重新认识单细胞分析的开山祖师：SingleCellExperiment全解析

1. Seurat 大热，但 SingleCellExperiment对象 更基础

📌 背景：Seurat 的流行与局限

Seurat 是当前最常用的单细胞转录组分析工具之一，从原始数据到聚类注释再到可视化，是一个高度封装、一站式的解决方案。Seurat 的普及度、社区支持和功能丰富性都让它成为入门和实战的首选。然而，Seurat 背后的数据结构却往往被初学者忽略。而SingleCellExperiment（SCE） 这一数据框架是最早的单细胞标准！

很多人把 Seurat 当作“终点”，殊不知它只是一个应用层的封装。我们应该真正学习的是“对象核心”SCE。SCE的学习也有利于我们从R转向Python的单细胞分析。

🌱 观点：SCE 是包生态中的基石

SingleCellExperiment 是 Bioconductor 项目设计的基础类，继承自 SummarizedExperiment，专为单细胞数据存储与分析而优化。SCE 可以统一存储表达矩阵、细胞/基因元数据、降维结果等信息，并被上百个 Bioconductor 单细胞工具所支持。此外，通过 Seurat v5 中的 as.SingleCellExperiment() 与 as.Seurat() 函数，可以在两个体系之间自由转换。

“如果我们从底层数据结构入手，搭建自己的分析流程，是否比依赖封装更稳、更灵活、更高效？”

2. 什么是 SingleCellExperiment（SCE）对象？

🧩 定义与核心定位

SingleCellExperiment（简称 SCE）是 Bioconductor 所设计的用于单细胞转录组数据的 基础数据结构，扩展自 SummarizedExperiment。它专为单细胞实验量身打磨，能统一储存表达矩阵、细胞 / 基因metadata、降维坐标等信息，是跨 Bioconductor 工具生态系统的数据“交换货币”。

正因如此，即使你使用 Seurat 框架进行分析，也常常会在幕后频繁转换为 SCE 对象（as.SingleCellExperiment），并依赖这个结构用于下游分析与兼容其他包。

🛳️ 数据结构组成

图：SingleCellExperiment 对象的结构示意图，左侧为表达矩阵（assays），中间为 feature/gene 与 cell 注释（rowData / colData），右侧为降维结果（reducedDims），顶部或底部另设 metadata 模块。

1. assays（蓝色模块）：多种表达矩阵，如原始 counts、标准化后 logcounts 等；行为 gene，列为 cell。
2. rowData（粉色模块）：对应行的 feature 注释，如 gene_id、gene_name、gene长度等信息。
3. colData（黄色模块）：每个 cell 的 metadata，如 cell_type、batch、QC 信息等。
4. reducedDims（黄色与 assays 同列对应）：存放降维坐标，如 PCA、tSNE、UMAP 矩阵。
5. metadata（独立模块）：项目级别额外信息，如实验描述、来源、pipeline 参数等。

这张图直观体现每个 slot 的布局与对应关系（见上方插图）

“想象 SCE 对象是一艘货轮，每个 slot 就是一个专用货箱，分别存储不同类型的数据，整船出发就是一次完整的数据分析旅程。”

SCE 不仅可以存储表达数据与 metadata，还支持存储 sizeFactors、altExps（替代实验数据）、colLabels 等信息，是 SummarizedExperiment 之上的专属扩展。

assays(sce) 会列出所有表达矩阵；colData(sce) 返回一个列对应细胞的 DataFrame。

3. 如何构建一个 SingleCellExperiment 对象？

🧪 从表达矩阵开始构建 SCE

创建对象最简单的方式，是利用 count 矩阵：

# 安装和加载所需包（如果尚未安装）
if (!requireNamespace("BiocManager", quietly = TRUE)) install.packages("BiocManager")
BiocManager::install(c("SingleCellExperiment", "scater"), ask = FALSE)

library(SingleCellExperiment)
library(scater)

# 1. 模拟表达 count 矩阵
set.seed(123)
num_genes <- 12
num_cells <- 8
counts_mat <- matrix(
  as.integer(rpois(num_genes * num_cells, lambda = 5)),
  nrow = num_genes, ncol = num_cells
)
rownames(counts_mat) <- paste0("Gene_", seq_len(num_genes))
colnames(counts_mat) <- paste0("Cell_", seq_len(num_cells))

# 2. 构造 rowData（基因注释）和 colData（细胞注释）
gene_metadata <- DataFrame(
  gene_name = paste("G", seq_len(num_genes), sep = "_"),
  gene_length = as.integer(rnorm(num_genes, mean = 10000, sd = 500))
)
cell_metadata <- DataFrame(
  cell_id = colnames(counts_mat),
  batch = rep(c("A", "B"), each = num_cells / 2),
  cell_type = rep(c("Type1", "Type2"), times = num_cells / 2)
)

