空间转录组数据分析环境搭建：使用 Conda 和 VSCode 实现本地/远程无缝开发

引言

空间转录组数据分析依赖大量 Python/R 包和系统级依赖，版本冲突是常见问题。Conda 作为环境管理工具，能够创建完全隔离、可移植的软件环境，确保分析流程的稳定性和可重复性。VSCode 作为轻量级但功能强大的编辑器，其 Remote 开发扩展允许开发者在本地编辑代码，而实际运行环境位于远程服务器或 WSL 子系统中，实现"本地手感，远程算力"的无缝体验。二者的结合，兼顾了环境配置的灵活性与开发效率，是生信分析的理想方案。

第一部分：基础设施

场景 A：如果你有远程 Linux 服务器

你需要准备的是：

服务器 IP 地址
用户名和密码
SSH 端口（默认22）

场景 B：如果你使用本地 Windows 电脑 (WSL2)

对于没有服务器，但又想体验 Linux 强大命令行工具的 Windows 用户，可以使用WSL2 (Windows Subsystem for Linux 2) ，它不是虚拟机，而是深度集成在 Windows 内的完整 Linux 内核。

1. 开启 WSL2

(注：要求 Windows 10 版本 2004+ 或 Windows 11)

以管理员身份打开 PowerShell。
输入命令：
复制代码
```
wsl --install
```
这条指令会自动开启必要的虚拟化功能，并默认下载安装 Ubuntu 发行版。
重启电脑。
重启后，Ubuntu 终端会自动弹出，提示你设置 UNIX 用户名和密码（注意：输入密码时屏幕不会显示，这是 Linux 的特性，放心输）。

为什么选择 WSL2 而不是虚拟机？

启动秒开：WSL 几乎瞬间启动，而 VM 需要几分钟。
文件互通 ：在 Linux 里可以直接访问 C 盘 (/mnt/c)，在 Windows 资源管理器里可以直接访问 Linux 文件 (\\wsl$)。
资源动态分配：不会像虚拟机那样预先切走你的内存，用多少占多少。

第二部分：VS Code连接一切

1. 下载与安装

去 code.visualstudio.com 下载安装。

2. 必装插件清单

打开 VS Code 左侧的扩展商店（四个方块的图标），搜索并安装：

Remote - SSH: 连接远程服务器的核心。
WSL: 连接本地 WSL 子系统的核心。
Python: 提供代码补全、调试。
R: 强大的 R 语言支持（LSP）。
Jupyter: 在 VS Code 里直接跑 Notebook。
Remote - Development: 这是一个插件包，包含了上面提到的 Remote 系列。

3. 连接 WSL (本地用户)

打开 VS Code。
点击左下角的绿色按钮 ><。
选择 **"Connect to WSL"**。
瞬间，你的 VS Code 窗口就"穿越"到了 Ubuntu 内部。打开终端（Ctrl+`），你会发现是 Linux 的 shell。

4. 连接远程服务器 (SSH)

基础连接

点击左下角的绿色按钮 ><。
选择 连接到主机。
点击加号 + 添加新的ssh主机，输入：ssh username@your_server_ip -p 22 -A。
按回车，选择配置文件保存位置（默认 C:\Users\YourName\.ssh\config）。
在列表中右键你的服务器，选择 **"Connect to Host in Current Window"**。
输入密码，连接成功。

进阶：配置免密登录 (Public Key Authentication)

每次输密码太烦？尤其是服务器网络波动掉线重连时。

在本地电脑生成密钥：打开本地终端（PowerShell 或 CMD）：
复制代码
```
ssh-keygen -t rsa -b 4096
```
一路回车。这会在 ~/.ssh/ 下生成 id_rsa (私钥) 和 id_rsa.pub (公钥)。
上传公钥到服务器 ：你需要把 id_rsa.pub 的内容追加到服务器的 ~/.ssh/authorized_keys 文件中。

方法一（手动）： 用记事本打开本地 id_rsa.pub，复制内容。登录服务器，运行：
复制代码
```
mkdir -p ~/.ssh
nano ~/.ssh/authorized_keys
# 粘贴内容，保存退出 (Ctrl+O, Enter, Ctrl+X)
chmod 600 ~/.ssh/authorized_keys
```
方法二（PowerShell 自动化）：
复制代码
```
type $env:USERPROFILE\.ssh\id_rsa.pub | ssh user@host "cat >> .ssh/authorized_keys"
```
配置 VS Code 的 Config 文件 ：打开 VS Code 的 SSH 配置文件，添加 IdentityFile 字段：
复制代码
```
Host MySuperServer
    HostName 192.168.1.100
    User xiaoming
    Port 22
    IdentityFile "C:\Users\XiaoMing\.ssh\id_rsa"
```
现在，你可以秒连服务器，无需密码。

第三部分：Conda环境管理

有了 Linux 环境（无论是远程还是 WSL），第一步绝不是安装软件，而是安装包管理器。

这里我们强烈推荐 **Miniforge (Mambaforge)**，而不是 Anaconda。

Anaconda：太臃肿，预装几百个你不需要的包。
Miniconda：干净，但默认解算器（Solver）速度慢。
Mamba ：C++ 重写的 Conda，速度快 10-100 倍，解决依赖冲突的能力极强。

