云生信学生物信息学

RNA-seq 曲线在 3′端越来越高?用 RSeQC 先定位再判断

作者:发布于 2026-11-22约 7 分钟阅读
RSeQC geneBody_coverage 信息海报:核对排序建索引 BAM 与匹配的 BED12 注释;按 5′到 3′的 100 个位置读覆盖曲线;比较同批样本并谨慎判断偏斜原因

RNA-seq 曲线在 3′端越来越高?用 RSeQC 先定位再判断

比对率不错,表达矩阵也出来了,可 gene-body coverage 曲线从 5′端到 3′端一路抬高。它常被直接解读为 RNA 降解,甚至据此要求重测。这个结论太快了:RSeQC 的曲线描述的是已比对 reads 在所选转录本模型上的覆盖分布,能提示样本间的技术差异,却不能单独诊断降解原因。

本文只讲一个任务:用 RSeQC geneBody_coverage.py 检查 bulk RNA-seq 的 gene-body coverage,确认曲线是否可比、下一步该核对什么。RSeQC 官方文档目前列出 v5.0.5(2026 年 7 月 26 日发布),支持 Python 3.9 及以上;本文命令与参数按 2026 年 11 月 22 日核对的官方手册整理。

它把不同长度的转录本放到同一把尺上

geneBody_coverage.py 读取比对 BAM 和基因模型 BED,将转录本从 5′到 3′方向划为 100 个等距位置,再汇总每个位置的覆盖。这样长短不同的转录本可以在同一横轴上比较。输出的 *.geneBodyCoverage.txt 有 1–100 的百分位列,曲线图展示相应分布;输入 3 个及以上 BAM 时,官方文档说还会生成样本热图,并按 coverage 偏斜程度排序。

这里的“100”是每条转录本的相对位置数,不代表 100 个等长基因组区间,也不代表 100 个样本。默认会跳过 mRNA 长度小于 100 bp 的转录本;短转录本很多或注释文件不匹配时,参与汇总的内容可能与预期不同。

先准备对的输入,再跑一条命令

它需要按坐标排序并建好索引的 BAM,以及与比对参考相匹配的 BED 格式转录本模型。当前官方代码要求模型为 12 列 BED;不要把 hg19 BAM 与 hg38 注释混在一起,也不要把普通 BED6 文件当作完整 exon 结构模型。单样本可运行:

mkdir -p qc
geneBody_coverage.py \
  -i sample.sorted.bam \
  -r GRCh38.transcripts.bed \
  -o qc/sample

多样本可以用逗号分隔 BAM 路径、给出路径清单,或直接提供含 BAM 的目录。每个文件都要排序并索引;推荐先从 2–3 个样本试跑,确认输出曲线、日志和 BED 模型正常,再扩展到整批。若只有 1–2 个 BAM,按官方说明预期看到曲线图而非样本热图。输出前缀的父目录必须已经存在,因此示例先创建 qc/。发布前请以安装版本的 geneBody_coverage.py --help 核对选项;v5.0.5 更新了命令行解析与输入检查,旧脚本或环境中的报错不要直接套用旧教程。

曲线怎么读,下一步怎么排查

观察到的现象 可以先判断什么 下一步核对 不能直接下的结论
同组样本曲线形状接近 gene-body 分布较一致 再结合比对率、文库复杂度和实验设计 不能据此证明所有 RNA 质量都合格
多个样本都在 3′端升高 存在共同的 3′偏向信号 文库类型、RNA 完整性、建库批次、测序与比对流程 不能只凭此图认定 RNA 降解
只有个别样本偏斜 样本或批次差异值得追踪 对应样本的 RIN/片段分布、建库记录、比对与注释版本 不能只看热图排序就剔除样本
曲线锯齿明显或整体覆盖偏低 汇总可能受低覆盖或模型影响 BAM 深度、BED12 内容、染色体命名和参考版本 不能通过改阈值把曲线“调平”

读图时先看横轴方向和曲线形状,再看样本是否按实验批次成组。覆盖曲线的高度还受测序深度影响,因此不要把不同深度样本的绝对高度当成质量分数;热图排序依据偏斜程度,也不是 RSeQC 自动给出的合格/不合格判定。若处理组与对照组恰好分属不同建库批次,分布差异尤其需要回到实验设计核实。