# 3. 构建 SCE 对象
sce <- SingleCellExperiment(
  assays = list(counts = counts_mat),
  rowData = gene_metadata,
  colData = cell_metadata,
  metadata = list(study = "DemoStudy")
)
sce  # 打印对象摘要

class: SingleCellExperiment 
dim: 12 8 
metadata(1): study
assays(1): counts
rownames(12): Gene_1 Gene_2 ... Gene_11 Gene_12
rowData names(2): gene_name gene_length
colnames(8): Cell_1 Cell_2 ... Cell_7 Cell_8
colData names(3): cell_id batch cell_type
reducedDimNames(0):
mainExpName: NULL
altExpNames(0):

添加进一步内容：

# 4. 添加标准化表达（logcounts）
sce$sizeFactor <- colSums(counts_mat) / mean(colSums(counts_mat))
logcounts(sce) <- log2(counts(sce) / sce$sizeFactor + 1)

# 5. 添加降维坐标（PCA 或 UMAP）
pca_mat <- prcomp(t(logcounts(sce)))$x[, 1:2]
reducedDim(sce, "PCA") <- pca_mat

# 6. 查看对象内部结构
assayNames(sce)          # count 和 logcounts
colnames(colData(sce))   # cell metadata 名称
rownames(rowData(sce))   # gene annotation
reducedDimNames(sce)     # PCA

🧱 每一行解释如下：

✅ class: SingleCellExperiment

表示这个对象是 SingleCellExperiment 类，继承自 SummarizedExperiment，专为单细胞设计的数据结构。

✅ dim: 12 8

对象的维度是 12 行（基因）× 8 列（细胞）。

• 行表示的是 feature（例如基因、蛋白质）
• 列表示的是样本（这里是单细胞）

等同于：

nrow(sce)  # 基因数
ncol(sce)  # 细胞数

✅ metadata(1): study

说明 metadata() 这个 slot 中包含一个元素，名字是 "study"。

• metadata(sce) 返回一个 list，可以记录整体数据集的注释、项目说明、分析参数等。
• 在这段代码中我们写入了：metadata = list(study = "DemoStudy")

✅ assays(2): counts logcounts

这个对象包含两个表达矩阵：

• "counts"：原始 UMI count 数（整数矩阵），未归一化
• "logcounts"：log2 转换后的表达矩阵，用于可视化和降维

可以通过：

assayNames(sce)         # 查看所有 assays 名称
counts(sce)             # 提取原始表达矩阵
logcounts(sce)          # 提取标准化后表达矩阵

✅ rownames(12): Gene_1 Gene_2 ... Gene_11 Gene_12

对象中有 12 个 feature（基因），名字是 Gene_1 到 Gene_12。

• 每一行为一个基因
• 你可以用 rownames(sce) 查看所有基因名

✅ rowData names(2): gene_name gene_length

rowData(sce) 包含两个注释列：

• "gene_name"：人为命名的基因名称（如 G_1）
• "gene_length"：基因长度（可用于 TPM 归一化或 GO 分析）

你可以通过：

rowData(sce)$gene_name

✅ colnames(8): Cell_1 Cell_2 ... Cell_7 Cell_8

有 8 个细胞，列名为 Cell_1 到 Cell_8。

每一列是一个细胞/样本。通过 colnames(sce) 提取。

✅ colData names(4): cell_id batch cell_type sizeFactor

colData(sce) 中有 4 个变量，分别是：

1. cell_id：细胞名称（列名）
2. batch：批次信息，用于批次矫正
3. cell_type：细胞类型注释（如 Type1 / Type2）
4. sizeFactor：归一化因子（用于计算 logcounts）

这些 metadata 可用于分群、颜色映射、差异分析等。

✅ reducedDimNames(1): PCA

reducedDims(sce) slot 中包含 1 个降维结果：

• "PCA"：主成分分析的前两个维度（由 prcomp() 得到）

可通过：

reducedDim(sce, "PCA")

查看降维坐标矩阵（每行对应一个细胞，每列是主成分）。

✅ mainExpName: NULL

mainExpName 是用于标记主实验的名称，在多模态数据中可设置主实验（如 RNA、ADT 等）。默认 NULL 即可。

✅ altExpNames(0):

altExp() 是 “替代实验”模块（alternative experiments），用于存放额外的数据类型，如：

• spike-in genes
• antibody-derived tags (ADT)
• CITE-seq 里的 surface protein 信号

当前为 0，即没有添加替代实验。

这期推文有个图上传不了，下一期补上，并且加上后续更多的使用案例！敬请谅解 https://bioconductor.org/books/3.12/OSCA/data-infrastructure.html?utm_source=chatgpt.com