# 快速检测环境是否配置完成
source("tutorials/check_environment.R")

# 安装依赖包
install.packages(c("devtools", "reticulate", "Matrix", "data.table"))

# 从GitHub安装ICellbioRpy
devtools::install_github("1-Cellbio/ICellbioRpy")

library(ICellbioRpy)

# 方法1：自动检测并使用当前环境（推荐）
configure_python_env(verbose = TRUE)

# 方法2：指定conda环境
configure_python_env(conda_env = "1cellbio", verbose = TRUE)

# 方法3：指定Python路径
configure_python_env(python_path = "/path/to/python", verbose = TRUE)

# 验证配置
check_anndata_available()

# 直接转换（推荐）
iCellbio2H5ad("path/to/1cellbio_results.zip", "output.h5ad")

# 或两步转换
data <- read1Cellbio("path/to/1cellbio_results.zip")
as.h5ad(data, "output.h5ad")

# 加载必要的包
library(Seurat)  # 必须先加载Seurat包
library(ICellbioRpy)

# 读取数据
data <- read1Cellbio("../1Cellbio_results.zip")

# 转换为Seurat对象
seurat_obj <- as.Seurat(data,
                       rownames = "id",         # 基因名列
                       colnames = "cell_id")    # 细胞名列

# 转换为SingleCellExperiment对象
sce_obj <- as.SingleCellExperiment(data,
                                  rownames = "id",         # 基因名列
                                  colnames = "cell_id")    # 细胞名列

# 查看转换结果
print(seurat_obj)  # 显示Seurat对象信息
head(rownames(seurat_obj))  # 查看基因名
head(colnames(seurat_obj))  # 查看细胞名

# 可视化（如果数据包含UMAP等降维结果）
# DimPlot(seurat_obj, reduction = "umap", group.by = "level1class")

# 将R中的Seurat对象转换为Python可用的H5AD格式
seurat_to_h5ad(seurat_obj, "1Cellbio.h5ad")

# 高级选项
seurat_to_h5ad(seurat_obj, "1Cellbio.h5ad",
               default_assay = "RNA",
               layer = "data",
               include_reductions = TRUE,
               overwrite = FALSE,                  # 若目标存在，默认拒绝覆盖（可设TRUE允许）
               name_conflict = "make_unique")     # 基因/细胞命名冲突策略: make_unique|error

# 准备样本信息CSV文件
sample_info <- data.frame(
  Sample_id = c("sample1", "sample2"),
  mtx_fns = c("path/to/sample1/matrix.mtx.gz", "path/to/sample2/matrix.mtx.gz"),
  features_fns = c("path/to/sample1/features.tsv.gz", "path/to/sample2/features.tsv.gz"),
  barcodes_fns = c("path/to/sample1/barcodes.tsv.gz", "path/to/sample2/barcodes.tsv.gz")
)
write.csv(sample_info, "samples.csv", row.names = FALSE)

# 读取和整合
read_10x_mtx_to_h5ad(
  csv_file = "samples.csv",
  output_h5ad = "integrated.h5ad",
  min_counts_per_cell = 200
)

# 读取Stereo-seq GEF文件（带细胞边界）
stereo_data <- read_gef(
  file_path = "sample.cellbin.gef",
  bin_type = "cell_bins",
  include_cellborder = TRUE
)

# 转换为Seurat对象（自动保留细胞边界信息）
seurat_obj <- as.Seurat(stereo_data)

# 转换为SingleCellExperiment对象
sce_obj <- as.SingleCellExperiment(stereo_data)

# 空间可视化（带细胞边界）
plot_cells_with_borders(
  seurat_obj,
  color_by = "area",           # 按细胞面积着色
  show_borders = TRUE,         # 显示细胞边界
  border_color = "white"
)

# 内存优化读取（大文件处理）
stereo_subset <- read_gef(
  "large.cellbin.gef",
  max_cells = 5000,                           # 限制细胞数
  region = c(1000, 5000, 1000, 5000)        # 空间区域过滤
)

# 方法1：两步转换
stereo_data <- read_gef("sample.cellbin.gef", include_cellborder = TRUE)
stereo_to_h5ad(stereo_data, "output.h5ad", include_spatial = TRUE)

# 方法2：直接转换（推荐，内存高效）
gef_to_h5ad(
  gef_file = "sample.cellbin.gef",
  h5ad_file = "output.h5ad",
  bin_type = "cell_bins",
  include_cellborder = TRUE,    # cell_borders存储在adata.uns中
  include_spatial = TRUE,       # 空间坐标存储在adata.obsm中
  max_cells = 10000            # 内存管理
)

# 大文件处理：区域过滤 + 基因筛选
gef_to_h5ad(
  gef_file = "large_sample.cellbin.gef",
  h5ad_file = "filtered.h5ad",
  region = c(1000, 5000, 1000, 5000),      # 空间区域过滤
  gene_list = c("GAPDH", "ACTB", "CD45"),  # 基因过滤
  overwrite = TRUE
)

# H5AD转SingleCellExperiment
sce <- h5ad_to_sce("data.h5ad")

# H5AD转Seurat
seurat_obj <- h5ad_to_seurat("data.h5ad")

# 指定数据层
sce <- h5ad_to_sce("data.h5ad", use_x_as = "counts")

# 直接转换为H5AD格式
iCellbio2H5ad("1cellbio_results.zip", "analysis_data.h5ad")

# 读取数据
data <- read1Cellbio("1cellbio_results.zip")

# 转换为Seurat对象
seurat_obj <- as.Seurat.1CB(data)

# Seurat分析流程
library(Seurat)
seurat_obj <- FindVariableFeatures(seurat_obj)
seurat_obj <- RunPCA(seurat_obj)
seurat_obj <- FindClusters(seurat_obj)
DimPlot(seurat_obj, reduction = "umap")

# 创建样本信息文件
# 然后整合多个样本
read_10x_mtx_to_h5ad("samples.csv", "integrated.h5ad")