在进行单细胞数据分析的时，一个普遍存在的问题是，许多优秀的分析工具分散在 R 和 Python 两大生态系统中。R 语言的 Seurat 包凭具有强大的整合分析能力和丰富的可视化功能；而 Python 语言则在深度学习、大规模数据处理等方面展现出独特优势，其 AnnData (H5ad) 格式也因其高效的存储和交互性而备受青睐。这种工具链的分裂导致研究者在不同平台间切换时，常常面临数据格式转换的难题。尽管已有如 SeuratDisk 等 R 包尝试解决 Seurat 对象和 H5ad 文件之间的转换问题，但在实际操作中，用户常常遭遇各种报错，转换步骤也相对繁琐。一些研究者可能尝试手动提取、保存关键数据（如表达矩阵、细胞元数据、降维信息），再在目标环境中重新组装，这种方法不仅效率低下，而且极易在过程中丢失重要信息或引入错误，违背了高效分析的初衷。
scKidney：为简化分析流程而生scKidney R 包的开发是为了简化单细胞分析和处理过程中的代码与步骤，scKidney 不仅仅局限于格式转换，它还集成了一系列旨在简化标准分析流程的功能模块，例如用于数据质控的 KidneyQC、辅助选择最佳主成分（PC）数量的 KidneyPC，以及便捷去除双细胞的 KidneyDoublet 和辅助肾脏细胞类型注释的 KidneyCell 等。本文将重点介绍 scKidney 在解决 Seurat 与 H5ad 对象互换这一核心痛点上的解决方案。
当在 R 环境中完成 Seurat 对象的初步处理或分析，并希望将其导入 Python 生态系统（例如使用 Scanpy 或其他基于 AnnData 的工具）时，kidneyH5 函数提供了极为便捷的途径。
安装与使用：
# 如果尚未安装 devtools，请先安装
# install.packages("devtools")
devtools::install_github("746443qjb/scKidney")
library(scKidney)
# 假设您的 Seurat 对象名为 seurat_object
# 指定输出的 H5ad 文件路径
output_h5ad_path <- "my_analysis_data.h5ad"
# 运行转换函数
kidneyH5(seurat_object, output_h5ad_path)
关键说明：
- 一行代码搞定： 正如示例所示，转换过程的核心调用非常简洁。
- 基于 Seurat v5： kidneyH5 函数是基于 Seurat v5 版本的数据结构设计的。Seurat v5 引入了多层（Layers）结构来管理不同的数据矩阵（如 counts, data, scale.data）。在转换前，强烈建议（通常是必须）先运行 JoinLayers 函数，将您需要保留在 H5ad 文件中的主要数据层（通常是原始 counts 矩阵）整合，以确保数据被正确导出。
- 保留核心信息： 该函数主要设计用于转移对象的原始 count 矩阵 (counts layer)、细胞元数据 (meta.data) 以及主要的降维结果（如 PCA, UMAP, tSNE）。 需重新处理的操作： 转换后的 H5ad 文件主要包含原始表达谱。因此，在 Python 环境中加载此 H5ad 文件后，数据的标准化（Normalization）、特征选择（Feature Selection）以及数据缩放（Scaling）等依赖于特定分析流程的步骤通常需要重新进行。
反之，当你有一个 H5ad 格式的文件（可能来自于 Python 环境的处理结果，或公共数据集），并希望利用 R/Seurat 的强大功能进行下游分析或可视化时，scSeurat 函数同样提供了一行代码的解决方案。
使用方法：
# 假设您的 H5ad 文件路径为 h5ad_path
h5ad_path <- "path/to/your/data.h5ad"
# 运行转换函数
sce <- scSeurat(h5ad_path)
# 'sce' 现在是一个加载了 H5ad 文件数据的 Seurat 对象
# 您可以在 R 环境中继续使用 sce 进行分析
关键说明：
- 便捷加载： 只需提供 H5ad 文件的路径，函数即可将其加载并转换为 R 环境中的 Seurat 对象。
- 数据内容： 与 kidneyH5 类似，scSeurat 主要导入 H5ad 文件中的原始表达矩阵（通常存储在 .X 或特定 layer）、细胞注释信息 (.obs) 以及降维嵌入坐标 (.obsm)。
- 后续步骤： 加载得到的 Seurat 对象同样需要进行后续的标准化、缩放等 Seurat 标准流程中的预处理步骤，才能进行差异表达分析、聚类等下游任务。
双细胞（Doublets）是单细胞测序实验中常见的技术性误差，会对下游分析造成干扰。虽然已有如 DoubletFinder 等成熟的工具用于识别和过滤双细胞，但它们的使用往往涉及多个参数调整和中间步骤，过程相对繁琐。scKidney 包中的 KidneyDoublet 函数旨在简化这一过程，它封装了 DoubletFinder 的核心功能，提供更直接的调用方式。
# 假设 your_seurat_object 是已经过初步质控和降维的 Seurat 对象
# pcs 是您选择用于分析的主成分数量
pcs <- 1:20 # 示例值
# rate 是预估的双细胞比例（例如，8% 对应 rate = 8）
# select 控制筛选严格程度，"high" 表示优先移除可能性高的细胞
seurat_filtered <- KidneyDoublet(seurat = your_seurat_object, PC = pcs, rate = 8, select = "high")
# seurat_filtered 是去除预估双细胞后的 Seurat 对象
通过调整 rate（预估的双细胞比率）和 select（筛选阈值，如 "high" 或 "low" 可能对应不同的 pANN 值阈值）参数，用户可以便捷地控制双细胞的去除强度，快速获得过滤后的 Seurat 对象用于后续分析。
结论与展望scKidney R 包通过提供 kidneyH5 和 scSeurat 函数，极大地简化了单细胞分析中 Seurat 对象与 H5ad 文件之间的相互转换，有效解决了 R 与 Python 生态系统间的数据流通障碍。同时，其集成的 KidneyDoublet 等功能也进一步降低了执行标准分析步骤（如双细胞去除）的复杂度。这使得研究者能够更专注于生物学问题的探索，而非陷入繁琐的数据格式处理和代码调试中。
展望未来，scKidney 包的开发者计划进行更新：
- 更名：考虑到包的功能已超越肾脏数据分析的范畴，未来可能采用更具通用性的名称，以避免用户误解。
- 拓展空间转录组学：将加入对空间转录组数据的支持，实现空间数据在 Seurat 和 H5ad 格式间的便捷转换。
- 增强可视化：引入基于 ggplot2 的全新空间转录组可视化功能，提供更灵活、美观的数据展示方式。
我们鼓励对简化单细胞（及未来空间转录组）分析流程感兴趣的研究者尝试使用 scKidney 包，并期待其在未来的版本中带来更多便捷实用的功能。
*以上文章部分内容来自卿剑波老师投稿，特此鸣谢！
卿剑波，Renal failure杂志副主编，浙江大学博士，主要从事肾脏病单细胞及空间多组学研究。
