单细胞数据RDS与H5AD格式互转实战指南

1. 单细胞数据格式互转的痛点与解决方案

在单细胞数据分析领域，RDS和H5AD是两种最常用的数据存储格式。RDS是R语言的序列化格式，通常用于保存Seurat对象；而H5AD是基于HDF5的二进制格式，是Python生态中Scanpy/AnnData的标准格式。这两种格式之间的互操作性一直是生物信息学工作流中的常见痛点。

我曾经尝试过使用各种第三方工具进行格式转换，结果发现它们要么功能有限，要么隐藏着各种难以调试的bug。比如：

• 某些工具会丢失关键的元数据信息
• 降维结果（PCA/UMAP）经常无法正确转换
• 稀疏矩阵的存储格式在转换过程中容易出错
• 当数据量较大时，转换过程经常崩溃且没有明确的错误提示

经过多次失败尝试后，我决定放弃这些"黑箱"工具，直接从底层数据结构入手，用最基础的代码实现格式转换。这种方法虽然需要多写几行代码，但优势非常明显：

1. 完全掌控数据转换的每个环节
2. 可以灵活处理各种特殊情况
3. 转换过程透明，易于调试
4. 不依赖外部工具，减少兼容性问题

2. 从RDS到H5AD的完整转换流程

2.1 RDS文件结构与关键数据提取

首先我们需要理解Seurat对象(RDS)的基本结构。一个典型的Seurat对象包含：

• 表达矩阵（counts/normalized data）
• 细胞元数据（meta.data）
• 基因信息（feature metadata）
• 降维结果（PCA/UMAP/t-SNE等）
• 其他分析结果（差异表达、聚类等）

以下代码展示了如何安全地提取这些关键信息：

r复制library(Seurat)
library(Matrix)

# 安全提取数据的辅助函数
safe_get <- function(expr, name) {
  tryCatch(expr, error = function(e) {
    cat(sprintf("Warning: Could not extract %s (%s)\n", name, e$message))
    NULL
  })
}

# 读取RDS文件
seurat_obj <- readRDS("pbmc.rds")

# 提取原始计数矩阵（注意：Seurat v5使用layer系统）
counts <- safe_get(
  GetAssayData(seurat_obj, assay = "RNA", layer = "counts"),
  "counts"
)

# 提取标准化数据
normalized <- safe_get(
  GetAssayData(seurat_obj, assay = "RNA", layer = "data"),
  "normalized data"
)

# 提取细胞元数据
obs <- seurat_obj@meta.data
if (is.null(rownames(obs))) {
  rownames(obs) <- colnames(seurat_obj)
}

# 提取基因信息
var <- data.frame(
  gene = rownames(seurat_obj),
  row.names = rownames(seurat_obj),
  stringsAsFactors = FALSE
)

关键提示：Seurat的不同版本（v4/v5）在数据存储结构上有差异，特别是v5引入了layer系统替代原来的slot。我们的代码通过GetAssayData函数兼容不同版本。

2.2 降维结果与其他辅助信息的提取

除了基础数据外，降维结果也是单细胞分析中的重要组成部分。以下函数可以安全地提取各种降维结果：

r复制# 提取并保存降维结果的通用函数
extract_dimred <- function(seurat_obj, reduction, filename) {
  embed <- safe_get(
    Embeddings(seurat_obj, reduction = reduction),
    reduction
  )
  if (!is.null(embed)) {
    write.csv(embed, file.pat