Linux一些錯誤總結

wget相對於瀏覽器來說，速度會比較偏慢，特別是國外的網站。

mwget是一個多線程下載應用，可以明顯提高下載速度。

mwget安裝步驟如下：

#!/bin/bash
wget http://jaist.dl.sourceforge.net/project/kmphpfm/mwget/0.1/mwget_0.1.0.orig.tar.bz2
yum install bzip2 gcc-c++ openssl-devel intltool -y #安裝一個c++編譯器
bzip2 -d mwget_0.1.0.orig.tar.bz2
tar -xvf mwget_0.1.0.orig.tar 
cd mwget_0.1.0.orig
./configure 　　#一般用來生成 Makefile，為下一步的編譯做准備，你可以通過在 configure 后加上參數來對安裝進行控制，比如代碼:./configure –prefix=/usr 意思是將該軟件安裝在/usr下面
make　　　　　　 #編譯，大多數的源代碼包都需經過這一步進行編譯
make install　　#開始安裝
#一般都需要在root權限下編譯安裝

類似的也有：CentOS7更換yum安裝源

若安裝mwget出現問題，可參考：mwget安裝常見問題

mwget源碼安裝

安裝系統需要的包就行，sudo yum install openssl-devel.x86_64

 

4、批量解壓zip文件時報錯

在嘗試使用單個zip命令解壓縮整個 zip 目錄，可能會出現以上報錯

*符號必須被轉義，因此，需要添加轉義符

unzip \*.zip

 你也可以參考文件名不匹配 尋找更多解決方法。

 

5、ImportError: /lib64/libc.so.6: version `GLIBC_2.25' 問題解決

安裝OrthoFinder 后，打印幫助文件時報錯如下

載入OrthoFinder時提示Glibc版本過低，需要升級到指定版本。

升級glibc版本前需要做好gcc，make，bison的升級。

gcc可以實現Linux上的多版本安裝，高版本的gcc安裝見后文。

# 安裝gcc-4.8
sudo yum install gcc-4.8
# 設置gcc-4.8的優先級
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc 40
# 設置gcc-8.2的優先級 //筆者新版gcc-8.2安裝至/usr/local/bin #此路徑根據實際情況更改，不可覆蓋/usr/bin/gcc
sudo update-alternatives --install /usr/bin/gcc gcc /usr/local/bin/gcc 50 #一般需要將新版本gcc安裝到其他目錄，在這一步寫出即可
# 修改系統中的默認gcc版本
sudo update-alternatives --config gcc

說明: 執行sudo update-alternatives --config gcc之后,就會跳出選項,輸入gcc版本對應的數字,就會選擇對應的gcc版本作為默認版本，如下圖。

#刪除多余版本時我們可以使用 --remove加以刪除
update-alternatives –remove java /usr/lib/jvm/jre1.6.0_20/bin/java

extra knowledge

上述update-alternatives的用於修改系統中命令的實際執行程序.

--install <鏈接> <名稱> <路徑> <優先級> 在系統中加入一組候選項

<鏈接>: /usr/bin/gcc 為系統中某命令的具體路徑,本文中指的就是在終端中執行gcc命令,會調用/usr/bin/gcc.

<名稱>: gcc 為在終端中執行的具體命令,本文中指gcc

<路徑>: /usr/bin/gcc-4.8和/usr/bin/gcc-5 為在終端中輸入命令后,具體的執行程序的路徑.本文中指在終端中輸入gcc,具體調用的程序路徑

<優先級>: 40和50,是一個整數，在自動模式下，這個數字越高的選項，其優先級也就越高。

--config <名稱> 列出 <名稱> 替換組中的可選項，並就使用其中哪一個，征詢用戶的意見。

<名稱>: 即上面說的終端中的具體命令, gcc

#首先要做好gcc，make，bison的更新
#盡量不要隨意更新glibc，更新出錯易導致系統崩潰。
#update to **gcc 8.2.0 :** 
$ gcc -v
$ yum -y install wget bzip2 gcc gcc-c++ glibc-headers
download package ：https://mirrors.tuna.tsinghua.edu.cn/gnu/gcc 
or
$ wget -c -P /software/ https://mirrors.tuna.tsinghua.edu.cn/gnu/gcc/gcc-8.2.0/gcc-8.2.0.tar.gz

$ cd /software/
$ tar -zxvf gcc-8.2.0.tar.gz
$ cd gcc-8.2.0
$ ./contrib/download_prerequisites   
result：
gmp-6.1.0.tar.bz2: OK
mpfr-3.1.4.tar.bz2: OK
mpc-1.0.3.tar.gz: OK
isl-0.18.tar.bz2: OK
All prerequisites downloaded successfully.
#如果上述這一步卡住，無反應，可以考慮手動下載依賴包到GCC源碼根目錄。如下：
wget http://ftp.gnu.org/pub/gnu/gmp/gmp-6.1.0.tar.bz2
wget http://ftp.gnu.org/gnu/mpfr/mpfr-3.1.4.tar.bz2
wget http://ftp.gnu.org/gnu/mpc/mpc-1.0.3.tar.gz
wget http://gcc.gnu.org/pub/gcc/infrastructure/isl-0.18.tar.bz2

#再次執行：
./contrib/download_prerequisites --no-verify

$ mkdir build
$ cd bulid
$ ../configure --prefix=/usr/local/gcc-8.2.0 --enable-bootstrap --enable-checking=release --enable-languages=c,c++ --disable-multilib

$ make 
My system execute make command at least 3 hours, please waiting it complete.

then: 
$ make install

$ echo -e '\nexport PATH=/usr/local/gcc-8.2.0/bin:$PATH\n' >> /etc/profile.d/gcc.sh && source /etc/profile.d/gcc.sh
$ ln -sv /usr/local/gcc-8.2.0/include/ /usr/include/gcc
$  ldconfig -v    

$ ldconfig -p |grep gcc
result: 
libgcc_s.so.1 (libc6,x86-64) => /lib64/libgcc_s.so.1
##check version 
$  gcc -v 
------------------------------------
**make 4.2.1:**
First download make 4.2.1 from https://ftp.gnu.org/gnu/make/
$ make -v 
$ tar -zxvf make-4.2.1.tar.gz
$ cd make-4.2.1
$ mkdir build
$ cd build
$ ../configure --prefix=/usr
$ sh build.sh
$ make install
check result 
$make -v
----------------------------------------
**bison 3.0.4**
$ bison -V
if not found result ,need install:
$ yum install -y bison
--------------------------------------------------------
all complete , you can install glibc-2.28

download glibc-2.28 from http://ftp.gnu.org/gnu/glibc. 
put it into /software

You can adopt the following steps：

$ tar -xf glibc-2.28.tar.gz
$ cd glibc-2.28
$ mkdir build
$ cd build
$ ../configure --prefix=/usr --disable-profile --enable-add-ons --with-headers=/usr/include --with-binutils=/usr/bin

$ make
$ make install 
$ ls -l /lib64/libc.so.6

Last, check version : 
$ strings /lib64/libc.so.6 | grep GLIBC
.....
GLIBC_2.26
GLIBC_2.27
GLIBC_2.28
GLIBC_PRIVATE

It's completed .

