
RSEM多样本定量常见的麻烦不只是“样本太多”:基因组与注释版本不匹配、R1/R2错配、链特异性设置错误,都会让输出不可用。本文以paired-end bulk RNA-seq、RSEM调用STAR为例,先构建一次可复用参考,再用一个样本试跑,最后逐步增加并发。单细胞数据、单端数据和既有比对文件需要使用各自对应参数。
核对参考与样本表
FASTA和GTF必须来自同一物种、同一基因组组装与兼容注释版本。记录来源、发布日期、文件校验值和RSEM/STAR版本。确认GTF包含RSEM需要的gene_id与transcript_id字段;若是特殊物种或非标准注释,先用小范围验证转录本是否正确提取。样本表使用无重复sample_id,R1和R2逐行配对,路径指向实际文件;不要把不同lane的文件误当不同生物学样本,也不要把多个样本合并成一个估计结果。
| 检查 | 做法 | 失败时先查 |
|---|---|---|
| 参考配套 | 核对组装、注释来源和校验值 | FASTA/GTF版本错配 |
| FASTQ配对 | 核对样本ID、R1/R2与压缩完整性 | 路径或lane顺序错误 |
| 链方向 | 查建库说明或可信质控结果 | 不要凭经验猜forward/reverse |
| 资源 | 索引与单样本定量分别测峰值 | 并发STAR会重复占内存 |
一次构建STAR兼容参考
先确认RSEM、STAR和GNU time在当前环境可运行。目标前缀目录应不存在,避免覆盖旧参考。以下-p 4只示范索引线程;它不表示整个任务的线程或内存需求。
set -euo pipefail
GENOME=/project/ref/genome.fa
GTF=/project/ref/annotation.gtf
REF=/project/reference/rsem_v1/ref
mkdir -p "$(dirname "$REF")"
test -s "$GENOME" && test -s "$GTF"
sha256sum "$GENOME" "$GTF" > "$(dirname "$REF")/reference.sha256"
rsem-prepare-reference --gtf "$GTF" --star -p 4 "$GENOME" "$REF" > "$(dirname "$REF")/prepare.stdout.log" 2> "$(dirname "$REF")/prepare.stderr.log"
RSEM官方说明,-p用于构建STAR索引的线程数。记录此阶段耗时、最大RSS和工作盘峰值。不要以压缩输入大小估算索引目录和临时文件空间。
先试跑一个样本再批处理
查明文库是否链特异,以及方向定义;未知时先用建库记录或样本质控确定,不要随意设置。先对代表性样本运行,RSEM会调用STAR及表达估计;参考前缀和sample name应准确,输出写入全新目录。若项目不需要BAM,可用--no-bam-output减少不必要输出;不要为了节省资源删去项目必须交付的文件。
set -euo pipefail
R1=/project/reads/S01_R1.fastq.gz
R2=/project/reads/S01_R2.fastq.gz
REF=/project/reference/rsem_v1/ref
OUT=/project/results/S01
mkdir -p "$OUT"
gzip -t "$R1" "$R2"
/usr/bin/time -v -o "$OUT/resources.txt" rsem-calculate-expression --paired-end --star --strandedness none -p 8 --no-bam-output "$R1" "$R2" "$REF" "$OUT/S01" > "$OUT/stdout.log" 2> "$OUT/stderr.log"
test -s "$OUT/S01.genes.results"
test -s "$OUT/S01.isoforms.results"
“none”仅为非链特异文库示例,按实际建库修改。检查退出状态、日志、基因和转录本结果文件、ID与行数,并查看mapping统计是否符合样本预期;文件存在不等于定量正确。
逐档测多样本并发
单样本通过后,先以每任务8线程跑一份,再试两个样本并发;所有样本使用独立输出目录,不能共用前缀。RSEM文档指出每个STAR任务会在内存中保留自己的基因组副本,因此同时运行多个STAR任务时内存需求会明显叠加。记录CPU、最大RSS、I/O等待、临时目录峰值、整批墙钟时间、成功数和失败原因。若内存接近作业额度,先降低并发;若CPU空闲而I/O等待高,先查读盘与输出盘;只有CPU持续繁忙且其他资源有余量时,再增加线程试测。
不要只按“样本数×线程数”推算机器内存,也不要把单样本跑通当作批次配置已验收。保留参考校验值、环境版本、样本清单、链方向、参数、日志与资源记录。新物种、新注释或样本规模明显变化时重新小批试跑。只有代表性批次持续超出当前额度或课题期限,才据峰值、并发和必要输出讨论补充资源;参考错误应先修正而不是扩容。
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:参考及输入匹配,批量定量需要额外持续计算资源。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
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。
