싱글셀 데이터 구조와 파일 형식

싱글셀 데이터 파일은 희소한 feature-barcode count matrix와 세포·유전자 metadata를 저장하는 형식입니다. 입력은 barcode·feature별 UMI count이고, 분석 도구는 이를 세포 행과 유전자 열로 읽어 QC 값·cluster·UMAP 좌표를 같은 객체에 연결합니다.

같은 행렬도 축 방향이 다를 수 있다

10x Genomics의 원본 MEX 행렬은 feature가 행, barcode가 열입니다.

             cell_A  cell_B  cell_C
Gene_A            3       0       1
Gene_B            0       4       0
Gene_C            1       0       2

Scanpy의 AnnData는 보통 같은 값을 observation(cell)이 행, variable(gene)이 열인 n_obs × n_vars로 다룹니다.

         Gene_A  Gene_B  Gene_C
cell_A        3       0       1
cell_B        0       4       0
cell_C        1       0       2

shape를 말할 때 cells × genes인지 features × barcodes인지 축 이름을 함께 적어야 합니다.

10x MEX는 세 파일이 한 행렬이다

filtered_feature_bc_matrix/
  matrix.mtx.gz
  features.tsv.gz
  barcodes.tsv.gz

파일	역할
`matrix.mtx.gz`	0이 아닌 칸의 행·열 번호와 UMI count
`features.tsv.gz`	행 번호에 대응하는 feature ID·name·type
`barcodes.tsv.gz`	열 번호에 대응하는 barcode 서열

features.tsv.gz의 feature는 gene만이 아닐 수 있습니다. Feature Barcode assay에서는 antibody capture나 CRISPR guide 같은 행도 함께 들어갈 수 있으므로 세 번째 feature_type 열을 확인합니다.

raw와 filtered는 cell calling 전후다

종류	포함되는 barcode	용도
raw matrix	하나 이상의 read가 있는 background·cell-associated barcode	cell calling 재검토, ambient RNA 추정
filtered matrix	cell-associated라고 판정된 barcode	일반적인 downstream 분석 시작점

filtered는 QC까지 모두 끝났다는 뜻이 아닙니다. doublet과 손상 세포는 filtered matrix 안에 남을 수 있습니다.

HDF5는 같은 희소 행렬을 바이너리로 저장한다

10x의 .h5 feature-barcode matrix는 큰 희소 행렬을 효율적으로 읽도록 HDF5에 저장합니다. data, indices, indptr, shape가 CSC(compressed sparse column) 행렬을 구성하고 barcodes와 features group이 축 metadata를 제공합니다.

MEX와 H5는 분석 단계가 다른 파일이 아니라 같은 종류의 count matrix를 다른 포장으로 저장한 것입니다.

AnnData와 h5ad

AnnData는 Python 단일세포 생태계에서 쓰는 행렬 + metadata 컨테이너이고, .h5ad는 그 객체를 HDF5 기반 파일로 저장한 형식입니다.

slot	일반적인 내용
`.X`	현재 주 분석 행렬, 무엇을 넣었는지 확인 필요
`.obs`	cell metadata: sample, QC, cluster, cell type
`.var`	gene/feature metadata
`.layers`	raw counts, normalized values 같은 추가 행렬
`.obsm`	PCA·UMAP처럼 cell마다 여러 좌표가 있는 배열
`.uns`	파라미터·색상·분석 결과의 비정형 metadata

.X가 raw count라는 보장은 없습니다. 이미 log-normalized 값일 수 있으므로 layers, 생성 코드와 history를 함께 확인합니다.

Seurat 객체와 rds

Seurat는 R에서 count·normalized data·metadata·차원축소 결과를 묶는 객체입니다. .rds는 R 객체 하나를 직렬화한 파일이며 Seurat 전용 확장자는 아닙니다.

Seurat v5의 assay는 여러 layer에 count와 변환값을 보관할 수 있습니다. 객체를 받았을 때 다음을 확인합니다.

어떤 assay가 active인지
raw counts가 어느 layer에 있는지
cell 이름에 sample ID가 보존됐는지
reduction에 PCA·UMAP이 어떤 파라미터로 생성됐는지
integration 전후 표현이 구분되는지

CSV로 펴면 희소성의 이점을 잃는다

싱글셀 행렬은 대부분 0입니다. 30,000 cells × 25,000 genes를 CSV로 펼치면 7억 5천만 칸을 기록해야 합니다. MEX·H5·h5ad는 0이 아닌 값 중심으로 저장해 크기와 메모리 사용을 줄입니다.

Excel로 변환한 작은 일부는 확인용으로 쓸 수 있지만 전체 분석 전달 형식으로는 적합하지 않습니다.

파일을 받으면 확인할 순서

raw인지 filtered인지 확인한다.
행과 열이 feature·barcode 중 무엇인지 확인한다.
값이 raw UMI count인지 normalized value인지 확인한다.
sample·donor·condition metadata가 cell과 연결되는지 확인한다.
genome·GTF·pipeline·chemistry 버전을 기록한다.
cluster·cell type·UMAP이 원시 측정이 아니라 파생 결과임을 구분한다.