Other : 
bootstarp Directus , maybe get error: 
Import Error: /usr/lib64/libstdc++.so.6: version `CXXABI_1.3.8' not found, you reed update CXXABI : 

$ strings /usr/lib64/libstdc++.so.6 | grep 'CXXABI'

download:[ libstdc++.so.6.0](https://www.02405.com/uploads/soft/201124/1-2011241A414.zip)
put it into /usr/lib64 

$  cd /usr/lib64
$ rm -rf libstdc++.so.6
$ ln -s libstdc++.so.6.0.22 libstdc++.so.6

注：解壓gmp-6.1.0.tar.bz2這個文件時，可能會報錯(未提前安裝bzip2)，如下：

因此需要安裝 bzip2 解壓。

yum install bzip2

如果還不行，可以考慮直接把 .bz2 的壓縮包在 windows 上解壓的目錄拷貝到 CentOS GCC 源碼根目錄下解決。

再次執行：
./contrib/download_prerequisites --no-verify

運行成功，如下：
All prerequisites downloaded successfully.

編譯安裝glibc時報錯

Reference

1. ImportError: /lib64/libc.so.6: version `GLIBC_2.17' 問題解決
2. 更新 GLIBC_2.17 到更高版本
3. glibc的升級以及相關錯誤解決
4. ./contrib/download_prerequisites沒有反應
5. 如何設置多個版本gcc
6. Linux如何替換低版本gcc
7. 使用update-alternatives命令進行版本的切換
8. glibc安裝完全版

 

 

6、python查看庫是否安裝

如上圖 python -c "import moudle"

即可查看相關模塊是否安裝^[1]

之后可以使用pip 命令安裝 -i加上國內鏡像加快下載速度

如pip install -i https://mirrors.cloud.tencent.com/pypi/simple numpy

注：其他國內鏡像源：

源名	源地址
騰訊源	https://mirrors.cloud.tencent.com/pypi/simple
阿里源	http://mirrors.aliyun.com/pypi/simple/
豆瓣源	http://pypi.douban.com/simple/
清華源	https://pypi.tuna.tsinghua.edu.cn/simple/

 

 或者通過腳本自動查看

'''
Author: your name
Date: 2021-03-31 16:58:02
LastEditTime: 2021-03-31 18:02:00
LastEditors: your name
Description: In User Settings Edit
FilePath: \Eddy_Compare_data\檢測第三方庫是否存在_如果不存在則導入庫.py
在導入第三方庫的時候，
'''


import os 
libs = ['numpy']  #羅列需要使用的庫名稱，避免因為沒有第三方庫報錯

url = r'https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple/'  #清華鏡像網站
try:
    import numpy as np

    print('Input library successful')
except ModuleNotFoundError:
	print('Failed SomeHow')
	for lib in libs:
		print("Start install {0}".format(lib))
		os.system('pip install %s -i %s'%(lib,url))
		print('{0} install successful'.format(lib))
	print('All install successful ')
	import numpy as np

for i in np.arange(10):
	print(i)

 

 

Rerfence:

1. Python 安裝和依賴管理

 

 

7、 error while loading shared libraries: libbz2.so.1.0

當時是安裝了R包sleuth，安裝完后出現了上圖報錯

發現libbz2 本來應該是sleuth依賴包 bzip2 安裝時自動裝到 anaconda 文件夾下 lib 里的動態庫，老版本的 anaconda 由於下載源不同，導致了 libbz2 的缺失：

參考^[1]時發現可以有以下解決方法，不過當時問題沒有得到解決

解決方法^[1]:

1. 更新 anaconda，我之前用的是 3.3.2，直接更新到最新版，完美運行。
2. conda config --remove channels 'bzip2的下載源'，刪除掉它
3. 修改~/.condarc文件提高conda-forge的優先級，也就是把conda-forge 放在channels 列表的第一位

之后在/usr/lib64/文件夾下面找了找，看到了類似的文件，同樣在lib文件下，名稱類似，推測起着相同的作用

不過因為沒有root權限，無法直接建立軟鏈接，因此選擇cp 復制

不過又發現了新的報錯“undefined symbol: PC”

推測是在顯示的“ /home/user/…/…/”路徑下，libreadline.so.6文件出現了問題

使用locate libreadline.so.6 發現查看該文件出現的位置

采取前文步驟，試試cp復制后效果

問題解決。

好吧，發現重啟之后又出現了類似問題，不想再修改了，因此選擇用本機的R環境

安裝sleuth^[2]並進行后續差異基因分析

步驟如下：

#R包sleuth安裝
source("http://bioconductor.org/biocLite.R")
biocLite("rhdf5")
install.packages("devtools")
devtools::install_github("pachterlab/sleuth")
#if error try next#

#基本安裝框架
if (!require("BiocManager", quiet = TRUE))
  install.packages("BiocManager")

BiocManager::install("rhdf5")

if (!require("BiocManager", quietly = TRUE))
  install.packages("BiocManager")

BiocManager::install(version = "3.14")
BiocManager::install("devtools")

devtools::install_github("pachterlab/sleuth")
#基本安裝框架

 之后就可以library (sleuth) 愉快的進行后續分析了。

 

Reference：

1. error while loading shared libraries
2. download r-sleuth

 

8、Makefile:148: recipe for target 'R.bin' failed

仔細檢查，build的文件已經生成了，所以執行make clean 清除上一次生成的可執行文件，再次執行make命令，ok搞定了

注意：make報錯的原因有很多種，make clean只是其中一種，如果make clean后，執行命令還不成功的話，就要考慮是否是編碼空格等導致的問題

 

9、單細胞擬時序分析monocle軟件error

1.第一個報錯是在運行orderCells函數時，Error in if (class(projection) != "matrix") projection <- as.matrix(projection) :the condition has length > 1，解決辦法：R退回<4.2版本即可，必應搜索也有修改函數的其他解決辦法，可以自行嘗試；

