单细胞格式转换哪家强？2025最全盘点来了

随着单细胞技术的爆发式发展，R和Python两大生态系统各自繁荣，但数据格式的互通性成了横亘在研究者面前的一座大山。在数据结构日新月异、测序技术五花八门的2025年，格式转换，特别是Seurat对象和Anndata/Mudata对象之间的转换变得更加复杂。但好消息是，我们有了更多成熟的解决方案。今天带大家盘点几个稳定、维护完善、社区比较活跃的包(以R包为主)，希望对大家的分析有所帮助。

1. anndataR

是由scverse团队开发的包，目标使得在R中也可以自由操作Anndata，不需要额外的转译层。当然，也支持Anndata向Seurat对象或者SingleCellExperiment的转换。

优势： 原生R实现，无需Python环境；支持自定义slot映射

source: anndataR documentation

安装

if (!requireNamespace("BiocManager", quietly = TRUE)) {
    install.packages("BiocManager")
}
BiocManager::install("anndataR")

Seurat ➡️ Anndata

library(anndataR)
# 一步到位：
write_h5ad(seurat_obj, tempfile(fileext = ".h5ad"))

# 分两步：
adata <- as_AnnData(seurat_obj)
adata$write_h5ad(tempfile(fileext = ".h5ad"))

Anndata ➡️ Seurat

# 一步到位：
seurat_obj <- read_h5ad(h5ad_file, as = "Seurat")

# 分两步：
adata <- read_h5ad(h5ad_file)
seurat_obj <- adata$as_Seurat()

参考资料

1. Github：https://github.com/scverse/anndataR
2. 官方文档：https://anndatar.data-intuitive.com/

2. zellkonverter

生信大牛组Theis Lab（也是Single-cell Best Practices书的作者）开发的转换包。同属scverse系列，以后大概率会被anndataR代替，但是就目前来讲zellkonverter还在活跃维护。该包通过R内部的Python环境转译，实现Anndata和SingleCellExperiment的互相转换。

优势： 内存效率高，支持DelayedArray后端

安装

if (!requireNamespace("BiocManager", quietly=TRUE)) {
    install.packages("BiocManager")
}
BiocManager::install("zellkonverter")

Anndata ➡️ SCE

library(zellkonverter)
sce <- readH5AD(example_h5ad)

# or
sce <- AnnData2SCE(adata)

SCE ➡️ Anndata

out_path <- tempfile(pattern = ".h5ad")
writeH5AD(sce, file = out_path)

# or
adata <- SCE2AnnData(sce)

关于下一步的SingleCellExperiment和Seurat的转换，可以依靠Seurat自带的as.SingleCellExperiment() 和as.Seurat()。

参考资料

1. 官方文档：https://theislab.github.io/zellkonverter/index.html
2. GitHub: https://github.com/theislab/zellkonverter/

3. schard

Sanger Institute cellgeni团队开发的无Python依赖转换工具，使用rhdf5直接读写h5ad文件。(但目前似乎不支持将Seurat对象写入h5ad)

优势： 依赖包少，不依赖Python环境，支持空间转录组(Visium)转换

安装

remotes::install_github("cellgeni/schard")

h5ad ➡️ Seurat

library(schard)
# 直接读取h5ad为Seurat
seurat <- schard::h5ad2seurat('input.h5ad')

# 支持空间数据（自动识别Visium数据）
seurat_spatial <- schard::h5ad2seurat_spatial('visium.h5ad')
# 可以按slide分别读取
visum_list <- schard::h5ad2seurat_spatial('visium.h5ad', simplify = FALSE)

# 读取raw counts（从adata.raw.X）
seurat_raw <- schard::h5ad2seurat('input.h5ad', use.raw = TRUE)

h5ad ➡️ SingleCellExperiment

# 也支持转为SCE
sce <- schard::h5ad2sce('input.h5ad')

直接读取h5ad中的特定数据

# 查看h5ad文件结构
ls <- rhdf5::h5ls('input.h5ad')

# 读取特定的obsm（如UMAP坐标）
umap <- t(schard::h5ad2Matrix('input.h5ad', '/obsm/X_umap'))

# 读取metadata
obs <- schard::h5ad2df('input.h5ad', '/obs')

参考资料

1. GitHub：https://github.com/cellgeni/schard

4. easySCF

由Zhang et al.  于2024年11月发表在Bioinformatics的工具，专门解决R和Python之间单细胞数据交换效率问题。该包使用统一的HDF5格式作为中间层，支持Seurat v5的所有新特性。

