关于表达矩阵

data.count = Read10X(data.dir = "...")
data = CreateSeuratObject(counts = data.count, min.cells = 3, min.features = 200)
data = NormalizeData(object = data)
data = FindVariableFeatures(object = data)
data = ScaleData(object = data)
data = RunPCA(object = data)
data = FindNeighbors(object = data)
data = FindClusters(object = data, resolution = 0.8)

其中，

data@assays$RNA@counts

表示的是raw counts，是cellranger或者其他计数软件得到的原始count文件；

data@assays$RNA@data

这一步得到的是经过文库标准化并且经过log transformed data的数据；

data@assays$RNA@scale.data

这个是经过文库标准化并且经过log transformed data后，挑选出来的高变基因（HVG），这个高变基因的数量可以自己选择，通过FindVariableFeatures()函数的nfeatures参数来选择高变基因数量

data = FindVariableFeatures(object = data,nfeatures = 3000)

关于降维聚类

data@active.ident

这里表示的是降维聚类后，每一类所拥有的细胞，或者说是每一类各对应哪些细胞

#pca降维
data@reductions$pca@cell.embeddings

#umap降维
data@reductions$umap@cell.embeddings

对于 pca 来说：

pca
这里表示每个细胞对应的pca主成分，那么如果要降维可视化的话，那么就可以挑选其中的贡献最大的几个PC向量
而 feature.loadings 则是代表一种降维的权重

# pca降维
data@reductions$pca@feature.loadings

data@reductions$pca@feature.loadings

对于 umap 来说：

umap
umap降维后，取了两维，umap聚类图的坐标就是根据每个细胞对应的umap1（横坐标）和umap2（纵坐标）来绘制的；而umap是没有 feature.loadings 这个属性的

关于细胞分群

而如果我们想看看每个细胞经过tSNE或者UMAP降维后，每一类细胞到底被划分到哪一类了

data@active.ident

如上图，行名表示不同的细胞，而第一列所对应的是每个细胞所被划分到的 “类” ，这里一共有17类，用0-16来分别表示这17个类