2.第二個報錯是在reduceDimension函數運行，方法選擇為DDRTree時會報錯，具體錯誤記不清了，解決辦法就是：把DDRTree這個包退回到0.1.4版本！具體版本可以去cran下載。

筆者在終端使用R環境時，常常因為沒有root權限時而欲罷不能，且因為某些包只支持特定版本的R，非root權限下配置好服務器上的多版本R就成為了必需手段。除配置一個主要的R環境外，其余版本R建議在conda環境下配置，避免接踵而來的沖突問題。

R basic

 R-4.2.0.tar.gz ##下載R安裝包
tar -xvf R-4.2.0.tar.gz ##解壓
cd R-4.2.0 ##進入解壓好的目錄
./configure --prefix=/data5/tan/zengchuanj/Software/R-4.2.0 ##編譯和安裝
make  ##執行完后觀察出現的信息，若出現報錯則不需執行make install
make install ##完成安裝

bzip2-latest.tar.gz ##下載bzip2
tar -xvf bzip2-latest.tar.gz  ##解壓bzip2
cd bzip2-latest  ##進入解壓好的bzip2路徑
./configure --prefix=/data5/tan/zengchuanj/Software/bzip2 ##編譯和安裝
make
make install

pcre-8.41.zip  ##下載pcre
unzip -xvf pcre-8.41.zip ##解壓pcre
cd pcre-8.41  ##進入解壓好的pcre路徑
./configure --prefix=/data5/tan/zengchuanj/Software/pcre ##編譯和安裝
make
make install

xz-5.2.5.tar.gz ##下載xz
tar -xvf xz-5.2.5.tar.gz ##解壓xz
cd xz-5.2.5 ##進入解壓好的xz路徑
./configure --prefix=/data5/tan/zengchuanj/Software/xz ##編譯和安裝
make
make install

zlib-1.2.11.tar.gz ##下載zlib
tar -xvf zlib-1.2.11.tar.gz  ##解壓zlib
cd zlib-1.2.11  ##進入解壓好的zlib路徑
./configure --prefix=/data5/tan/zengchuanj/Software/zlib  ##編譯和安裝
make
make install

##安裝R包時報錯不支持https，則需先安裝openssl；再安裝curl
openssl-1.1.1j.tar.gz ##下載openssl
tar -xvf openssl-1.1.1j.tar.gz ##解壓openssl
cd openssl-1.1.1j ##進入解壓好的openssl路徑
./configure --prefix=/data5/tan/zengchuanj/Software/openssl ##編譯和安裝
make
make install 

##下載安裝curl
cd curl-7.75.0
./configure --prefix=/data5/tan/zengchuanj/Software/curl --with-ssl=/data5/tan/zengchuanj/Software/openssl
make
make install
###特別注意：安裝好curl后，需將curl加入到環境變量中，否則后面仍然會報錯不支持https
export PATH="/data5/tan/zengchuanj/Software/curl:$PATH"
export LD_LIBRARY_PATH=/data5/tan/zengchuanj/Software/curl/lib:$LD_LIBRARY_PATH
export CFLAGS="-fPIC -I/data5/tan/zengchuanj/Software/curl/include"
export LDFLAGS="-fPIC -L/data5/tan/zengchuanj/Software/curl/lib"
export PATH=$PATH:$JAVA_HOME/bin:/data5/tan/zengchuanj/Softerware/curl/bin
export PATH="/data5/tan/zengchuanj/Software/curl/bin:$PATH"

此外配置好~/目錄下的.Renviron和.Rprofile的相關信息，就基本完成了^[1]。

conda配置不同版本R的方法比較簡單，這里就不贅述了。

switch_R.sh

#!/bin/bash
# switch R version
case $1 in
1)
export PATH="/usr/bin/Rscript:$PATH"
export PATH="/usr/bin/R:$PATH"
export R_HOME="/data5/tan/zengchuanj/pipeline/R_exercise"
;;
2)
export PATH="/data5/tan/zengchuanj/Software/R-4.2.0/bin:$PATH"
export R_HOME="/data5/tan/zengchuanj/pipeline/R_exercise"
echo R_LIBS_USER="/data5/tan/zengchuanj/Software/R-4.2.0/R_Packages" > ~/.Renviron
;;
3)
export PATH="/data5/tan/zengchuanj/miniconda3/envs/R4/envs/r1/bin/R:$PATH"
export PATH="/data5/tan/zengchuanj/miniconda3/envs/R4/envs/r1/bin/Rscript:$PATH"
export R_HOME="/data5/tan/zengchuanj/pipeline/R_exercise"
echo R_LIBS_USER="/data5/tan/zengchuanj/miniconda3/envs/R4/envs/r1/lib/R/library" > ~/.Renviron
;;
*)
echo "Invalid R version"
exit 1
;;
esac

 

大功告成！

Ref：

1. 非root權限的情況下在linux服務器中安裝R

 

10、CellChat ERROR

10.1 Error in unit(height, "cm") : 'x' and 'units' must have length > 0

Calls: netAnalysis_signalingRole_network -> Heatmap -> unit

#報錯代碼為
pdf(paste(output,"/",prefix,"/","Network_center_weight.pdf",sep = ""),width = width, height = height)
p <- netAnalysis_signalingRole_network(cellchat,signaling = pathways.show, font.size = 10，height=height,width=width)
dev.off()

這個錯誤表示在調用unit()函數轉換單位時,參數x的長度為0導致錯誤。

unit()函數的使用格式是:

```r
unit(x, units)
```

這里:
- x: 需要轉換單位的數值向量  
- units:目標的單位

根據錯誤信息,在netAnalysis_signalingRole_network函數中調用Heatmap時,傳給unit()函數的height參數長度為0。

常見原因包括:

1. height參數在上游被錯誤設置為長度為0的向量
2. height參數在傳遞中丟失,變成了空向量
3. Heatmap內部邏輯錯誤,導致height被錯誤設置為空
4. pdf畫布展開時如果已經設置了height與width，畫圖函數如果仍然設置相關內容，就可能引起此類報錯

解決方法:

1. 打印height參數,確認其長度是否為0

2. 測試上游函數,確保正確傳遞height參數，如畫圖函數刪除設置的width和height

3. 檢查Heatmap內部邏輯,找到導致錯誤的位置

4. 確認visualization函數需要的height格式

5. 傳入長度大於0的height參數

主要是需要跟蹤參數傳遞,找到導致向量長度錯誤的位置,傳入正確長度的height參數,才能解決該問題。

 

10.2 Error in UseMethod("grid.draw") :

no applicable method for 'grid.draw' applied to an object of class "list"

