在做单细胞分析的过程中，我们通常要基于Seurat数据之上做多样化的分析：针对某一子集，重新画图等等。所以，我们首先需要对Seurat的数据结构有一个基本的了解。
下面这个图是对于Seurat对象的总结，可以看出是个树状的数据结果，二级结构主要包含Assays、meta.data、active.assay、active.ident、graphs、reduction、commands等。
下面我们一个个介绍一下这些基本数据对象。
=======Assays=======
默认情况下，Seurat对象是一个叫RNA的Assay。在我们处理数据的过程中，做整合（integration），或者做变换（SCTransform），或者做去除污染（SoupX），或者是融合velocity的数据等，都会生成新的相关的Assay，用于存放这些处理之后的矩阵。
在之后的处理中，我们可以根据情况使用指定Assay下的数据。不指定Assay使用数据的时候，Seurat调用的是Default Assay下的内容。我们可以通过对象名@active.assay查看当前Default Assay，通过DefaultAssay函数更改当前Default Assay。
Assay数据中，counts为raw原始数据，data为normalized（归一化），scale.data matrix为scaled（标准化的数据矩阵）。
调用方法：PBMC@assays$RNA@data：调用normalized后数据。
=====meta.data======
这个结构也叫元数据，包含对每个细胞的描述。一般计算的nFeature_RNA等信息就以metafeature的形式存在Seurat对象的metadata中。计算的分类信息一般以RNA_snn_res.x（x指使用的resolution）存放在metadata中。
=====active.assay和active.ident======
前者是查看当前使用的assays，后者是查看当前的使用分群方式。
=====reduction======
用于储存降维之后的每个细胞的坐标信息。
每个细胞在PC轴上的坐标：pbmc@reductions$pca@cell.embeddings
每个基因对每个PC轴的贡献度（loading值）：pbmc@reductions$pca@feature.loadings
下面，我们介绍几个常用的函数。
获取全部基因ID：rownames(object)
获取整个object的细胞ID：Cells(object)或者colnames(object)
按照idents获取部分细胞ID：WhichCells(object, idents = c(1, 2))
行数和列数：ncol(object) nrow(object)
每个cell的类型和class：Idents(object) levels(object)
按照基因表达获取部分细胞ID：
WhichCells(object, expression = gene1> 1)
WhichCells(object, expression = gene1> 1, slot = "counts")
提取降维之后的坐标信息：
Embeddings(object =object[["pca"]])
Embeddings(object =object[["umap"]])
感觉和这样子类似：pbmc@reductions$pca@cell.embeddings
如果要提取包含部分细胞的对象：
按照细胞ID提取：
subset(x = object, cells = cells)
按照idents提取：
subset(x = object, idents = c(1, 2))
或者前面用过的WhichCells(object, idents = 1)
subset(x=object, idents = "root") #对细胞簇重新命名后为root
想要排除1、2细胞类型，可以这样：
subset(pbmc, idents = c(1, 2), invert =TRUE)
按照meta.data中设置过的stim信息提取：
subset(x = object, stim == "Ctrl")
按照某一个resolution下的分群提取：
subset(x = object, RNA_snn_res.2 == 2)
当然还可以根据某个基因等的表达量来提取：
subset(x = object, gene1 > 1)
subset(x = object, gene1 > 1，slot ="counts")
其实和前面whichcell的提取思想类似，只不过一个提取的cell的列表，一个提取的是seurat的子集。
在子集操作之上，我们就可以进行其它的函数等分析了。
例如：
查看每个聚类包含多少细胞：
table(Idents(pbmc))，table(pbmc$RNA_snn_res.0.5)等
每个聚类细胞数占比：
prop.table(table(Idents(pbmc)))，prop.table(table(pbmc$RNA_snn_res.0.5))
提取表达矩阵：
as.matrix(pbmc@assays$RNA@counts)
或者
as.matrix(GetAssayData(pbmc, slot = "counts")）
提取某种细胞的表达矩阵：（在上面的基础上和whichcell结合）
as.matrix(GetAssayData(pbmc, slot = "counts")[, WhichCells(pbmc, ident = "1")])
计算平均表达量（用AverageExpression函数）：
cluster.averages <- AverageExpression(pbmc)
修改聚类后的因子水平（这些基本是常规的R操作了）：
Idents(pbmc) <- factor(Idents(pbmc), levels= c(1,2,3,4,9,8,7,6,5,0))
