在上一篇筆記里，練習(xí)了使用cellranger aggr整合不同GEM well的樣品（cellranger使用的初步探索（3）cellranger aggr），得到的"outs"文件夾里，有一個名為 “filtered_gene_bc_matrices_mex”的子文件夾，里面有三個文件：

其中，genes.tsv是基因名稱（需要注意的是，我使用的cellranger是2.2版本，目前v3版本的gene.tsv已經(jīng)改為 features.csv）；barcodes.tsv是每一個barcode的序列，也就是每一個細胞的ID；matrix.mtx就是count矩陣。

> library(Matrix)
#讀取三個文件
> barcode.path <- paste0("barcodes.tsv")
> features.path <- paste0("genes.tsv")
> matrix.path <- paste0("matrix.mtx")
> mat <- readMM(file = matrix.path)
> feature.names = read.delim(features.path, 
                           header = FALSE,
                           stringsAsFactors = FALSE)
> barcode.names = read.delim(barcode.path, 
                           header = FALSE,
                           stringsAsFactors = FALSE)

feature.name（基因名稱矩陣）長這樣:

barcode.names（細胞barcode矩陣）長這樣：

> colnames(mat) = barcode.names$V1#把細胞ID賦值給count矩陣的列名，這樣每一列就是一個細胞
> rownames(mat) = feature.names$V2#把基因名稱的第二列賦值給count矩陣的行名，這樣行就是基因

看一下count矩陣：

> mat[1:4, 1:4]
4 x 4 sparse Matrix of class "dgTMatrix"
             AAACCTGAGGATGTAT-1 AAACCTGCAGCGATCC-1 AAACCTGGTACGAAAT-1 AAACGGGAGCTGGAAC-1
RP11-34P13.3                  .                  .                  .                  .
FAM138A                       .                  .                  .                  .
OR4F5                         .                  .                  .                  .
RP11-34P13.7                  .                  .                  .                  .
> dim(mat) #在count矩陣里有3萬多個基因，7922個細胞
[1] 33694  7922

之后就可以使用Seurat或者其他R包進行下游分析了~可以參考我之前的筆記：
1.單細胞測序分析之Seurat（3.0）包學(xué)習(xí)筆記
2.單細胞測序分析之Monocle2包學(xué)習(xí)筆記
3.單細胞測序分析之scater包學(xué)習(xí)筆記