如果大家沒有自己的數(shù)據(jù)或者沒有選到合適的數(shù)據(jù)集的話，可以直接拿示例數(shù)據(jù)（10X官網(wǎng)演示數(shù)據(jù)）就行了。
10X官網(wǎng)里多個演示數(shù)據(jù)：https://support.10xgenomics.com/single-cell-gene-expression/datasets。這里拿10k PBMC數(shù)據(jù)來演示。這里注意一下，10X數(shù)據(jù)格式與用Cellranger生成的格式一致。

具體步驟：

（一）一些必要包的讀取，當(dāng)然如果發(fā)現(xiàn)沒有此包，安裝便可。

library(Seurat)
library(dplyr)
library(cowplot)

（二）導(dǎo)入 PBMC dataset

pbmc.data <- Read10X(data.dir = "filtered_gene_bc_matrices/")
metadata <- read.table("cell_cycle.txt", header=T, row.names=1, sep="\t") ##如果有就加載，沒有就注釋掉

（三）創(chuàng)建seurat的對象

pbmc <- CreateSeuratObject(counts = pbmc.data, min.cells = 3, min.features = 200, 
    project = "10X_PBMC", meta.data = metadata)
pbmc

簡單查看一下Seurat對象存儲的信息

str(pbmc)
colnames(pbmc@meta.data)

##這里給大家再分享一種比較花里胡哨的查看方法 （感興趣的同學(xué)可以一試，其實就是通過一個分支樹來查看，就比較美觀和節(jié)省空間而已）
(out <- capture.output(str(pbmc)))
out2 <- paste(out, collapse="\n")
mm(gsub("\\.\\.@","# ",gsub("\\.\\. ","#",out2)),type ="text",root= "Seurat")

（四）數(shù)據(jù)預(yù)處理--質(zhì)控和細(xì)胞過濾

mito.features <- grep(pattern = "^MT-", x = rownames(x = pbmc), value = TRUE)
percent.mito <- Matrix::colSums(x = GetAssayData(object = pbmc, slot = 'counts')[mito.features, ]) / Matrix::colSums(x = GetAssayData(object = pbmc, slot = 'counts'))
pbmc[['percent.mito']] <- percent.mito

#方式二，直接利用PercentageFeatureSet函數(shù)一步搞定。
pbmc[["percent.mito"]] <- PercentageFeatureSet(pbmc, pattern = "^MT-")

VlnPlot(object = pbmc, features = c("nFeature_RNA", "nCount_RNA", "percent.mito"), ncol = 3)

（五）過濾細(xì)胞

#保留線粒體基因比例在`0.05`以內(nèi)(一般在15%之內(nèi)均可以)，檢測到的基因數(shù)在`200-3000`之間的細(xì)胞。
#(這個標(biāo)準(zhǔn)根據(jù)上面那個小提琴圖可以知道，標(biāo)準(zhǔn)的制定并非一成不變，得看具體得數(shù)據(jù)集情況)
pbmc <- subset(x = pbmc, subset = nFeature_RNA > 200 & nFeature_RNA < 3000 & percent.mito < 0.05)

（六）歸一化數(shù)據(jù)（不同人不同得理解，有的人說是標(biāo)準(zhǔn)化，有的說是歸一化，我的理解傾向于后者，因為后續(xù)還有一步ScaleData，這一步我才認(rèn)為是標(biāo)準(zhǔn)化,如果我理解有誤，歡迎大家指出）

pbmc <- NormalizeData(object = pbmc, normalization.method = "LogNormalize", scale.factor = 1e4)

至此，單細(xì)胞的數(shù)據(jù)質(zhì)控與歸一化已經(jīng)完成，這里提醒一下各位，如果大家的電腦配置不高，而細(xì)胞量又比較大，我推薦大家及時把pbmc保存起來，不然可能會因為內(nèi)存不足而報錯，另外的一個好處就是不用重新運行這些程序了，節(jié)省時間。當(dāng)然，如果你有服務(wù)器，那直接在服務(wù)器上運行就好了。