######################################
创建以下目录
目前我碰到的有这几种情况；
三个文件指的是“barcodes.tsv","features.tsv","matrix.mtx";
这个情况就比较好处理了，barcodes.tsv就是cell id，features.tsv就是gene id，matrix.mtx就是计数counts矩阵
单个csv矩阵读入
多个csv矩阵读入
单个txt矩阵读入
多个txt矩阵读入
其实就是用R读取excel文件，把xslx转化成csv再读取
找到一个解释Seurat中所有函数的网站，比R自带的要清楚很多 rdrr
1.readMM():
input:"xx.mtx"
备注：readMM is the function of Matrix packages, it changes the standard matrix into sparse matrix.Of note,features.tsv and barcodes.tsv should be library first, and then combine sparse matrix、features.tsv and barcodes.tsv form a counts matrix with cell id and gene id.（详见step1情况一）
2.read10X():
input:"raw_feature_bc_matrix"(files from CellRanger output)
备注：read10X id the function of Seurat,its input from CellRanger output(10X genomics data的专用软件Cell Ranger的output会有一个out目录，"raw_feature_bc_matrix"在该目录中)
再完成2.1已经创建好了Seurat对象以后，快速查看元数据以了解其大概；
接着，需要把多个seurat对象合并成一个，这样比较方便我们同时为每个样品进行质控，且方便我们更容易地比较所有样本的数据质量，用merge()函数执行该操作；
通常根据以下四个指标筛选：
1.计算mitoRatio
主要是利用的Seurat的PercentageFeatureSet()功能，这个函数将使用一个模式(pattern)搜索基因标识符，对于每一列（细胞），它将选取特征基因的计数之和，除以所有基因的计数之和
2.计算log10GenesPerUMI （option）
GenesPerUMI = nFeature_RNA / nCount_RNA
这个指标代表的意思是 “单位read counts的gene数目的比例” 反映的是数据的复杂度；常用于评估ctrl和stim基因的整体复杂性
细胞水平的过滤, 主要是用subset()函数过滤
在我们的数据中，会有许多基因的计数为零。这些基因会显著降低一个细胞的平均表达量，因此我们将从数据中删除它们。
主要删除两类基因，
（1）删除所有细胞中零表达的基因；
（2）如果一个基因只在少数几个细胞中表达，那么它的意义并不是特别大，因为它仍然会把没有表达它的其他所有细胞的平均表达量降下来。对于我们的数据，我们选择只保留在10个或更多细胞中表达的基因。
在进行过滤后，建议回过头来再看看指标，确保你的数据符合你的预期，对下游分析有好处。
我们将保存筛选后的细胞对象用于聚类 (clustering) 和标记识别 (marker identification)，将过滤以后的Seurat数据创建为.RData对象