
Salmon索引失败并不一定是内存不够。参考ID重复、decoy清单不匹配、FASTA版本混用,也会让索引或后续定量产生问题。建议把索引构建和样本定量当成两个独立任务:先固定参考与版本,再用小样本验收,最后依据日志和资源峰值判断是否需要更大内存。
先确定参考组合和ID规则
准备同一物种、同一版本的transcript FASTA、genome FASTA及注释来源记录。Salmon官方文档推荐mapping-based模式使用decoy-aware transcriptome;可由注释转录本挑选partial decoy,也可把整个基因组作为full decoy。后者更全面,但建索引更耗内存。全基因组方案中,decoys.txt必须列出genome FASTA的目标ID,且这些目标确实出现在合并后的gentrome中。先检查transcript与genome目标ID是否冲突;不要为消除冲突而随意改名,否则会破坏参考与注释的对应关系。
| 检查项 | 如何核对 | 常见问题 |
|---|---|---|
| 参考来源 | 保存版本、下载地址和校验值 | 基因组与转录本版本不一致 |
| FASTA目标ID | 取header首字段并查重 | transcript与decoy名称冲突 |
| decoys.txt | 与genome目标ID逐项对应 | 名称多空格或清单漏项 |
| 读长与k | 结合测序读长检查索引参数 | 短读长照抄默认k=31 |
建立可追溯的索引目录
以下以FASTA已解压为前提;如输入仍为压缩文件,先在工作盘解压并确认空间充足。示例为全基因组decoy,路径按项目修改。先生成ID清单并检查重复,再写入新目录;任何报错都停止,不覆盖已有索引。
set -euo pipefail
TX=/project/ref/transcripts.fa
GENOME=/project/ref/genome.fa
RUN=/project/index/salmon-full-decoy-v1
mkdir -p "$RUN"
salmon --version > "$RUN/salmon-version.txt"
sha256sum "$TX" "$GENOME" > "$RUN/reference.sha256"
awk '/^>/{id=$1; sub(/^>/,"",id); print id}' "$TX" "$GENOME" | sort | uniq -d > "$RUN/duplicate-target-ids.txt"
test ! -s "$RUN/duplicate-target-ids.txt"
awk '/^>/{id=$1; sub(/^>/,"",id); print id}' "$GENOME" > "$RUN/decoys.txt"
cat "$TX" "$GENOME" > "$RUN/gentrome.fa"
/usr/bin/time -v -o "$RUN/index.resources.txt" salmon index -t "$RUN/gentrome.fa" -d "$RUN/decoys.txt" -i "$RUN/index" -k 31 -p 8 > "$RUN/index.stdout.log" 2> "$RUN/index.stderr.log"
这里的k=31、8线程只是演示值,不是通用推荐。官方说明k=31通常适用于75 bp及以上读长,较短读长可评估较小k;改k后必须重建索引并记录。只有使用符合要求的GENCODE header时才添加对应专用参数。构建前估算临时与最终文件空间,避免把解压、合并和索引同时占用的峰值当成FASTA大小。
用小样本验收定量
索引完成后先选一个有代表性的配对样本,核对R1/R2对应关系、文库方向和样本物种。-l A可由Salmon推断文库类型;仍要检查日志推断是否合理。输出目录需为新目录。对单端数据,应改用-r,不要把配对参数照搬过去。
set -euo pipefail
/usr/bin/time -v -o quant.resources.txt salmon quant -i /project/index/salmon-full-decoy-v1/index -l A -1 /project/reads/sample_R1.fastq.gz -2 /project/reads/sample_R2.fastq.gz --validateMappings -p 8 -o /project/quant/pilot01 > quant.stdout.log 2> quant.stderr.log
test -s /project/quant/pilot01/quant.sf
head -n 3 /project/quant/pilot01/quant.sf
核对quant.sf列名、转录本ID是否来自预期参考,并查看Salmon日志及meta_info.json中的输入和mapping统计。映射率异常时先排查物种、参考版本、R1/R2、文库类型和污染,再考虑参数。小样本输出可读不代表整个课题的生物学结论已验证。
把资源瓶颈定位到具体阶段
分别记录index和quant的墙钟时间、最大RSS、CPU、工作盘峰值及退出码。索引OOM而定量正常,说明资源需求主要在建索引阶段;反过来则检查样本规模、并行样本数与输入存储。用相同参考和代表样本重复一轮,记录节点与并发条件;不要只凭free瞬时显示或FASTA压缩体积推断内存需求。若错误日志显示ID或文件解析失败,先修数据再测资源。
最终保存参考校验值、Salmon版本、decoy来源、k值、索引目录、定量参数、mapping统计、资源峰值和验收结果。索引可复用的前提是参考内容、参数和软件兼容条件一致;更换注释或参考后不要继续沿用旧索引。若实测峰值持续高于现有额度且任务确需full-decoy索引,再根据峰值余量、并发和工作盘需求评估资源;否则先解决ID、版本或目录问题。
下载练习材料
先核对包内SHA256清单,再在独立目录复现。
需要额外算力时
适用前提:参考和索引设置合理且日志证实内存容量不足。如需额外资源,可评估大内存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
参考与版本核对
按文中适用环境运行,所用版本与参数以实际安装环境和对应官方文档为准。
