Single-cell RNA-seq Data Input Preparation from a Seurat Object

library(Seurat)
library(SeuratDisk)
library(SeuratData)

#Common Seurat pipeline#
SeuratSample <- NormalizeData(SeuratSample, normalization.method = "LogNormalize", scale.factor=1e6)
SeuratSample <- FindVariableFeatures(SeuratSample, selection.method = "vst", nfeatures = 2000)
SeuratSample <- ScaleData(SeuratSample, features = rownames(SeuratSample))
SeuratSample <- RunPCA(SeuratSample, features = VariableFeatures(object = SeuratSample))
SeuratSample <- FindNeighbors(SeuratSample, dims = 1:30)
SeuratSample <- FindClusters(SeuratSample, resolution = 0.5)
SeuratSample <- RunUMAP(SeuratSample, dims = 1:30)
DimPlot(SeuratSample, reduction = "umap")
# saveRDS(SeuratSample, file = "SeuratSample.rds")

###Convert Seurat Object to h5ad file as input for deconvolution in Python###
#Make sure raw counts will be used for conversion
SeuratSample@assays$RNA@data = SeuratSample@assays$RNA@counts
SeuratSample@assays$RNA@scale.data = as.matrix(SeuratSample@assays$RNA@counts)
SaveH5Seurat(SeuratSample, filename = "SeuratSample.h5Seurat")
Convert("SeuratSample.h5Seurat", dest = "h5ad")