Seurat 转换为 Scanpy 的流程

🔹 为什么要将 Seurat 数据转换为 Scanpy?
在单细胞 RNA-seq (scRNA-seq) 数据分析中,Seurat(R 语言)和 Scanpy(Python)是最常用的两个工具。尽管 Seurat 在 R 端提供了强大的数据处理和可视化功能,但 Scanpy 结合了 scVelo、CellRank、SCVI 等 Python 生态工具,适用于更高级的数据分析,如:
✅ RNA velocity 分析(scVelo)—— 推测细胞命运轨迹
✅ 批次校正和大规模数据处理(scanpy.pp.combat、harmony)
✅ 深度学习建模(SCVI)—— 细胞状态预测与生成建模
✅ 动态图计算(CellRank)—— 预测细胞分化路径
✅ 联合多组学分析(如 ATAC + RNA)
因此,将 Seurat 处理的单细胞数据转换为 Scanpy 兼容的 AnnData 格式,使得我们能够结合 R 和 Python 生态,发挥各自优势。
🔹 1. 在 Seurat 中导出必要的数据
(1) 导出 RNA 计数矩阵
library(Seurat)
library(Matrix)
# 导出 RNA 计数矩阵
counts <- GetAssayData(seurat_object, slot = "counts", assay = "RNA")
writeMM(counts, file = "counts.mtx")
# 导出基因名
write.csv(rownames(counts), file = "genes.csv", row.names = FALSE)
# 导出细胞名
write.csv(colnames(counts), file = "barcodes.csv", row.names = FALSE)
(2) 导出细胞元数据
metadata <- seurat_object@meta.data
write.csv(metadata, "metadata.csv", row.names = TRUE)
(3) 导出降维坐标(如 UMAP, PCA, tSNE, Harmony)
# 这里可以导出不同的降维坐标,如 UMAP, PCA, tSNE, Harmony
umap_coords <- Embeddings(seurat_object, reduction = "umap")
pca_coords <- Embeddings(seurat_object, reduction = "pca"
435



被折叠的 条评论
为什么被折叠?