1. 安装 Miniforge (自带 Mamba)

在你的 Linux 终端中执行：

复制代码

# 下载安装脚本
wget "https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-Linux-x86_64.sh"

# 执行安装
bash Miniforge3-Linux-x86_64.sh

# 一路 Enter，遇到 Do you wish the installer to initialize Miniforge3? 选 yes

安装完成后，重启终端 或输入 source ~/.bashrc。你会看到命令行前面多了一个 (base)。

2. 配置镜像源

空间转录组的包通常很大，如果不换源，下载速度会让你怀疑人生。编辑 ~/.condarc 文件：

复制代码

channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r/
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

🌟 环境一：python分析环境 (spatial-py)

复制代码

# 1. 创建环境，指定 python 版本（推荐 3.10 或 3.11）
mamba create -n spatial-py python=3.11

# 2. 激活环境
mamba activate spatial-py

# 3. 安装各种库
mamba install leidenalg spatialdata[extra]==0.4.0 scanpy==1.11.2 scikit-misc==0.5.1 squidpy==1.6.5 harmonypy==0.0.10 geosketch==1.3 igraph==0.11.8

# 5. 安装其他常用分析库
mamba install matplotlib seaborn pandas numpy scipy statsmodels scikit-learn

# 6. 安装 Jupyter 内核支持
mamba install ipykernel

🔍 避坑指南： 如果你在安装 squidpy 时遇到 GDAL 相关的报错，这通常是系统库缺失。使用 Conda 安装的好处是它会把这些二进制依赖都打包好。如果必须使用 pip 安装，请确保你已经安装了系统级的 libgdal-dev。

🌟 环境二：R 语言分析环境 (Spatial-R)

Seurat V5 对空间转录组的支持大幅增强。虽然在 Conda 里装 R 经常被诟病，但只要配置得当，它比在系统里编译 R 要方便得多。

复制代码

# 1. 创建环境，直接指定 R-base 版本（推荐 4.3+）
mamba create -n spatial-r r-base=4.3.1

# 2. 激活环境
mamba activate spatial-r

# 3. 安装关键的系统依赖（这一步至关重要！）
# 很多 R 包安装失败是因为缺了 Linux 的动态库，Conda 可以直接装这些库
mamba install -c conda-forge r-devtools r-hdf5r r-rgeos r-rgdal r-sf r-cairo r-png r-jpeg pkg-config libxml2 libgit2

# 4. 安装 R 内核以便在 VS Code 中使用
mamba install r-irkernel

# 5. 进入 R 终端安装生物信息包
R

在 R 终端内部：

复制代码

# 这里的安装我们使用 R 自己的 install.packages 或 devtools
# 因为 CRAN/Bioconductor 的包更新比 Conda 快

# 安装 Seurat V5
install.packages('Seurat')

# 安装 Bioconductor 基础
if (!require("BiocManager", quietly = TRUE))
    install.packages("BiocManager")

# 安装空间数据常用的读取库
BiocManager::install(c('rhdf5', 'limma', 'ComplexHeatmap'))

# 注册内核给 Jupyter
IRkernel::installspec(name = 'spatial-r', displayname = 'R (Spatial)')

第四部分：实战演练与工作流整合

现在，万事俱备。我们将演示如何在 VS Code 中调用刚才创建的 Conda 环境来跑一段空间转录组代码。

1. 项目文件管理

在连接到远程/WSL 的 VS Code 中：

File -> Open Folder。
创建一个项目文件夹，例如 /home/username/project_spatial。
新建一个 Jupyter Notebook 文件：analysis.ipynb。

2. 选择内核 (The Magic Step)

这是新手最容易卡住的地方：怎么让 VS Code 知道我要用 spatial-py 这个环境？

打开 analysis.ipynb。
点击右上角的 **"Select Kernel"**。
选择 **"Python Environments..."**。
列表里会自动显示出 Conda 检测到的环境。选择 spatial-py (Python 3.9)。 *(如果是 R 语言，选择 R 核心，然后选 spatial-r)*。

3. 测试代码 (Python 版)

复制代码

import scanpy as sc
import squidpy as sq

# 打印版本，确认环境无误
print(f"Scanpy version: {sc.__version__}")
print(f"Squidpy version: {sq.__version__}")

# 下载一个示例空间数据 (Visium)
# 注意：这需要网络连接，如果服务器不能联网，需手动下载数据
adata = sq.datasets.visium_fluo_image_crop()

# 简单的可视化
sq.pl.spatial_scatter(adata, color="cluster")

当你点击运行，图片直接渲染在 VS Code 内部。你可以缩放、保存，体验堪比本地 APP。

4. 解决"服务器无图形界面"报错

在做空间分析时，如果你用 matplotlib 直接 plt.show()，有时会报错 UserWarning: Matplotlib is currently using agg, which is a non-GUI backend。

解决方案 ：在 VS Code + Jupyter 模式下，这通常不是问题，因为 Jupyter 会内联显示图片。但如果你跑 .py 脚本，请确保开头加上：

复制代码

import matplotlib
matplotlib.use('Agg') # 设置为非交互式后端
import matplotlib.pyplot as plt

# 画图后必须保存，不能 show
plt.plot(...)
plt.savefig('result.png')