关于Seurat对象的构建请参考： 01.单细胞入门-Seurat对象创建

我们使用seurat官方pbm3k数据集作为示例,强烈建议直接阅读官方文档说明，有构建-整合拆分-质控全套流程和代码。

我们首先读取上一教程里构建好的pbm3k数据集的seurat对象

Seurat我们可以把他比作一个大容器，几乎存储了一切项目相关信息，包括每个细胞的barcodes，所有定量的基因和每个细胞的UMI矩阵。我们后面的大量分析包括对数据的降维、聚类分群、注释、等都是可以写入到Seurat对象来保存。 我们不用过度的去解读Seurat的数据结构，结果导向的去学会调取你所需要的数据即可。接下来通过对pbm3k数据集的一些示例来熟悉这些操作

使用 pbmc@ 来访问pbmc这个大容器中的数据

可以看到自动补全中出现了一些Seurat对象中的二级数据，其中最为关键的就是前两个assays和meta.data。

我们对assays进行调取

可以看到assays下是主要保存了所有细胞的UMI矩阵 而结果中也提示输出结果来自于assays下的RNA,并且直接对RNA进行调取的方式改变为使用$，因此我们就大概知道了对pbmc这个seurat对象不同层级数据调取的方法，@和$。 我们进行一下尝试验证

可见结果是与上方一致的。

接下来我们对meta.data也进行相同的尝试

可以看到meta.data的结果是一个保存了各种信息的数据框，我们可以用class()进行确认。

因此我们对meta.data的下级数据进行调用时，也是和data.frame取列类似使用$。

这里我们对这三列数据是什么进行说明：

orig.ident：一般存储细胞的样本来源，但这不是100%的，每个人都有自己的习惯，Seurat对象里面的信息是可以根据细胞barcodes匹配而自己修改的，因此我们要根据获取的数据自行判断或根据自己的习惯自行更改。 而nCount_RNA和nFeature_RNA是Seurat创建时CreateSeuratObject()生成并存储在metadata中的。 nCount_RNA：每个细胞的UMI数量 nFeature_RNA：基因数 实际上我们下游的处理结果大部分也会存储在meta.data中，随着后续的学习也会不断认识到新的变量。 到这里我们就基本认识了Seurat对象的基本结构和大概信息

不同于上一部分，有些数据是通过seurat包的函数来读取。详见代码

可见读取的数据为单细胞的表达矩阵，但pbmc数据集使用了稀松矩阵储存所以.代替了0 也拥有配套函数来对保存的矩阵进行修改 主要应用场景：在进行其他分析之前的标准化