优势： 速度极快，内存占用低；完美支持Seurat v5；支持大规模数据集（>100万细胞自动启用BPCells）；支持Visium HD空间数据

安装

# 从GitHub安装（注意：需要指定r子目录）
install.packages("devtools")
devtools::install_github("xleizi/easySCF/r")

# Python端
pip install easySCFpy

R端使用

library(easySCFr)
# 保存Seurat对象为h5格式
saveH5(seurat_obj,
       FileName = "data.h5",
       assay = "RNA",
       SeuratVersion = 5,  # 支持v5
       split_save = TRUE,  # 大数据集分块保存
       max_cells_per_subset = 5000)

# 读取h5格式
seurat_obj <- loadH5(FileName = "data.h5",
                     assay = "RNA",
                     useBPcells = FALSE,  # >100万细胞时自动启用
                     readType = "Seurat")

Python 端使用

from easySCFpy import saveH5, loadH5
# 读取h5文件为scanpy对象
adata = loadH5("data.h5", datatype="scanpy")
# 保存为h5格式
saveH5(adata, "output.h5",
       split_save=True,
       compression="gzip")

参考资料

1. 论文：Zhang H, et al. easySCF: a tool for enhancing interoperability between R and Python for efficient single-cell data analysis. Bioinformatics 2024;40(12):btae710
2. GitHub：https://github.com/xleizi/easySCF

5. MuDataSeurat

专为多模态数据设计的转换包，是MuData（多模态AnnData）生态系统的R接口。如果你的数据包含CITE-seq、ATAC-seq、空间转录组等多个模态，这是最佳选择。

优势： 原生多模态支持；保留模态间关系；与muon (Python)完美对接

安装

remotes::install_github("PMBio/MuDataSeurat")

Seurat (多模态) ➡️ MuData

library(MuDataSeurat)
# 支持多个assay的Seurat对象
# 例如包含RNA和ADT的CITE-seq数据
WriteH5MU(seurat_multi, "multimodal.h5mu")

MuData ➡️ Seurat

# 读取h5mu文件，自动创建多assay的Seurat对象
seurat_multi <- ReadH5MU("multimodal.h5mu")
# 各模态自动分配到不同assay
names(seurat_multi@assays)  # 例如: "RNA", "ADT", "ATAC"

参考资料

1. GitHub：https://github.com/PMBio/MuDataSeurat

6. convert2anndata

由Setty Lab开发，提供了最完整的转换功能，特别擅长保留复杂的metadata和alternative experiments。支持命令行和R内两种使用方式。

优势： 信息保留最完整；支持alternative experiments；递归转换嵌套结构；CLI工具方便批处理

安装

# 需要先安装依赖
BiocManager::install(c("SingleCellExperiment",
                       "SummarizedExperiment",
                       "S4Vectors"))
# 安装主包
remotes::install_github("settylab/convert2anndata")

命令行

# 设置别名后
c2a -i seurat_v5.rds -o converted.h5ad
# 带参数
c2a -i input.rds -o output.h5ad -a counts --disable-recursive-altExp

R

library(convert2anndata)
# 先转为SCE（如果是Seurat）
sce <- convert_seurat_to_sce(seurat_obj)
# 再转为AnnData
ad <- convert_to_anndata(sce,
                         assayName = "counts",
                         useAltExp = TRUE)  # 保留altExp
write_h5ad(ad, "output.h5ad")

参考资料

1. GitHub：https://github.com/settylab/convert2anndata

7. srtdisk

原SeuratDisk的社区fork版本，专门解决了Seurat v5兼容性问题和空间转录组（Visium）的转换问题，使用h5Seurat作为统一中间格式，不需要python转译。

⚠️该fork由小编个人维护，可能还存在部分bug，但基本功能已经测试过。如遇到问题欢迎提GitHub issue！

优势： 支持Seurat v5,Visium；无需Python环境；保留command logs和完整元数据

安装

# 从GitHub安装fork版本
remotes::install_github("mianaz/seuratdisk-v5")

Seurat v5 ➡️ Anndata

library(srtdisk)  # 注意：包名已改为srtdisk
# 两步转换：先保存为h5Seurat
SaveH5Seurat(seurat_v5, filename = "data.h5Seurat")
# 再转换为h5ad
Convert("data.h5Seurat", dest = "h5ad")

Anndata ➡️ Seurat v5

# 支持直接转换，包括空间数据
Convert("spatial.h5ad", dest = "h5seurat")
seurat_spatial <- LoadH5Seurat("spatial.h5seurat")
# 空间图像重建(测试中)
Images(seurat_spatial)

参考资料

1. GitHub：https://github.com/mianaz/seuratdisk-V5

大家还知道哪些好用的格式转换包？欢迎在评论区交流分享。