
从原始FASTQ自己做RNA-seq,先跑通一个样本,再扩展批量。这里以普通双端bulk RNA-seq、已知链特异性、已有兼容STAR索引为前提,完成从质控到基因计数。单细胞、UMI、长读长和特殊建库需要各自流程,不能直接套用本例。
把输入与实验信息放在一行
准备sample_id、condition、donor、R1、R2和建库信息;路径使用绝对路径,确认R1/R2来自同一文库且顺序正确。保留测序交付校验值,并执行gzip -t检查压缩流。压缩检查通过不等于配对和样本身份正确,仍要核对交付清单与read标识。
sample_id,condition,donor,r1,r2,strand
S01,control,D01,/data/S01_R1.fastq.gz,/data/S01_R2.fastq.gz,0
示例strand=0只适用于确认非链特异的文库;featureCounts的1和2分别表示正向和反向链特异。未知时向建库方确认或用有依据的方法评估,不靠哪组计数更高就决定。FASTA、GTF和索引需来自相同组装与命名体系,索引生成版本也要记录。
顺序执行一个样本
假定fastp、STAR、featureCounts和samtools已经安装,先保存各工具版本。下面4线程只是演示档位,需在账号额度内使用。输出目录必须是新的;程序失败即停止,避免后续步骤消费半成品。fastp默认过滤会改变reads集合,应结合质量报告确认是否适合本实验。
#!/usr/bin/env bash
set -euo pipefail
r1=/data/S01_R1.fastq.gz
r2=/data/S01_R2.fastq.gz
index=/refs/star_index
gtf=/refs/genes.gtf
strand=0 # 仅当实验已确认非链特异
mkdir S01-run1
gzip -t "$r1" "$r2"
fastp -i "$r1" -I "$r2" -o S01-run1/clean_R1.fq.gz -O S01-run1/clean_R2.fq.gz --thread 4 --html S01-run1/fastp.html --json S01-run1/fastp.json
STAR --runThreadN 4 --genomeDir "$index" --readFilesIn S01-run1/clean_R1.fq.gz S01-run1/clean_R2.fq.gz --readFilesCommand zcat --outSAMtype BAM Unsorted --outFileNamePrefix S01-run1/
samtools quickcheck -v S01-run1/Aligned.out.bam
featureCounts -T 4 -p --countReadPairs -s "$strand" -t exon -g gene_id -a "$gtf" -o S01-run1/counts.txt S01-run1/Aligned.out.bam
| 输出 | 实际检查 | 不能据此判断 |
|---|---|---|
| fastp.html/json | 过滤前后reads、质量与接头变化 | 报告生成不等于样本身份正确 |
| STAR Log.final.out | 输入量、比对分类及异常变化 | 不套所有物种统一比对率门槛 |
| Aligned.out.bam | quickcheck与必要的深入读取 | quickcheck不扫描中间全部内容 |
| counts.txt及.summary | 基因ID、分配与未分配原因 | 不是TPM,也不是差异表达结论 |
先处理明显异常,再汇总计数
如果配对数量不一致,先查样本和上游预处理,不把两个文件截成同长度就继续。比对率异常时检查物种、参考版本、污染及建库;计数分配低时核对染色体命名、GTF特征和链特异参数。不要为了获得更好看的比例同时修改多个条件。
featureCounts的-p声明双端输入,当前接口还需要–countReadPairs明确计数fragment。此处按exon汇总到gene_id;多重比对、重叠基因等处理使用本版本默认值,正式项目应确认这些规则,并使全部样本一致。改变规则后结果属于新方法条件。
如果同一文库跨多个lane,先确认交付的文件组织和合并策略,保留lane到样本的对应关系。不要把不同供体或条件的FASTQ合成一个样本,也不要把多lane当作增加了生物学重复。抽查read名称和样本元数据,比仅比较文件大小更能发现错配。
验收一个样本的交接包
重新读取计数表,确认预期样本列、基因标识与数值;保存命令、版本、输入清单、参考来源和三类报告。多个样本合并应按基因ID对齐,不能仅按行号粘贴。差异表达还需要生物学重复、样本设计和适合的统计模型,不能将技术reads当重复。
试跑时用外层资源工具覆盖整段流程,分别记运行盘和关键步骤峰值。只有输入、参考与输出验收通过,资源记录才适合用于批量并发或服务器选择;无法启动、注释错配等问题,应先修环境与方法。
参考资料
需要额外算力时
适用前提:有原始数据且希望自行分析,资源或环境不足。如需额外资源,可评估按任务测算的CPU服务器租赁。咨询时说明软件版本、任务规模和使用期限,配置与支持范围另行确认。
咨询本任务的服务器配置
留下手机号,我们会结合本文任务与您沟通服务器配置和报价。 也可联系云生信企业微信客服,说明本文任务。咨询本任务的服务器配置
