐读】骨髓单细胞测序：一码通
MACS <- CreateSeuratObject(counts = MACS, project = "H14_MACS", min.cells = 3, min.features = 100) MACS H21 <- CreateSeuratObject(counts = H21, project = "H21", min.cells = 3, min.features = 100) H21 H23 <- CreateSeuratObject(counts = H23, project = "H23", min.cells = 3, min.features = 100) H23 H24 <- CreateSeuratObject = H32, project = "H32", min.cells = 3, min.features = 100) H32 H33 <- CreateSeuratObject(counts = H33 = 3, min.features = 100) H36 H38 <- CreateSeuratObject(counts = H38, project = "H38", min.cells = 3,
92811编辑于 2024-07-10 - 来自专栏生信菜鸟团
V5版seurat读取不同格式单细胞数据
如果是单个样品，直接读取进来然后创建seurat对象即可：初试Seurat的V5版本 主要区别在于，V4版本中一般是循环读取样品，使用CreateSeuratObject创建seurat对象，然后使用merge 那我们可以先把多个样品合并成为了一个超级大的表达量矩阵，并使其行名为基因名，列名为barcodes信息，后面直接针对它来使用CreateSeuratObject函数去构建Seurat对象，就是完美的下游分析的输入数据啦 标准格式 如果是10X标准格式的多个数据，那我们使用Read10X()函数将多个数据读取进来，再创建seurat对象即可 ##10X标准格式 #单个样品的数据V4和V5读取进来没有太大差异 #置顶 samples = CreateSeuratObject(counts, min.cells = 5, sceList[[i]])<-paste0(samples[i],"_",col) } #数据整合后创建seurat对象 merge <- do.call(cbind,sceList) sce =CreateSeuratObject
6.4K24编辑于 2024-01-06 - 来自专栏小汪Waud
Seurat对象的构建和信息提取
library(Seurat) # 读取 CellRanger 输出结果 ScRNAdata = Read10X(data.dir = "GSE134809_RAW/") # 此时的 ScRNAdata dgCMatrix" # attr(,"package") # [1] "Matrix" # 构建 Seurat 对象 # 初步过滤一般不需要修改参数，除非数据实在太难看 Seurat_object <- CreateSeuratObject library(Seurat) ScRNAdata <- Read10X_h5(filename = "GSM3489182_Donor_01_raw_gene_bc_matrices_h5.h5") Seurat_object <- CreateSeuratObject( counts = ScRNAdata, min.cells = 3, min.features = 200) 从表达矩阵构建 CreateSeuratObject( counts, project = "CreateSeuratObject", assay = "RNA", names.field = 1,
3.2K33编辑于 2023-02-16 0单细胞单样本读取方法
常见的有10x标准格式，h5格式，tsv/txt，h5ad格式10x格式的读取展开代码语言：TXTAI代码解释library(Seurat)ct=Read10X(data.dir="GSE145154_ RAW/")seu.obj<-CreateSeuratObject(counts=ct,project="GSE145154",min.features=200,min.cells=3)#ct是一个稀疏矩阵 seurat对象class(ct)class(seu.obj).h5格式的读取展开代码语言：TXTAI代码解释library(Seurat)#install.packages("hdf5r")ct<-Read10X_h5 ("GSE200874_RAW/GSM6045826_wt_filtered_gene_bc_matrices_h5_2.h5")seu.obj<-CreateSeuratObject(counts=ct row.names=1#是将第一列设置为行名的意思ct<-read.csv("GSE130148_raw_counts.csv.gz",row.names=1)class(ct)seu.obj<-CreateSeuratObject
13610编辑于 2026-01-14- 来自专栏生信技能树
创建Seurat对象时忽略的两个参数竟然有这样的功能？
这两天分析一个单细胞数据发现一个奇怪的问题，就是创建 seurat 对象的时候，我明明设置了参数 CreateSeuratObject 函数的project 参数，但是最后merge 不同的样本后发现 sce.all <- JoinLayers(sce.all) # seurat v5 sce.all # 查看特征 as.data.frame(sce.all@assays$RNA$counts[1:10 , 1:2]) head(sce.all@meta.data, 10) table(sce.all$orig.ident) 到这里table(sce.all$orig.ident) 的时候，发现样本名字长这样 > gsub(".txt","", pro) [1] "IRI1d_1" CreateSeuratObject 这个函数做了什么？ = NULL, project = "CreateSeuratObject", ... ) Arguments counts Either a matrix-like object with
67110编辑于 2025-03-14 - 来自专栏小汪Waud
多个单细胞样本数据的循环读取
library("Seurat") scrna_data_ctrl <- Read10X("data/GSE96583/ctrl/") ctrl <- CreateSeuratObject( counts /stim/") stim <- CreateSeuratObject( counts = scrna_data_stim, min.cells = 3, min.features = 200 (filedir) Seurat_object <- CreateSeuratObject( counts = scrna_data, min.cells = 3, min.features /data" [10] "." "." (filedir) # 对象的构建 Seurat_object <- CreateSeuratObject( counts = scrna_data, min.cells = 3,