Calls: ggsave -> grid.draw

Execution halted

這個錯誤是因為試圖將一個列表(list)對象傳遞給 ggsave 來保存圖形,但是 ggsave 中的 grid.draw 函數不知道如何處理列表對象。

ggsave 的用法是:

輸入一個 ggplot 對象
轉換為 grob 對象
用 grid.draw 繪制 grob 對象
保存繪制結果
所以這里錯誤的原因是你傳入的不是一個 ggplot 對象,而是一個列表,grid.draw 不知道如何處理列表並繪制圖形。

解決方法是:

檢查你傳入 ggsave 的對象,需要是一個 ggplot 圖形對象
打印出對象來檢查它的類是否為 "ggplot"
如果是列表對象,需要先轉換為 ggplot 對象
可以使用 ggplot2::last_plot() 來獲取最后繪制的圖形
將 last_plot() 傳入 ggsave 來保存圖形
也可以用其他函數將列表轉換為 ggplot 對象
所以主要是需要確保 ggsave 接收到一個 ggplot 對象,而不是其他類型的對象,它才能正常保存圖形。

#報錯源碼
cellchat <- aggregateNet(cellchat)
# 計算每種細胞各有多少個
groupSize <- as.numeric(table(cellchat@idents))
par(mfrow = c(1,2), xpd = TRUE)
p <- netVisual_circle(cellchat@net$count, vertex.weight = groupSize, weight.scale = T,
                 label.edge = F, title.name = "Number of interactions")
p <- netVisual_circle(cellchat@net$weight, vertex.weight = groupSize, weight.scale = T,
                 label.edge = F, title.name = "Interaction weights/strength")
ggsave(paste(output,"/",prefix,"/","Cells_count.summary.plot.pdf",sep = ""), 
       plot = p, width = width, height = height)

cellchat <- aggregateNet(cellchat)
# 計算每種細胞各有多少個
groupSize <- as.numeric(table(cellchat@idents))
par(mfrow = c(1,2), xpd = TRUE)
p <- replayPlot(netVisual_circle(cellchat@net$count, vertex.weight = groupSize, weight.scale = T,
                 label.edge = F, title.name = "Number of interactions"))
p <- replayPlot(netVisual_circle(cellchat@net$weight, vertex.weight = groupSize, weight.scale = T,
                 label.edge = F, title.name = "Interaction weights/strength"))
ggsave(paste(output,"/",prefix,"/","Cells_count.summary.plot.pdf",sep = ""), 
       plot = p, width = width, height = height)

p <- replayPlot(netVisual_aggregate(cellchat, signaling = pathways.show, 
                                    vertex.receiver = vertex.receiver))
ggsave(paste(output,"/",prefix,"/","signaling_pathway.Hierarchy.plot.pdf",sep = ""), plot = p, width = width, height = height)

# 網絡圖(circle plot)
par(mfrow = c(1,1))
p <- replayPlot(netVisual_aggregate(cellchat, signaling = pathways.show, 
                                    layout = 'circle'))
ggsave(paste(output,"/",prefix,"/","signaling_pathway.circle.plot.pdf",sep = ""), plot = p, width = width, height = height)

# 和弦圖(chord diagram)
par(mfrow = c(1,1))
p <- replayPlot(netVisual_aggregate(cellchat, signaling = pathways.show, 
                                    layout = 'chord'))
ggsave(paste(output,"/",prefix,"/","signaling_pathway.chord.diagram.pdf",sep = ""), plot = p, width = width, height = height)

explanation

 在R中，你可以使用`recordedplot`對象中的數據來創建一個ggplot對象。以下是一個示例：
首先，創建一個`recordedplot`對象並繪制一個簡單的散點圖：

```R
library(ggplot2)

# 創建一個 recordedplot 對象
recorded_plot <- recordPlot({
  plot(mpg ~ hp, data = mtcars, pch = 19)
})
```

現在，你可以使用以下步驟將`recordedplot`對象轉換為ggplot對象：
1. 使用`replayPlot()`函數從`recordedplot`對象中獲取繪圖數據：

```R
replayed_plot <- replayPlot(recorded_plot)
```

2. `replayPlot()`函數將返回一個`ggplot`對象，其中包含了與原始繪圖相同的數據和圖形參數。你可以對其進行進一步的自定義和修改。
例如，你可以在ggplot對象上添加其他圖層或修改標簽：

```R
replayed_plot +
  geom_smooth(method = "lm") +
  labs(
    title = "Scatterplot of MPG vs. Horsepower",
    x = "Horsepower",
    y = "MPG"
  )
```

在這個示例中，我們使用`geom_smooth()`函數添加了一個線性擬合的平滑曲線，並使用`labs()`函數修改了標題和軸標簽。
通過這種方式，你可以從`recordedplot`對象創建一個可進一步自定義和修改的ggplot對象。這樣你可以充分利用ggplot2庫提供的豐富功能來創建精美的數據可視化。

 

10.3 Error in slot(object, slot.name)$prob[, , signaling] :

incorrect number of dimensions

Calls: replayPlot -> netVisual_heatmap

Execution halted

這個錯誤表示在訪問一個對象的slot時,維度數量不正確。
從錯誤信息來看,問題出在:
1. replayPlot函數調用了netVisual_heatmap。
2. netVisual_heatmap試圖訪問object對象的名為slot.name的slot。
3. 然后對其中的prob向量進行了三維索引。
4. 但prob向量的維度不為3,因此報錯。

出現這個錯誤的主要原因通常有:
1. slot中的向量和代碼中的假設不匹配,例如slot是一維向量,但代碼索引為二維或三維。
2. slot的名稱填錯,提取了錯誤的slot。
3. 對象被更改為NULL,丟失了slot信息。
4. 對象的類定義改變,slot名稱或內容變了。

解決方法是:

1. 打印slot對象,檢查其維度和名稱是否與代碼操作匹配。
2. 查閱相關類定義的文檔,確認slot的格式。
3. 逐步檢查replayPlot和netVisual_heatmap的代碼。 
4. 確保每步操作對象的類和slot都無誤。
5. 在訪問slot前檢查對象是否為NULL。
主要還是需要打印並驗證對象、slot的實際維度和名稱,與代碼邏輯相符,才能避免此類錯誤。

#報錯源碼
par(mfrow = c(1,1))
pdf(paste(output,"/",prefix,"/","signaling_pathway.Heatmap.pdf",sep = ""), width = width, height = height)
p <- replayPlot(netVisual_heatmap(cellchat, signaling = pathways.show,
                                  color.heatmap = 'Reds'))
dev.off()

因而此錯誤需要刪除replayPlot函數的引用。

 

