生信星球小练习—批量读取10X数据

刘小泽写于2020.8.13
主要分为两个部分：前面用linux处理，后面用R处理

下载数据

选用的10X测试数据是：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE108677

数据也可以直接通过网盘下载：https://share.weiyun.com/7fo3qgT5

一共是7个样本：

目的

将这7个样本分别读取，并简单查看一下每个样本的结果如何（比如有多少个细胞，关注的基因出现在哪个细胞等等）

首先是linux部分

第一步：先解压，然后最好对每个样本新建一个文件夹

tar -xvf GSE108677_RAW.tar
for i in $(seq 1 7);do mkdir s_${i} ;done

第二步：把各自的10X数据三个必备文件放在对应的文件夹中

for i in $(seq 1 7);do mv *_${i}_*gz s_${i} ;done
# 查看一下
ls s_1
# 每个样本都是这三个文件：barcodes、genes、matrix
GSM2910017_sample_1_barcodes.tsv.gz GSM2910017_sample_1_genes.tsv.gz    GSM2910017_sample_1_matrix.mtx.gz

第三步：重命名

10X的数据读取是使用Read10X函数，它必须接受特定的命名格式。否则会看到类似下面的报错：

# Error in Read10X(data.dir = dir) : 
#   Barcode file missing. Expecting barcodes.tsv.gz

它必须要求每个样本都是下面这样的简单命名：

因此，我们需要做的就是：对每个样本文件夹中的每个文件去掉前缀，只保留后面的信息

对于超过三个的数据量，就要用到循环处理

下面的脚本中find是在mac下，如果是linux可能需要稍作调整

# 两个循环嵌套，先找文件夹，再重命名
# ##*_是向后取：取最后一个_后面的部分
# 与之相反是：%%_* 它是向前取：取第一个_前面的部分
for i in $(seq 1 7);do find s_${i}/ -name "*gz" | while read n ;do mv $n s_${i}/${n##*_};done ;done

第四步：解压

for i in $(seq 1 7);do gunzip s_${i}/*  ;done

接下来是R语言部分

可以简单看看各个样本的细胞数量，以及关注的基因有没有在样本中出现

rm(list = ls())
options(stringsAsFactors = F)
library(Seurat)
# 依然是一个循环
for (i in 1:7){
  # i=1
  dir=paste0('data/s_',i)
  test=Read10X(data.dir = dir)

  if('Pigr'%in%rownames(test)){
    cat('Now is: ', dir,'\n')
    print(dim(test))
    cat('Cell location is: ','\n')
    print(which(test['Pigr',]!=0)) #Pigr出现在第几个细胞
    cat('Expression is: ','\n')
    print(test['Pigr',test['Pigr',]!=0]) # Pigr表达量
    cat('\n\n')
  }
}

---

欢迎关注我们的公众号～_～　　
我们是两个农转生信的小硕，打造生信星球，想让它成为一个不拽术语、通俗易懂的生信知识平台。需要帮助或提出意见请后台留言或发送邮件到[email protected]