2.7K10编辑于 2023-02-16 - 来自专栏生物信息云
单细胞专题 | 6.单细胞下游分析——不同类型的数据读入
使用Seurat提供的Read10X函数可以很方便的将10x结果读入到R矩阵中。使用CreateSeuratObject生成Seurat对象，后续分析都是在该对象上进行操作。 rownames(x = raw.data), value = FALSE) raw.data <- raw.data[-ercc.index,] dim(raw.data) 有了表达矩阵，直接使用 CreateSeuratObject 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 <- CreateSeuratObject (counts = Read10X(folder), project = folder ) }) # 此时的sceList是一个包含8个10X对象的集合，下一步需要将其合并 GSM4107899_LH16.3814_raw_gene_bc_matrices_h5.h5") sce <- CreateSeuratObject(counts = sce) # 批量读取并合并：
4.6K41编辑于 2022-12-16 - 来自专栏单细胞生信分析
单细胞实战(1)数据下载-数据读取-seurat对象创建
GEO数据库上提供的单细胞测序数据常见格式主要有以下几种: 10x Genomics格式： matrix.mtx、genes.tsv和barcodes.tsv文件是10X Genomics单细胞转录组测序数据的标准文件格式 数据，data.dir参数指定存放文件的路径 seurat_data <- Read10X(data.dir = ". ） seurat_data <- Read10X_h5(file = h5_file) # 创建Seurat对象（使用CreateSeuratObject函数创建Seurat对象，并将读取的h5格式数据转换为 /data/GSE130xxx/xxxx.txt.gz"), row.names = 1, header = TRUE, sep = "\t") # 使用CreateSeuratObject()函数创建 /data/GSE234527/", sample) # 读取10x数据，data.dir参数指定存放文件的路径 seurat_data <- Read10X(data.dir = data.path
6.4K33编辑于 2023-08-26 - 来自专栏生信宝典
翻车实录之Nature Medicine新冠单细胞文献|附全代码
") C143<-Read10X_h5("GSM4339771_C143_filtered_feature_bc_matrix.h5") C144<-Read10X_h5("GSM4339772_C144 ") C149<-Read10X_h5("GSM4475052_C149_filtered_feature_bc_matrix.h5") C152<-Read10X_h5("GSM4475053_C152 ') 构建seurat对象 C141<-CreateSeuratObject(counts = C141, project = "C141",min.cells = 3, min.features = <-CreateSeuratObject(counts = C143, project = "C143",min.cells = 3, min.features = 200) C144<-CreateSeuratObject -CreateSeuratObject(counts = C52, project = "C52",min.cells = 3, min.features = 200) C100<-CreateSeuratObject
1.5K10发布于 2020-05-26 - 来自专栏生信菜鸟团
单细胞测序并不一定需要去除批次效应
TRUE) setwd("~/gzh/harmony_sct/") getwd() list.files() # 1 不去除批次效应，教程的步骤---- { pfc2.data <- Read10X (data.dir = "raw-data/pfc-sample2") pfc3.data <- Read10X(data.dir = "raw-data/pfc-sample3") pfc5. data <- Read10X(data.dir = "raw-data/pfc-sample5") pfc7.data <- Read10X(data.dir = "raw-data/pfc-sample7 (counts = pfc2.data, project = "pfc-demo", min.cells = 3, min.features = 200) pfc3 <- CreateSeuratObject (counts = pfc3.data, project = "pfc-demo", min.cells = 3, min.features = 200) pfc5 <- CreateSeuratObject
2.3K10编辑于 2023-12-06 - 来自专栏生信菜鸟团
10x单细胞的3个文件如果仅仅是提供了mtx呢
，比如 GSE128033 和 GSE135893，就是10x数据集，随便下载其中一个，就能看到每个样本都是走流程拿到10x单细胞转录组数据的3个文件的表达矩阵。 示例代码是： rm(list=ls()) options(stringsAsFactors = F) library(Seurat) sce1 <- CreateSeuratObject(Read10X ('../10x-results/WT/'), "wt") 重点就是 Read10X 函数读取 文件夹路径，比如：../10x-results/WT tableOfCounts_rowLabels.tsv', header = T)[,2] head(cl) head(rl) rownames(mtx) <- rl colnames(mtx) <- cl sce=CreateSeuratObject 也就是说 readMM 函数即可，然后配合CreateSeuratObject来构建对象！ 降维聚类分群和生物学注释都走起！
3.1K20发布于 2021-05-24 - 来自专栏单细胞天地
配置Seurat的R语言环境