10.4 error: trying to get slot "short_flag" from an object of a basic class ("NULL") with no slots

#報錯源碼
option_list <- list(
make_option(c("-p","--pattern"),type="character",default = NULL,
              action= "store",help="choose two patterns c(outgoing,incoming)"
  )
)

patterns <- eval(parse(text = opt$pattern))            

這個錯誤意味着代碼試圖從一個沒有slot的基類對象NULL中獲取名為"short_flag"的slot。
在R中,S3和S4對象可以包含名為slot的屬性,但基類如NULL、numeric、character等就無法包含slot。

這個錯誤通常在以下情況下出現:
1. 代碼假定某個對象包含slots,但實際上該對象為NULL。
2. 對一個基類對象錯誤地使用了@或slot()語法。
3. 一個函數期待獲得一個S3/S4對象,但傳入的參數是NULL。
4. 包中的類定義發生變化,原有的slot不再存在。

為了解決這個問題,可以檢查:
1. 對象在傳入函數前是否被錯誤地設置為了NULL。
2. 是否傳入了錯誤的對象類型。
3. slot的名稱是否正確。
4. 文檔中類定義是否發生改變。
5. 是否可以處理對象為NULL的情況。
主要就是需要明確對象的類型,一個基類對象是不含slot的,如果需要獲得slot,必須首先確保傳入的是正確的S3或S4對象,否則會導致這種錯誤。

 此處需要將default設置為一字符串，如default="c(2,2)"的字符串格式。

 

10.5 Error: $ operator not defined for this S4 class

Execution halted

explanation

這個錯誤表示在一個S4類對象上使用$運算符時發生錯誤,因為該類沒有定義$方法。
在R中,S4對象采用面向對象的方法進行設計,使用類和方法定義對象屬性和操作。
與S3對象不同,S4對象的屬性訪問需要通過特定的get/set方法,不能直接使用$符號。

這個錯誤通常在以下情況發生:
1. 代碼直接在S4對象上使用$訪問屬性,但類沒有定義相應的get方法。
2. 假定對象是S3類,但其實是S4類。
3. 更新包后類定義發生改變,原有的$訪問方式失效。
4. 沒有通過@語法或get/set方法訪問對象的slot。

解決方法是:
1. 使用對象的get方法訪問屬性,不要使用$。
2. 檢查對象是否為S4類型並使用@或get/set方法。
3. 查閱文檔以了解類的定義。
4. 將對象作為S4對象處理,不要假定其為S3。
5. 如果類定義改變,需要更新相應的代碼。
主要是需要區分S3和S4對象,並使用對應類定義的方法進行屬性訪問,不要對S4對象直接使用$運算符。

 ？？？

10.6 cellchat采用信號網絡的流行學習與分類

此處采用pip install umap-learn即可解決

如若有以下報錯：No such strategy for futures: ‘multiprocess’ 

This issue can be solved to switch to an argument do.parallel = FALSE in the netClustering function.

 

10.7 Cellchat包安裝錯誤

Error: package or namespace load failed for ‘CellChat’ in dyn.load(file, DLLpath = DLLpath, ...): unable to load shared object '/data5/tan/zengchuanj/miniconda3/envs/r4.2.3/lib/R/library/00LOCK-CellChat-1.5.0/00new/CellChat/libs/CellChat.so': /data5/tan/zengchuanj/miniconda3/envs/r4.2.3/lib/R/library/00LOCK-CellChat-1.5.0/00new/CellChat/libs/CellChat.so: invalid ELF header Error: loading failed Execution halted ERROR: loading failed * removing ‘/data5/tan/zengchuanj/miniconda3/envs/r4.2.3/lib/R/library/CellChat’ Warning message: In install.packages("CellChat-1.5.0.tar.gz") : installation of package ‘CellChat-1.5.0.tar.gz’ had non-zero exit status zengchuanj@bbdkmust3-TS860M5:~$ Rscript -e "devtools::install_github("sqjin/CellChat")" Error in lapply(repo, github_remote, ref = ref, subdir = subdir, auth_token = auth_token, : object 'sqjin' not found Calls: <Anonymous> -> <Anonymous> -> lapply Execution halted

 

錯誤消息中提到了一個名為`CellChat.so`的共享對象（shared object），它似乎存在問題，導致加載失敗。這種問題通常與二進制兼容性有關，可能是因為共享對象編譯時與當前系統不兼容。

以下是一些可能的解決方法：
1. **重新編譯包**：
   嘗試重新編譯`CellChat`包，確保系統和R版本兼容。首先，確保R版本是最新的，並且你已經安裝了編譯工具和依賴項。然后，從源代碼重新安裝`CellChat`包，而不是從二進制文件安裝。你可以使用以下命令：
   ```R
   install.packages("CellChat", type = "source")
   ```
   這將從源代碼編譯並安裝`CellChat`包。

2. **檢查R版本**：
   確保你正在使用的R版本與`CellChat`包的要求兼容。檢查`CellChat`包的文檔或官方網站，以獲取有關支持的R版本的信息。
3. **清理舊文件**：
   有時舊的二進制文件或緩存文件可能會導致問題。嘗試刪除舊的`CellChat`包和緩存文件，然后重新安裝：
   ```R
   remove.packages("CellChat")
   ```
   然后再次嘗試安裝。
4. **聯系包的維護者**：
   如果上述方法都無法解決問題，可能需要聯系`CellChat`包的維護者或社區，以獲取進一步的支持和建議。他們可能已經遇到過類似的問題並提供了解決方法。
請注意，如果你在使用特殊的環境或操作系統（如容器、虛擬環境等），可能需要額外的步驟來確保包的兼容性。在這種情況下，查看相關環境的文檔或社區支持也是一個好主意。

這一錯誤暫時不知道如何解決，只得從本地打包了一個CellChat

 

11、conda中的R包安裝error

Error：/bin/sh: 1: x86_64-conda-linux-gnu-cc: Permission denied

 /bin/sh: 1: x86_64-conda-linux-gnu-cc: Permission denied
/data5/tan/zengchuanj/miniconda3/envs/R4/envs/r4.1.2/lib/R/etc/Makeconf:170: recipe for target 'base64.o' failed
make: *** [base64.o] Error 126
ERROR: compilation failed for package ‘jsonlite’
* removing ‘/data5/tan/zengchuanj/miniconda3/envs/R4/envs/r4.1.2/lib/R/library/jsonlite’
ERROR: dependency ‘jsonlite’ is not available for package ‘argparse’
* removing ‘/data5/tan/zengchuanj/miniconda3/envs/R4/envs/r4.1.2/lib/R/library/argparse’

