在单细胞测序数据分析中，barcodes、features和matrix是三个最核心的基础文件，它们共同构成了所有分析的基石。
| 特性维度 | 细胞条形码 (barcodes，BC) | 表达矩阵 (Matrix) |
|---|---|---|
| 核心角色 | 细胞身份证 | 核心数据账本 |
| 功能定位 | 定位数据属于哪个细胞 | 分析每个细胞中基因表达量有多少 |
| 数据结构 | 表达矩阵的列名 (Column Names) | 一个二维表格：行是基因，列是细胞，元素是表达量 |
| 文件表现 | 通常为 barcodes.tsv文件，每行是一个条形码序列 | 通常为 matrix.mtx文件（稀疏矩阵格式），存储非零表达值 |
| 依赖关系 | 表达矩阵的列数由有效的细胞条形码数量决定 | 表达矩阵的列标识完全依赖于细胞条形码文件 |
一、进入GEO官网：https://www.ncbi.nlm.nih.gov/geo/
在GEO（Gene Expression Omnibus）数据库中下载单细胞数据时，最常见的数据存储和提供形式主要有以下四种类型：
- 10x Genomics 标准格式（最主流）
在GEO的数据集中，我们通常会找到一个包含以下三个核心文件的文件夹（通常以 *_filtered_feature_bc_matrix.tar.gz或类似名称的压缩包提供）：
barcodes.tsv(.gz)： 包含所有检测到的细胞条形码（Cell Barcode），每个条形码代表一个可能的细胞。
features.tsv(.gz) 或 genes.tsv(.gz)： 包含所有被检测的基因（或转录本、抗体标签）的标识符和名称。
matrix.mtx(.gz)： 以稀疏矩阵格式存储的基因表达计数矩阵，行对应基因，列对应细胞。
- H5 格式（高效二进制格式）
这是一种用于存储大规模数据的二进制文件格式。在单细胞上下文中，它通常是将上述10x标准格式的三个文件整合到了一个单一的 .h5文件中。
典型命名： *_filtered_feature_bc_matrix.h5
优势： 文件单一，便于管理和传输，存储效率高。
- R 数据文件（可直接使用的分析对象）
部分数据提交者会将已初步处理好的单细胞数据直接保存为R语言特有的数据文件格式，供其他研究者快速载入。
.rds文件： 存储单个R对象（如一个Seurat对象或表达矩阵）。使用 readRDS()函数读取。
.RData或 .rda文件： 可存储一个或多个R对象。使用 load()函数读取，对象会被载入当前工作环境。
优势： 读取速度极快，且能保留完整的对象结构和中间分析结果。
- 压缩文本矩阵（通用表格格式）
这是一种比较传统和通用的数据提供方式，将表达矩阵保存为纯文本表格，并进行压缩以减小体积。
格式： 通常是 .txt.gz或 .csv.gz文件。
内容： 行是基因，列是细胞（或样本），表格内的值为表达量。有时也可能提供转置后的格式（行是细胞，列是基因）。
如何读取： 可以使用 data.table::fread()、read.delim()等函数读取，或在Excel中打开（不推荐用于大型数据）。读取后通常需要转换为矩阵或数据框，才能用于创建Seurat对象。
二、以”GSE234527”为例子：读取一个10× Genomics格式文件
1、搜索“GSE234527”：
2、在补充材料里下载（点击“custom”）
3、在桌面解压缩，分类整理：数据来自五个不同样本，分成五类，每个样本包含多个细胞
修改前：
修改后：
*修改的目的是为了更好地用R语言进行数据处理
详细过程请参考：https://www.bilibili.com/video/BV1Ct421j7X3?spm_id_from=333.788.videopod.sections&p=4
（B站：生信幻想家——单细胞数据分析）