输出出来后做这 4 个验收

  1. 确认参与分析的样本。 对照 BAM 路径清单和 .geneBodyCoverage.txt 的样本列名;批量输入目录里若混有临时 BAM,先移出目录,避免误把它们纳入汇总。
  2. 确认百分位列完整。 文本表头应包含从 1 到 100 的位置。若列数不对,检查任务是否完整结束、磁盘是否写满,以及输出文件是否被同名任务覆盖。
  3. 确认注释与比对参考一致。 BED12 的染色体命名(如 chr1 与 1)、基因组版本和转录本来源需与 BAM 对应;不匹配时,覆盖信息可能很少或缺失,不能把空白曲线解释成极端偏倚。
  4. 把异常样本带回元数据。 给曲线标注建库批次、测序lane、RNA质量和分组;异常随批次而不是生物学分组聚集时,先排查技术因素,并在后续差异分析中考虑设计矩阵和批次混杂。

RSeQC 输出图适合筛查和比较,不是归一化后的表达量,也不应拿曲线某个位置的值直接作为删除样本阈值。若需要判定某样本是否应排除,应综合预先设定的 QC 指标、实验记录、重复一致性以及排除前后结论是否稳健,并保留排除依据。

还有一项常被忽略:当前官方实现统计覆盖时会略过标记为 duplicate、secondary、unmapped 或 QC-fail 的比对记录。因此,同一批 BAM 是否做过重复标记、标记步骤是否一致,会影响可纳入的覆盖;但这不意味着应为了让曲线变平而改写 BAM flag。先核对上游流程与样本间一致性,再决定是否重做质控比较。

RSeQC 能回答什么,不能替代什么

RSeQC 适合在已有 BAM 后快速补充转录本覆盖诊断;它不重新评估 FASTQ 的碱基质量,也不能从覆盖偏斜单独区分 RNA 降解、poly(A) 选择、随机引物、参考注释差异或建库批次。结合 FastQC/MultiQC、比对统计、片段长度分布、RIN 与实验记录,才能逐步缩小原因。不同平台、建库方案和组织类型的覆盖特征可能不同,判断应在同类型样本和一致流程内比较。

单个或少数 BAM、文件已在本地且已有 RSeQC 环境时,通常可以先本地运行;该任务主要依赖 BAM 顺序读取和磁盘 I/O,通常不需要 GPU。若要批量扫几十到数百个大型 BAM,或者团队需要统一版本、注释、日志和可恢复的队列环境,再比较本地存储吞吐、并发和运行时长,决定是否用服务器。先拿少量代表样本试跑,记录输入大小、耗时和峰值内存;不要把早期版本文档里的内存描述当成 v5.0.5 的硬件保证。

如果你遇到曲线偏斜、样本间差异大或批处理排队,可以把 RSeQC 版本、样本数、BAM 大小、参考基因组/注释版本、卡住步骤和希望完成时间告诉云生信。我们先判断是输入、注释、环境还是批量资源问题,再沟通环境部署、服务器自用或委托分析的实际范围。咨询 RSeQC 质控与批处理。首次沟通先提供可分享的元信息与日志片段,不必发送未脱敏原始数据。

官方资料: RSeQC 文档与 v5.0.5 发布记录;geneBody_coverage.py 当前官方代码;RSeQC 方法论文 。核查日期:2026-11-22。

RSeQC geneBody_coverage 信息海报:核对排序建索引 BAM 与匹配的 BED12 注释;按 5′到 3′的 100 个位置读覆盖曲线;比较同批样本并谨慎判断偏斜原因

需要排查整批样本或批处理资源?

提供 RSeQC 版本、样本数、BAM 大小、参考/注释版本与卡住步骤,我们先判断输入、环境和资源环节。

咨询 RSeQC 质控与批处理

把知识用于当前任务

先确定合适的计算资源

根据数据规模和分析任务,快速测算 CPU、内存、存储与 GPU 配置。

测算服务器配置仍有疑问,联系客服 ↗