接下来分别读取 library(Seurat) sce.10x <- Read10X(data.dir = '~/four-PBMC-mtx/SRR7722939/') sce1 <- CreateSeuratObject /SRR7722940/') sce2 <- CreateSeuratObject(raw.data = sce.10x, min.cells = <- Read10X(data.dir = '~/four-PBMC-mtx/SRR7722941/') sce3 <- CreateSeuratObject(raw.data = sce.10x, <- Read10X(data.dir = '~/four-PBMC-mtx/SRR7722942/') sce4 <- CreateSeuratObject(raw.data = sce.10x, SRR7722940" "SRR7722941" "SRR7722942" library(Seurat) sceList = lapply(folders,function(folder){ CreateSeuratObject
2.7K20发布于 2020-03-30 - 来自专栏生物信息学、python、R、linux
seurat包分析多组对比单细胞数据
library(Seurat) #import data #C_data T_data 为要分析的data.frame Control<-CreateSeuratObject(counts =C_data ,min.cells = 5, min.features = 10,project = "control") Treat<-CreateSeuratObject(counts =T_data,min.cells = 5, min.features = 10,project = "treat") #将多个数据合成一个list T_C<-list(Treat,Control) names(T_C)<-c("T",
1.6K21发布于 2020-04-01 - 来自专栏单细胞测序
单细胞测序—不同格式的单细胞测序数据读写(多样本)
读写过程中需要将一个GSE数据集中多个样本的seurat对象合并成一个大的seurat对象1 10X标准格式1.1 10X数据读取#清空环境 加载需要的R包rm(list=ls())options(stringsAsFactors /lib.R')##10X标准格式dir='GSE212975_10x/'samples=list.files( dir )samples sceList = lapply(samples,function ct = tmp[[1]] }else{ct = tmp} sce =CreateSeuratObject(counts = ct , project (file.path(dir,pro )) if(length(tmp)==2){ ct = tmp[[1]] }else{ct = tmp} sce =CreateSeuratObject lapply(samples,function(pro){ #pro=samples[1] print(pro) ct=readRDS(pro) ct[1:4,1:4] sce=CreateSeuratObject
2.7K23编辑于 2024-08-25 - 来自专栏生信技能树
如何整合多个单细胞数据集
) samples sceList = lapply(samples,function(pro){ # pro=samples[1] print(pro) tmp = Read10X (file.path(dir,pro )) if(length(tmp)==2){ ct = tmp[[1]] }else{ct = tmp} sce =CreateSeuratObject sce.all_int.rds') GSE152938$study = 'GSE152938' table(GSE152938$orig.ident) sceList = list( GSE131685 = CreateSeuratObject ( counts = GSE131685@assays$RNA$counts ), GSE152938 = CreateSeuratObject( counts = GSE152938
68311编辑于 2024-11-21 - 来自专栏北野茶缸子的专栏
bioinfo09-10x数据格式及其导入为seurat对象
因此使用seruat 包的方法Read10X对其读取，我们直接指定cellranger输出的文件夹即可： # How to read in 10X data for a single sample (output matrix into a Seurat object (output is a Seurat object) ctrl <- CreateSeuratObject(counts = ctrl_counts , min.features = 100) 这里我们使用CreateSeuratObject 将矩阵转换为seurat 对象时，就已经对表达矩阵执行一次过滤了 (data.dir = paste0("data/", file)) seurat_obj <- CreateSeuratObject(counts = seurat_data, ctrl_raw_feature_bc_matrix") # Turn count matrix into a Seurat object (output is a Seurat object) stim <- CreateSeuratObject
1.3K50编辑于 2022-05-19 - 来自专栏单细胞天地
使用Seurat的v5来读取多个10x的单细胞转录组矩阵
它虽然说是多样品，但是被作者整理成为了一个10x的样品的3文件格式， 所以很容易读取。接下来我们演示真正的Seurat的v5来读取多个10x的单细胞转录组矩阵。 library(data.table) sceList = lapply(samples,function(pro){ # pro=samples[1] print(pro) sce=CreateSeuratObject (tmp) sce.all=CreateSeuratObject(counts = ct , min.cells = 5, " [3] "GSE162616_RAW/outputs/HCC3" 统一读取成为了一个稀疏矩阵 如果是对函数或者Seurat对象结构不清晰，就会产生如下所示错误的读取方式： > sce.all=CreateSeuratObject Expecting barcodes.tsv.gz 这个 Read10X 函数能够接受一个或者多个合理的路径，合理的路径就是说里面有10X文件的3个标准文件，是不是很简单啊？
3.4K10编辑于 2023-12-26
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号