The downloaded source packages are in
        ‘/tmp/Rtmpaf7TjS/downloaded_packages’
Updating HTML index of packages in '.Library'
Making 'packages.html' ... done
Warning messages:
1: In install.packages("argparse") :
  installation of package ‘jsonlite’ had non-zero exit status
2: In install.packages("argparse") :
  installation of package ‘argparse’ had non-zero exit status
(base) zengchuanj@bbdkmust3-TS860M5:~$ x86_64-conda-linux-gnu-cc
-bash: /data/anaconda3/bin/x86_64-conda-linux-gnu-cc: Permission denied
(base) zengchuanj@bbdkmust3-TS860M5:~$ conda env list
# conda environments:
#
                         /data5/tan/zengchuanj/miniconda3
base                  *  /data5/tan/zengchuanj/miniconda3/envs/R4
r4.1.2                   /data5/tan/zengchuanj/miniconda3/envs/R4/envs/r4.1.2
rstudio                  /data5/tan/zengchuanj/miniconda3/envs/R4/envs/rstudio

(base) zengchuanj@bbdkmust3-TS860M5:~$ cat .R/Makevars
#F77 = /usr/bin/gfortran
#FC = $F77
#FLIBS = -L/usr/bin/gfortran
#CC=/data5/tan/zecngahunj/miniconda3/envs/R4/envs/r4.1.2/bin/x86_64-conda-linux-gnu-cc
#CXX=/data5/tan/zengchuanj/miniconda3/envs/R4/envs/r4.1.2/bin/x86_64-conda-linux-gnu-c++

在給conda中的R環境安裝R包時出現上述報錯，在Makevars配置好C語言編譯器后才能使用，但conda虛擬環境中的R編譯器應為自動指定的

Solve ways

 conda install -c anaconda gcc_linux-64
conda install -c anaconda gxx_linux-64
conda install -c anaconda gfortran_linux-64

此報錯與/bin/sh: x86_64-conda_cos6-linux-gnu-c++: command not found類似
C++ compiler do not work
checking whether the C++ compiler works... no
configure: error: in `/tmp/Rtmp55Xpue/R.INSTALL40bf8a6bd489/BiocParallel':
configure: error: C++ compiler cannot create executables
See `config.log' for more details
ERROR: configuration failed for package ‘BiocParallel’
* removing ‘/data5/tan/zengchuanj/miniconda3/envs/R4/envs/rstudio/lib/R/library/BiocParallel’
ERROR: dependency ‘BiocParallel’ is not available for package ‘BiocNeighbors’
* removing ‘/data5/tan/zengchuanj/miniconda3/envs/R4/envs/rstudio/lib/R/library/BiocNeighbors’

 

問題解決！

 

warning libmamba Added empty dependency for problem type SOLVER_RULE_UPDATE

warning  libmamba Added empty dependency for problem type SOLVER_RULE_UPDATE
Solving environment: | warning libmamba Added empty dependency for problem type SOLVER_RULE_UPDATE failed
LibMambaUnsatisfiableError: Encountered problems while solving:
- cannot install both pin-1-1 and pin-1-1
- package python-3.12.0-hab00c5b_0_cpython requires ncurses >=6.4,<7.0a0, but none of the providers can be installed
Could not solve for environment specs
The following packages are incompatible
├─ samtools 1.11 would require

│ └─ htslib >=1.11,<1.19.0a0 , which cannot be installed (as previously explained);

├─ samtools 1.12 would require

│ └─ htslib >=1.12,<1.19.0a0 , which cannot be installed (as previously explained);

├─ samtools 1.13 would require

│ └─ htslib >=1.13,<1.19.0a0 , which cannot be installed (as previously explained);

├─ samtools [1.14|1.15|1.15.1] would require

│ └─ htslib [>=1.14,<1.19.0a0 |>=1.15,<1.19.0a0 ], which cannot be installed (as previously explained);

├─ samtools [1.15.1|1.16.1] would require

│ └─ htslib >=1.16,<1.19.0a0 , which cannot be installed (as previously explained);

├─ samtools [1.16.1|1.17|1.18] would require

│ └─ htslib [>=1.17,<1.18.0a0 |>=1.17,<1.19.0a0 ], which cannot be installed (as previously explained);

├─ samtools [1.3|1.3.1|1.6] would require

│ └─ openssl >=3.1.0,<4.0a0 , which conflicts with any installable versions previously reported;

├─ samtools [1.3|1.3.1|1.6] would require

│ ├─ curl >=7.81.0,<8.0a0 , which cannot be installed (as previously explained);

│ └─ openssl >=1.1.0,<=1.1.1 , which conflicts with any installable versions previously reported;

├─ samtools [1.3|1.3.1|1.6] would require

│ └─ openssl >=1.1.1l,<1.1.2a , which conflicts with any installable versions previously reported;

├─ samtools 1.9, which cannot be installed (as previously explained);

└─ samtools 1.9, which cannot be installed (as previously explained).

Pins seem to be involved in the conflict. Currently pinned specs:

- python 3.12.* (labeled as 'pin-1')

這個警告信息來自conda的libmamba庫,在解決環境的時候添加了一個空的依賴關系來處理SOLVER_RULE_UPDATE類型的問題。
在conda安裝或更新包時,它需要解決一個復雜的優化問題來確定包的最佳版本組合。libmamba是conda的優化求解器。
SOLVER_RULE_UPDATE類型可能表示在更新某個包時,需要處理其依賴關系。為了讓求解器能繼續運行,libmamba添加了一個空依賴作為補丁解決方案。

 此Warnings來自於conda安裝deeptools等依賴python的包時出現，推測可能是python版本不適配

 回退python版本至3.10.0，此Warning解除，且不報錯。

 

 

12、pyscenic的安裝及使用問題

12.1 pyscenic的安裝問題

conda create -n pyscenic
conda activate pyscenic
conda install mamba -y
mamba install python=3.7 -y
mamba install numpy cytoolz scanpy -y
#也可只用conda安裝
#安裝 pyscenic 
pip install pyscenic 

當未配置好pip的相關鏡像時，會出現如下報錯

#設置pip鏡像
pip config set global.index-url http://pypi.tuna.tsinghua.edu.cn/simple
pip config set global.trusted-host pypi.tuna.tsinghua.edu.cn

over！

 

12.2 pyscenic的使用問題

ValueError: Intersection of gene_names and tf_names is empty.

