数据是如何转换的

seurat object 中assays$RNA@layers$counts 存放了 expression matrix （counts）
NormalizeData(sce) 后 assays$RNA@layers$data 存放了 normalization后的数据
FindVariableFeatures(sce) 就是把一些细胞高表达一些细胞低表达的高变基因抽出来放在 assays$RNA@features下面ScaleData(sce)把上述的高变基因中心化，数据放在assays$RNA@layers$scale.data 下面

RunPCA(sce) 使用assays$RNA@layers$scale.data 数据进行PCA降维
FindNeighbors(sce) 根据PCA结果@reductions$pca 构建SNN图 结果放在@graphs下面

FindClusters(sce) 根据@graphs下面的数据寻找cluster 结果放到 @meta.data$unintegrated_clusters 下面

如果进行了样本整合：
IntegrateLayers(object = sce, method = CCAIntegration, orig.reduction = “pca”, new.reduction = “integrated.cca”）该方法使用PCA和scale.data下面的数据进行学习，产生一个新的降维数据 @reductions$integrated.cca,然后这个降维数据用于后续的构建SNN图和聚类

原始ifnb数据对象

library(Seurat)
library(SeuratData)
library(patchwork)# install dataset
InstallData("ifnb")# load dataset
ifnb <- LoadData("ifnb")

原始的ifnb数据对象是什么样子？

Splits object后的数据对象

数据对象构建完成后的标准流程

# run standard anlaysis workflow
ifnb <- NormalizeData(ifnb)
ifnb <- FindVariableFeatures(ifnb)
ifnb <- ScaleData(ifnb)
ifnb <- RunPCA(ifnb)ifnb <- FindNeighbors(ifnb, dims = 1:30, reduction = "pca")
ifnb <- FindClusters(ifnb, resolution = 2, cluster.name = "unintegrated_clusters")ifnb <- RunUMAP(ifnb, dims = 1:30, reduction = "pca", reduction.name = "umap.unintegrated")
DimPlot(ifnb, reduction = "umap.unintegrated", group.by = c("stim", "seurat_clusters"))ifnb <- RunUMAP(ifnb, dims = 1:30, reduction = "integrated.cca")

Normalization后的数据对象

scale 后的数据对象

不同的样本进行整合

ifnb <- IntegrateLayers(object = ifnb, method = CCAIntegration, orig.reduction = "pca", new.reduction = "integrated.cca",verbose = FALSE)# re-join layers after integration
ifnb[["RNA"]] <- JoinLayers(ifnb[["RNA"]])ifnb <- FindNeighbors(ifnb, reduction = "integrated.cca", dims = 1:30)
ifnb <- FindClusters(ifnb, resolution = 1)

JoinLayers干了什么