天子呼来不上船，
自称臣是菜鸟团。
在这里，和国际同行一起学习单细胞数据分析。
最近在R4上安装Seurat V4 的时候，有可能会遇到这样的报错：
Error: package or namespace load failed for ‘Seurat’: object ‘markvario’ is not exported by 'namespace:spatstat'
遇到报错第一步肯定是先去浏览器查询啦。方法是：复制Error:后面的信息，黏贴到浏览器（必应或者Google），按搜索按钮就可以了。相信我，你并不孤独。果然有很多人遇到这个问题了，而且已经给出了解决方案，并在Seurat问答池中形成讨论：
https://github.com/satijalab/seurat/issues/4226
https://github.com/satijalab/seurat/issues/4243
https://github.com/satijalab/seurat/issues/4222
主要原因是：Seurat依赖的R包spatstat升级了，这是一个分析空间数据的R包，在Seurat中是分析空间转录组数据的支持包，对应的主要函数是Seurat::RunMarkVario()。
可以看到，是2021年3月13号更新的重大升级，为什么说是重大升级呢？从1.64升级到2.01，一般的小修小补是不会动个位数的，如可升级到1.67。而在这次升级中，把原来的函数spatstat::markvario 变成了 spatstat.core::markvario所以从新安装的时候会有上面的报错。就是Seurat所依赖的函数变了，无法再调用到。这个时候我们可以怎么办呢？
- 安装旧版本的spatstat。你不是更新了吗？我用旧的。
remove.packages(grep("spatstat", installed.packages(), value = T))
.rs.restartR()
devtools::install_version("spatstat", version = "1.64-1")
- 改Seurat函数。你不是依赖的函数名变了吗？我直接改你的源码，让Seurat符合新的依赖环境。
这个工作已经由Seurat的开发者完成了，当然可能提交到CRAN还需要一点时间，但是根据Github上面的信息，应该已经同步好了。
- 修改Seurat的命名空间。不推荐，这种方法是不在命名空间文件中出现spatstat，因为目前我还没有空间数据，我不用它为什么要加载它呢？当然，这要求懂一些R包构建的基本知识，不然，不知道修改哪里呀。
R包就是一系列文件及其编译文件，R包一共有5种states:
source
bundled
binary
installed
in-memory
install.packages()和devtools::install_github()都是从source, bundled, binary这些states转成 installed states，而library()则是使installed package变成in-memory。
library一如字面意思所言：图书馆。install的过程是我们买书（R包），为什么会有不同的安装方式呢？因为不同的书放在不同的商城，所以我们要从不同的地方来采购。install.packages()是从CRAN标准库安装，devtools::install_github()是从菜市场安装。买来之后，library()就是拿出来读了，想读哪本书，就拿哪一本。所以，在安装R包之前要知道这个包在那个仓库放着的，百度R包名字即可。
R包的基本形态有以下几种：
这些都对应一个文件，可以在.libPath()输出的路径下查看。
那么，如何快速查看一个R包的依赖环境呢？
library(Seurat)
packageVersion('Seurat')
[1] ‘4.0.0’
我们使用pacman这个R包开查看。
# install.packages('pacman')
library(pacman)
p_info(Seurat)
Package: Seurat
Version: 4.0.0
Date: 2021-01-27
Title: Tools for Single Cell Genomics
Description: A toolkit for quality control, analysis, and exploration of single cell RNA sequencing
data. 'Seurat' aims to enable users to identify and interpret sources of heterogeneity
from single cell transcriptomic measurements, and to integrate diverse types of single
cell data. See Satija R, Farrell J, Gennert D, et al (2015) <doi:10.1038/nbt.3192>,
Macosko E, Basu A, Satija R, et al (2015) <doi:10.1016/j.cell.2015.05.002>, Stuart T,
Butler A, et al (2019) <doi:10.1016/j.cell.2019.05.031>, and Hao, Hao, et al (2020)
<doi:10.1101/2020.10.12.335331> for more details.
查看依赖关系：
p_depends(Seurat)
$Depends
[1] "methods"
$Imports
[1] "cluster" "cowplot" "fitdistrplus" "future" "future.apply" "ggplot2" "ggrepel" "ggridges" "graphics" "grDevices" "grid"
[12] "httr" "ica" "igraph" "irlba" "jsonlite" "KernSmooth" "leiden" "lmtest" "MASS" "Matrix" "matrixStats"
[23] "miniUI" "patchwork" "pbapply" "plotly" "png" "RANN" "RColorBrewer" "Rcpp" "RcppAnnoy" "reticulate" "rlang"
[34] "ROCR" "Rtsne" "scales" "scattermore" "sctransform" "SeuratObject" "shiny" "spatstat.core" "spatstat.geom" "stats" "tibble"
[45] "tools" "utils" "uwot"
$LinkingTo
[1] "Rcpp" "RcppEigen" "RcppProgress"
$Suggests
[1] "ape" "rsvd" "testthat" "hdf5r" "S4Vectors" "SummarizedExperiment" "SingleCellExperiment"
[8] "MAST" "DESeq2" "BiocGenerics" "GenomicRanges" "GenomeInfoDb" "IRanges" "rtracklayer"
[15] "Rfast2" "monocle" "Biobase" "VGAM" "limma" "metap" "enrichR"
[22] "mixtools"
查看反向依赖关系：
p_depends_reverse(Seurat)
$Imports
[1] "CDSeq" "DUBStepR" "scMappR" "Signac" "SignacX" "SoupX"
$Suggests
[1] "BisqueRNA" "clustree" "conos" "DIscBIO" "dyngen" "nanny" "rliger" "Rmagic"
[9] "singleCellHaystack" "treefit" "VAM"
写一个R包，对我们普通用户来说只是安装加载使用，而对开发者而言，决定开源以后，就像第一次送孩子进学校：他和老师和同学处的好吗？他饿了不会在课堂上就大哭起来吧？能不能听老师的教育呀？
