检查合并前的数据层、对象冗余和处理顺序

几个单细胞对象各自都能打开，合并时却内存不足，常见原因是合并前后有多份矩阵和临时对象同时存在。要解决问题，先确认每份对象保存了什么，以及合并后真正需要哪些内容。合并操作本身并不等于批次整合，也不会自动替你保留全部分析历史。

本文面向已有原始RNA counts、准备重新开展联合分析的场景。示例使用支持layer接口的Seurat与SeuratObject环境；运行前记录版本和assay类。若已有多模态结果、SCT模型或需要保留的降维，不要直接用counts-only重建替换原文件，应先确定后续分析路径。

盘点对象时，不要先转成普通矩阵

用对象概要、assay与layer清单定位占用。object.size只能提供R对象大小的近似参考，不是进程内存峰值；磁盘后端对象还可能只记录外部数据引用。检查矩阵类即可，不要为了查看它而调用as.matrix，否则可能把稀疏或磁盘矩阵物化为大矩阵。

library(Seurat)
library(SeuratObject)
obj <- readRDS("sample01.rds")
print(packageVersion("Seurat"))
print(packageVersion("SeuratObject"))
print(Assays(obj))
print(class(obj[["RNA"]]))
print(Layers(obj[["RNA"]]))
print(format(object.size(obj), units = "auto"))
for (ly in Layers(obj[["RNA"]])) {
  m <- LayerData(obj, assay = "RNA", layer = ly)
  print(list(layer = ly, class = class(m), dim = dim(m)))
}
writeLines(capture.output(sessionInfo()), "session-info.txt")

明确要重建时，生成独立的counts-only副本

下面是一个保守示例：只接受RNA中恰有一个counts层的对象，保留细胞级元数据并增加样本标识。已有多个counts层时停止，让使用者先判断每层对应的样本与细胞集合。不要为了让代码继续就无条件JoinLayers，也不要把标准化值冒充原始计数。

files <- c(S01 = "sample01.rds", S02 = "sample02.rds")
slim <- lapply(names(files), function(sid) {
  x <- readRDS(files[[sid]])
  ly <- grep("^counts($|\.)", Layers(x[["RNA"]]), value = TRUE)
  if (length(ly) != 1L) stop("先核对各counts层的样本与细胞关系")
  m <- LayerData(x, assay = "RNA", layer = ly)
  md <- x[[]][colnames(m), , drop = FALSE]
  md$sample_id <- sid
  CreateSeuratObject(counts = m, meta.data = md, project = sid)
})
expected <- sum(vapply(slim, ncol, integer(1)))
merged <- merge(slim[[1]], y = slim[-1], add.cell.ids = names(files),
                merge.data = FALSE, merge.dr = FALSE)
stopifnot(ncol(merged) == expected, !anyDuplicated(colnames(merged)))
print(table(merged$sample_id))
saveRDS(merged, "merged-counts-only.rds")

此副本不会包含原有归一化结果、SCT模型和特征级附加信息。原始文件必须保留；若这些信息本来就是分析输入，应选择其他有明确保留规则的工作流。官方merge说明也指出，图、记录命令和特征级元数据并不会全部随合并保留。基因名不同或参考不一致时，更应先处理注释问题，不能靠填零合并掩盖差异。

验收和失败排查

检查细胞总数是否等于各输入之和，样本列是否完整，细胞名是否唯一，counts层结构是否符合下一步要求。抽取少数已知细胞与基因核对原始值，并在新R会话中重新读取副本。不要只以“R没有报错”判断合并正确。

避免把合并成功误当成数据可比较

合并可以把特征集合和细胞组织到同一个对象，但不同参考版本、不同基因标识或上游过滤规则仍可能造成不一致。尤其是一个样本提前删除了某类基因时，缺失与实际观测为零不是同一个实验含义。应从共同参考或有依据的映射规则处理，而不是仅凭最终矩阵出现了相同名称就认为问题已经解决。

重新归一化前，保留一份可追溯的样本到细胞映射。抽查时从每个样本挑少量细胞和基因，核对合并后带前缀的细胞是否对应原值，同时确认样本、条件、供体等元数据没有因行名顺序变化而错位。若元数据里保存了旧的聚类或注释，应注明它们来自哪次单样本分析，不能把旧标签自动当作联合分析后的最终结论。

对于需要保留原降维、模型或多模态关系的任务，counts-only只是重新分析副本。原分析对象与生成脚本仍要归档；删除再重建之后，不能期待缺失的模型信息由合并函数恢复。

若counts-only仍失败，记录失败位置、各样本规模和进程内存峰值。读入、合并、保存三个阶段可能有不同高峰，逐阶段测量才能知道是否存在容量缺口。确认必要数据已精简、标识与参考正确后，仍超出本地可用内存时，可再沟通大内存独享CPU服务器；不要把软件层结构错误当作扩容依据。

参考与版本核对

• SeuratObject：merge.Seurat参数与保留范围
• Seurat：DietSeurat与layers参数
• Seurat：BPCells磁盘矩阵与保存
• R官方手册：内存限制与对象