 preparing dask client
parsing input
not shutting down client, client was created externally
finished
Traceback (most recent call last):
File "/data5/tan/zengchuanj/miniconda3/envs/pyscenic/bin/pyscenic", line 8, in 
sys.exit(main())
File "/data5/tan/zengchuanj/miniconda3/envs/pyscenic/lib/python3.7/site-packages/pyscenic/cli/pyscenic.py", line 713, in main
args.func(args)
File "/data5/tan/zengchuanj/miniconda3/envs/pyscenic/lib/python3.7/site-packages/pyscenic/cli/pyscenic.py", line 111, in find_adjacencies_command
seed=args.seed,
File "/data5/tan/zengchuanj/miniconda3/envs/pyscenic/lib/python3.7/site-packages/arboreto/algo.py", line 41, in grnboost2
early_stop_window_length=early_stop_window_length, limit=limit, seed=seed, verbose=verbose)
File "/data5/tan/zengchuanj/miniconda3/envs/pyscenic/lib/python3.7/site-packages/arboreto/algo.py", line 115, in diy
expression_matrix, gene_names, tf_names = _prepare_input(expression_data, gene_names, tf_names)
File "/data5/tan/zengchuanj/miniconda3/envs/pyscenic/lib/python3.7/site-packages/arboreto/algo.py", line 229, in _prepare_input
raise ValueError('Intersection of gene_names and tf_names is empty.')
ValueError: Intersection of gene_names and tf_names is empty.

這個錯誤是在使用pyscenic的find_adjacencies命令時觸發的,錯誤原因是:
gene_names和tf_names的交集為空。
在pyscenic的GRN推斷過程中,gene_names表示所有基因的名稱,tf_names表示transcription factor(轉錄因子)的名稱。
它要求tf_names必須是gene_names的一個子集,也就是二者需要有交集,而不能完全不相交。
但是這里gene_names和tf_names提供的基因名完全沒有重疊,所以報錯了。
解決方法是:
確認tf_names是否正確,包含了想考慮的轉錄因子。
檢查gene_names是否對應了表達式矩陣里的所有基因。
確保tf_names是gene_names的子集,二者有重疊的轉錄因子。
如果不能確保有重疊,可以設置tf_names為空,讓pyscenic自動檢測。
升級pyscenic到最新版本以防bug。
總之,需要保證使用的轉錄因子列表是表達矩陣中所有基因的子集,這樣pyscenic才能正常運行。

ValueError: Intersection of gene_names and tf_names is empty.

preparing dask client
parsing input
not shutting down client, client was created externally
finished
Traceback (most recent call last):
File "/data5/tan/zengchuanj/miniconda3/envs/pyscenic/bin/pyscenic", line 8, in <module>
sys.exit(main())
File "/data5/tan/zengchuanj/miniconda3/envs/pyscenic/lib/python3.7/site-packages/pyscenic/cli/pyscenic.py", line 713, in main
args.func(args)
File "/data5/tan/zengchuanj/miniconda3/envs/pyscenic/lib/python3.7/site-packages/pyscenic/cli/pyscenic.py", line 111, in find_adjacencies_command
seed=args.seed,
File "/data5/tan/zengchuanj/miniconda3/envs/pyscenic/lib/python3.7/site-packages/arboreto/algo.py", line 41, in grnboost2
early_stop_window_length=early_stop_window_length, limit=limit, seed=seed, verbose=verbose)
File "/data5/tan/zengchuanj/miniconda3/envs/pyscenic/lib/python3.7/site-packages/arboreto/algo.py", line 115, in diy
expression_matrix, gene_names, tf_names = _prepare_input(expression_data, gene_names, tf_names)
File "/data5/tan/zengchuanj/miniconda3/envs/pyscenic/lib/python3.7/site-packages/arboreto/algo.py", line 229, in _prepare_input
raise ValueError('Intersection of gene_names and tf_names is empty.')
ValueError: Intersection of gene_names and tf_names is empty.

根據錯誤堆棧,在運行 pyscenic aucell 命令時,讀取簽名(signatures)文件導致了空數據框錯誤。
最常見的原因有:
1、傳入的簽名文件路徑 (reg.csv) 不正確。
2、簽名文件為空文件或格式不正確,無法解析。
3、簽名文件有空格或特殊字符,需要加引號。
4、沒有權限讀取簽名文件。
5、簽名文件是基因列表,而不是實際的motif簽名。

解決方法:
1、打印並確認簽名文件路徑正確。
2、檢查簽名文件,是否有正確的motif id 和序列等內容。
3、用 pandas 讀取簽名文件,確認可以解析且不為空。
4、為簽名文件路徑加引號,處理空格問題。
5、添加讀文件權限或用 sudo 運行。
6、提供正確的基於motif的簽名文件,而不是基因列表。
7、試試其他已知正常的簽名文件。
總之,確認傳入的簽名文件是正確的文件路徑,並包含正常的基於motif的簽名。如果簽名文件本身就為空,則需要重新生成。

pyscenic ctx \
adj.sample.tsv \
hg38__refseq-r80__10kb_up_and_down_tss.mc9nr.feather \
--annotations_fname motifs-v9-nr.hgnc-m0.001-o0.0.tbl \
--expression_mtx_fname sample1.loom \
--mode "dask_multiprocessing" \
--output reg.csv \
--num_workers 3 \
--mask_dropouts

 

13、hdWGCNA的使用

13.1 Error in MetacellsByGroups

(seurat_obj = seurat_obj, group.by = c("cell_type", :

Invalid reduction (pca). Reductions in Seurat object: harmony, umap

Execution halted

此錯誤應為調用 MetacellsByGroups() 之前，PCA 沒有正確運行並保存到 Seurat 對象中。
在運行MetacellsByGroups() 之前，先進行如下處理：
#對每一種基因在所有細胞中的標准化
seurat_obj <- NormalizeData(seurat_obj, normalization.method = "LogNormalize", scale.factor = 10000)
# 鑒定表達高變基因(2000個），用於下游分析，如PCA主成分分析
seurat_obj <- FindVariableFeatures(seurat_obj, selection.method = "vst", nfeatures = 2000)
top10 <- head(VariableFeatures(seurat_obj), 10)
## 對每個細胞中所有基因進行縮放標准化，實現不同細胞間的可比性。
seurat_obj <- ScaleData(seurat_obj, features =  rownames(seurat_obj))
#回歸去除線粒體表達百分比的影響。
#seurat_obj <- ScaleData(seurat_obj, vars.to.regress = "percent.mt")
#線性降維（PCA）,默認用高變基因集,可通過features指定
seurat_obj <- RunPCA(seurat_obj, features = VariableFeatures(object = seurat_obj))

 

