「单细胞转录组系列」如何从稀疏矩阵中提取部分数据进行分析

这一篇文章是回答知识星球中一位星友的提问，她的电脑内存有限，无法直接使用所有数据，只能分析部分数据。

数据来源: https://content.cruk.cam.ac.uk/jmlab/atlas_data.tar.gz 解压缩之后，得到下面数据

数据清单

其中raw_counts.mtx是以稀疏矩阵格式存放的表达量数据，文件为6.5G, 用普通的文本编辑器无法打开，我们可以用Linux命令行的less查看数据存放形式

稀疏矩阵

显然这种格式并不是给人类阅读的，它存放的是非零数据的位置及其具体数值。当然，我们也不需要读懂，只需要R语言或者其他编程语言能够加载即可。

R语言的Matrix包的readMM函数就能够读取该文件

mt <- Matrix::readMM("raw_counts.mtx")
dim(mt)
# [1]  29452 139331
# 行为基因，列为细胞

这一步时间非常的久，我差不多花了10分钟时间。同时占用内存也非常可观，直接占用了8G左右的内存，不到16G内存的电脑可能根本无法读取。

format(object.size(mt), units = "Mb")
# "7377.8 Mb"

稀疏矩阵其实和普通矩阵看起来差不多，除了在显示的时候用.来表示0.

查看部分信息

还有一点就是，对于这种量级的数据，我们无法使用R自带的as.data.frame或者as.matrix将其转成普通的数据库或者矩阵，它会直接报错。因此我也不建议对其进行数据转换。

我们发现这里的矩阵并没有行名和列名，这部分信息需要额外从其他文件中读取

bc <- read.table("barcodes.tsv")
genes <- read.table("genes.tsv", sep = "\t")
dim(bc)
#[1] 139331      1
dim(genes)
#[1] 29452     2

不难发现barcode的行数等于矩阵的列数， gene的行数等于矩阵的行数， 也就是说矩阵的列是细胞，行是基因。

row.names(mt) <- genes$V1
colnames(mt) <- bc$V1

查看部分信息

建议：将此处得到matrix保存为Rds格式，方便后续加载

saveRDS(mt, "raw_matrix.Rds")

接下来就是根据元信息来提取对应的细胞，我们以提取"Mesenchyme"细胞为例进行讲解

meta.info <- read.table("meta.tab",
                        sep = "\t", header = TRUE)

cell.info <- meta.info[meta.info$celltype == "Mesenchyme", "cell"]
cell.info <- cell.info[!is.na(cell.info)]

mt.sml <- mt[, cell.info]
format(object.size(mt.sml), units = "Mb")
# "280.9 Mb"

代码的核心逻辑为提取出对应行的细胞名，然后根据细胞名提取矩阵中的对应列。

过滤后的细胞就可以用作后续分析。不过在开始分析之前，让我们先把原始的矩阵给删掉，因为它实在是太占用内存了。

rm(mt); gc()

除了用元信息进行过滤外，你还可以通过随机抽样，从原始数据中抽出部分细胞，这样子也能够在内存吃紧的情况进行后续分析。