最近越来越多的分析需要用到loom文件，其中主要是python的数据分析以及RNA速率分析的时候，格式之间的转化需要我们分析一下，这里分享给大家R及python对于loom文件的操作

R语言读取loom文件

读取loom文件的软件主要是RNA速率分析的软件velocyto.R

不过这里注意R语言读取loom需要hdf5r，比较难装，大家可以多研究一下,这里提供一个例子

hdf5r安装

###安装hdf5r

curl -O https://support.hdfgroup.org/ftp/HDF5/releases/hdf5-1.10/hdf5-1.10.1/src/hdf5-1.10.1.tar

cd hdf5-1.10.1

./configure

make -j4

make check

make install

library(velocyto.R)

R语言创建loom文件

rds转换成loom

library(SCopeLoomR)

library(Seurat)

#creat directory

if (!dir.exists(paste0(outdir,'/input'))){

dir.create(paste0(outdir,'/input'))

data1

barcode

#seurat3_nonsingle and single

data2

data3

#build_loom

setwd(paste0(outdir,'/input'))

build_loom(file.name="original.loom",dgem=data3)

R语言独自创建loom文件,同样是R包SCopeLoomR

library(SCopeLoomR)

看一下函数build_loom

file.name: A string naming the .loom file to be generated.创建loom 的名称

dgem: A matrix of the gene expression with M genes as rows and N cells as columns. 矩阵文件

title: A short description of content of loom. loom文件的描述

genome: The genome used for the mapping. 人或者小鼠

default.embedding: A M-by-2 data.frame of the embedding (X and Y coordinates) of the cells.坐标文件

default.embedding.name: A description name for the given default.embedding

##参数足够用了

添加信息的时候：

add_hierarchy(loom = loom, hierarchy = create_hierarchy(level.1.name = "Mouse", level.2.name = "Toy Datasets", level.3.name = ""))

add_col_attr(loom=loom, key = "Cell type", value=cell.info$cellType, as.annotation=T)

###添加seurat的信息

seurat.annotation

add_seurat_clustering(loom = loom

, seurat = seurat

, default.clustering.resolution = "res.2"

, annotation = seurat.annotation

, annotation.cluster.id.cn = "res.2"

, annotation.cluster.description.cn = "Annotation")

可见这个包专门为单细胞数据分析而生

记住一点，维度必须相同

python读取loom文件

python读取loom主要是pyscenic和scanpy的需要

import scanpy as sc

data = scanpy.read_loom('brain10x.loom', sparse=True),一般读取就可以

sparse参数指的是 是否读取稀疏数据矩阵

import loompy as lp

lf = lp.connect(f_pyscenic_output, mode='r+', validate=False )

lf.close()

python创建loom文件

import loompy as lp

row_attrs = {

"Gene": np.array(adata.var_names) ,

col_attrs = {

"CellID": np.array(adata.obs_names) ,

"nGene": np.array( np.sum(adata.X.transpose()>0 , axis=0)).flatten() ,

"nUMI": np.array( np.sum(adata.X.transpose() , axis=0)).flatten() ,

lp.create(sample + '.loom', adata.X.transpose(), row_attrs, col_attrs)

##这个地方与R相似，但是python更好用一点

希望大家保持学习的态度，请保持愤怒，让王多鱼倾家荡产

最近越来越多的分析需要用到loom文件，其中主要是python的数据分析以及RNA速率分析的时候，格式之间的转化需要我们分析一下，这里分享给大家R及python对于loom文件的操作R语言读取loom文件读取loom文件的软件主要是RNA速率分析的软件velocyto.R不过这里注意R语言读取loom需要hdf5r，比较难装，大家可以多研究一下,这里提供一个例子hdf5r安装###安装hdf5rc... 罗勒·库德（Basil Khuder） 本指南将演示如何结合RNA Velocity分析使用已处理/标准化的Seurat对象。 请记住，尽管Seurat是基于R的，但是所有可用的RNA Velocity软件/软件包都是 Python ，因此我们将在两者之间来回移动。 我们将使用以下程序： scVelo （用于RNA速度） Velocyto或Kallisto Bustools （产生我们最初的RNA Velocity Object） Anndata （用于操纵我们的RNA Velocity对象） Samtools-可选（Velocyto将在未排序的.bam上运行Samtools排序） 生成 Loom 文件 首先，我们将为您在Seurat分析中使用的每个单细胞样本生成织机 文件 （一种为基因组数据集（例如单细胞）设计的 文件 格式）。 织机 文件 不同于您在Seura 在录制设置中： 三种录制选项：桌面和摄像头（Screen&Cam）、仅桌面（Screen）和仅摄像头（Cam）。 录制区域：整个桌面（Full Desktop）和当前活动窗口（Current Tab）录制。 声音：开关（Audio） 您可以选择Gmail或Outlook进行登录。当然，您也可以选择底部的电子邮件登录。 如果您还没有帐户，请在登录页面上选择Sign up 注册帐户 实现正则化线性回归，使用其来研究具有不同偏差-方差属性的模型。 在练习的前半部分，您将使用水库水位的变化实现正则化线性回归来预测大坝的出水量。在下半部分中，您将对调试学习算法进行诊断，并检查偏差和方差的影响。 本次的数据是以.mat格式储存的，x表示水位的变化，y表示大坝的出水量。数据集共分为三部分：训练集（X, y）、交叉验证集（Xval, yval）和测试集（Xtest, ytest）。 高偏差：欠拟合 高方差：过拟合 4. 全新的 Loom （织布机）项目，支持多线程编程。 5. 增强的JEP 330：Launch Single-File Source-Code Programs，支持从命令行直接运行Java程序。 6. 支持在Windows平台使用AArch64（ARM64）架构。 7. 引入了更好的ZGC（Z Garbage Collector）垃圾收集器，提高了Java应用程序的内存管理效率。 8. 可以直接将本地库 文件 链接到Java代码中，减少了JNI（Java Native Interface）的使用难度。 这仅是Java 11中的一些主要特性，希望这些信息能对您有所帮助。