13.2 Error: None of the requested variables to regress are present in the object.

這個錯誤意味着在運行SCaleData()時,想要回歸(regress out)的變量在Seurat對象中不存在。

需要檢查的幾個方面:
確保要回歸的變量已經存儲在Seurat對象的metadata中。
例如,如果要回歸"percent.mito",需要確保這個變量作為一列存在於seurat_object@meta.data中。
如果變量存在,請確認它們被存儲為數值/連續型變量,不是factor。ScaleData只能回歸連續變量。
檢查后發現seurat_obj數據中不包含percent.mt的信息

故而
seurat_obj[["percent.mt"]] <- PercentageFeatureSet(seurat_obj, pattern = "^MT-")#鼠源的選擇^mt-
seurat_obj <- ScaleData(seurat_obj, vars.to.regress = "percent.mt")

 

13.3 Error in TestSoftPowers

Error in TestSoftPowers(seurat_obj, networkType = "signed") :

unused argument (networkType = "signed")

在調用Seurat的TestSoftPowers()函數時,傳遞了一個無效的參數networkType="signed"。
這個錯誤的主要原因是:
TestSoftPowers()函數本身不存在“networkType”這個參數。所以傳遞networkType="signed"會導致未使用的參數錯誤。
因而此處對TestSoftPowers源碼做如下處理：

TestSoftPowers <- function (seurat_obj, powers = c(seq(1, 10, by = 1),
seq(12, 30, by = 2)), setDatExpr = TRUE, use_metacells = TRUE, group.by = NULL,
          group_name = NULL,networkType='signed')
{
  if (!("datExpr" %in% names(GetActiveWGCNA(seurat_obj))) |
      setDatExpr == TRUE) {
    seurat_obj <- SetDatExpr(seurat_obj, use_metacells = use_metacells,
                             group.by = group.by, group_name = group_name)
  }
  datExpr <- GetDatExpr(seurat_obj)
  powerTable = list(data = WGCNA::pickSoftThreshold(datExpr,
        powerVector = powers, verbose = 100,
        networkType = networkType,
          corFnc = "bicor")[[2]])
  seurat_obj <- SetPowerTable(seurat_obj, powerTable$data)
  seurat_obj
}

 

13.4 Error in if (!(group.by %in% colnames

(seurat_obj@meta.data))) { :

argument is of length zero

Calls: TestSoftPowers -> SetDatExpr

In addition: Warning message:

In SetDatExpr(seurat_obj, use_metacells = use_metacells, group.by = group.by, :

assay not specified, trying to use assay RNA

Execution halted

這個錯誤意味着在調用TestSoftPowers()函數時,傳遞的group.by參數存在問題。

需要檢查幾個方面:
- 確保group.by是一個向量,包含在Seurat對象metadata中存在的一個或多個分組變量。比如 c("cell_type", "batch")。
- 通過檢查colnames(seurat_obj@meta.data)來驗證這些分組變量是否存在於seurat對象中。
- 錯誤信息“argument is of length zero”意味着group.by為空。確保您傳遞了一個有內容的向量給group.by。
- “assay not specified” 的警告信息意味着默認使用RNA assay。請確保這個assay存在且是您要使用的。

Should：
- 向group.by傳遞一個存在於metadata中的分組變量向量。
- 檢查group.by不為空。
- 驗證默認的RNA assay存在且適合使用。
解決group.by相關問題后,TestSoftPowers()函數就可以正常使用了。

 

13.5 Error in RunHarmony.Seurat

(seurat_obj, group.by.vars = group.by.vars, :

argument 3 matches multiple formal arguments

Calls: ModuleEigengenes -> ComputeModuleEigengene -> <Anonymous>

Execution halted

在運行Seurat的RunHarmony函數時出現了這個錯誤,它表示傳遞的參數中的第3個參數與該函數定義中的多個正式參數相匹配。
具體的錯誤信息是:"參數3匹配多個正式參數"。這暗示傳給RunHarmony的第3個參數,匹配了這個函數的2個或更多的正式參數名稱。 

需要檢查的幾件事:
- 在調用RunHarmony時,請盡量通過參數名稱而不是位置來傳遞參數,這可以避免歧義。
- 查看RunHarmony的文檔,確認期待的參數是什么,確保您傳遞的第3個參數沒有意外地匹配到多個正式參數。
- 嘗試通過參數名稱明確指定每個參數,這樣可以消除歧義。
- 確認調用RunHarmony的是正確版本的Seurat包,不同版本可能會導致參數匹配問題。 
- 檢查環境中是否同時加載了多個Seurat版本,產生沖突。
總之,把RunHarmony調用參數和函數文檔進行比較,很可能可以發現第3個參數的歧義所在,並幫助解決這個問題。
# seurat_obj <- ModuleEigengenes(
#   seurat_obj,
#   group.by.vars="Sample"
# ) #時間較長
刪除group.by.vars="Sample"的參數傳遞

 

14 R Packages error

14.1 Error: 載入了名字空間‘Matrix’ 1.6-0，但需要的是>= 1.6.1

Error:package or namespace load failed for ‘SeuratObject’ in loadNamespace(j <- i[[1L]], c(lib.loc, .libPaths()), versionCheck = vI[[j]]):

Matrix導入錯誤

Error: package or namespace load failed for ‘SeuratObject’ in loadNamespace(j <- i[[1L]], c(lib.loc, .libPaths()), versionCheck = vI[[j]]):
 載入了名字空間‘Matrix’ 1.6-0，但需要的是>= 1.6.1
 
> remove.packages("Matrix")
從‘D:/Bioinformat/R/R-4.2.3/library’中刪除程序包
(因為沒有指定‘lib’)
> sessionInfo()
R version 4.2.3 (2023-03-15 ucrt)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 10 x64 (build 22000)

Matrix products: default

locale:
[1] LC_COLLATE=Chinese (Simplified)_China.utf8  LC_CTYPE=Chinese (Simplified)_China.utf8   
[3] LC_MONETARY=Chinese (Simplified)_China.utf8 LC_NUMERIC=C                               
[5] LC_TIME=Chinese (Simplified)_China.utf8    

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
[1] sp_2.1-1

loaded via a namespace (and not attached):
Error in x[["Version"]] : subscript out of bounds
In addition: Warning message:
In FUN(X[[i]], ...) :
  程序包'Matrix'里要么沒有DESCRIPTION這個文件，要么出了錯

> install.packages("Matrix")
trying URL 'https://mirrors.sjtug.sjtu.edu.cn/cran/bin/windows/contrib/4.2/Matrix_1.6-2.zip'
Content type 'application/zip' length 4523207 bytes (4.3 MB)
downloaded 4.3 MB