
StringTie多样本“合并”不是把BAM放在一起,也不是把表达矩阵相加。通常先对每个样本组装转录本并得到GTF,再用stringtie --merge整合转录本结构,最后对每个样本的原始比对文件使用同一合并GTF重新估计表达。参考版本、染色体命名或样本文件不一致,会让合并结果难以解释。
先确认输入属于同一分析范围
逐样本核对BAM和GTF对应关系、参考基因组组装、染色体命名、注释来源及比对软件。不同物种或不同组装不要放进同一个merge任务。若初次组装时使用StringTie的样本前缀参数,确保前缀可区分样本,避免新转录本ID重名。merge清单应列出所有预期样本的组装GTF,不能误放参考注释本身或定量阶段输出。是否提供-G参考注释以及是否允许新转录本,需要按研究设计和StringTie文档确定。
| 核对对象 | 验收方式 | 不通过先做什么 |
|---|---|---|
| 样本覆盖 | 清单样本数与计划数一致 | 找出漏样、重复或空路径 |
| 组装GTF | 文件非空、来源为样本组装阶段 | 检查失败任务与文件映射 |
| 参考兼容 | 核对版本与染色体命名 | 不要跨组装直接合并 |
| 结果解释 | 保留每样本BAM和条件信息 | 不要把转录本结构合并当作表达汇总 |
生成并留存不漏样本的清单
准备制表符分隔文件samples.tsv,含sample_id、bam和gtf三列;ID唯一,文件路径指向样本比对BAM及初次组装GTF。路径若包含空格,先改成安全的项目路径,避免清单行解释歧义。以下检查只证明路径和数量合规,不证明生物学配对正确,所以仍需人工核对样本表。
import csv
from pathlib import Path
with open("samples.tsv", encoding="utf-8-sig", newline="") as f:
rows = list(csv.DictReader(f, delimiter="\t"))
if not rows:
raise SystemExit("empty sample table")
ids = [r["sample_id"].strip() for r in rows]
if any(not x for x in ids) or len(ids) != len(set(ids)):
raise SystemExit("blank or duplicate sample_id")
paths = []
for r in rows:
for col in ("bam", "gtf"):
raw = r[col].strip()
if not raw or any(c.isspace() for c in raw):
raise SystemExit(f"invalid {col}: {raw!r}")
p = Path(raw).resolve(strict=True)
if not p.is_file() or p.stat().st_size == 0:
raise SystemExit(f"missing/empty {col}: {p}")
if col == "gtf": paths.append(str(p))
if len(paths) != len(set(paths)):
raise SystemExit("duplicate assembly GTF")
Path("merge-list.txt").write_text("\n".join(paths)+"\n", encoding="utf-8")
print("samples", len(rows))
运行merge并保存参考与日志
先建新输出目录,固定StringTie版本和参考注释校验值。下例为指定参考注释的常见路径;若研究设计不使用guide GTF,则按官方说明调整。merge阶段通常以单个进程读取清单,不要把很多merge任务同时启动来“加速”。记录运行时间、最大RSS和工作盘峰值,完成后检查输出GTF非空、格式可读且含有预期的转录本记录。
set -euo pipefail
RUN=/project/stringtie/merge-v1
GUIDE=/project/reference/annotation.gtf
mkdir -p "$RUN"
test -s "$GUIDE" && test -s merge-list.txt
stringtie --version > "$RUN/version.txt"
sha256sum "$GUIDE" > "$RUN/guide.sha256"
cp merge-list.txt "$RUN/merge-list.txt"
/usr/bin/time -v -o "$RUN/merge.resources.txt" stringtie --merge -G "$GUIDE" -o "$RUN/merged.gtf" "$RUN/merge-list.txt" > "$RUN/stdout.log" 2> "$RUN/stderr.log"
test -s "$RUN/merged.gtf"
统一GTF逐样本重新估计
合并完成后,对每个样本用原始BAM和同一merged.gtf运行表达估计,输出到独立目录。以下展示单样本命令,先手动核对一个样本,再批量运行。BAM必须按StringTie要求排序并与本次参考一致;线程数按额度逐档试验。若项目不使用Ballgown,可去掉-B;若需要基因丰度表则保留对应输出。
stringtie -e -B -p 8 -G /project/stringtie/merge-v1/merged.gtf -o /project/stringtie/quant/S01/S01.gtf -A /project/stringtie/quant/S01/gene_abundance.tsv /project/alignment/S01.sorted.bam
检查日志退出码、输出文件、样本数与转录本/基因ID;抽查已知表达基因及异常高低值。表达估计和转录本结构判定是不同步骤,表达量是否适合下游差异分析还取决于设计矩阵、重复和统计方法。
按阶段确定CPU、内存和存储
分别测量初次比对/组装、merge和统一定量,不要把资源峰值混成一个数。merge输入GTF数量增加会影响处理量;重新定量阶段可分样本并行,但每个任务都要预留CPU、内存和读写空间。记录整批成功数、耗时、最大RSS、I/O等待、临时目录和失败样本。若CPU忙且内存有余量,可测试增加线程;若并发后RSS接近额度或I/O等待增大,应降低并行样本数。报告样本规模与实测结果,再决定是否需要额外资源。
交付时保留samples.tsv、merge-list.txt、参考校验值、软件版本、merged.gtf、各样本日志和定量输出。加入新样本时是否重做merge要按预设研究方案决定,不能把新旧参考下的转录本直接混为同一结果。这样下一位成员才能分清变化来自输入、注释、参数还是计算资源。
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:合并输入和参数合理,实测必要内存峰值超过现有容量;工作盘另行核算。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。
