
批量跑STAR-Fusion之前,应先确认CTAT参考库与软件版本配套。普通STAR索引目录不能自动替代完整CTAT资源;库内还包含融合注释和过滤所需文件。本篇从双端Illumina FASTQ开始,用STAR-Fusion 1.15.1的标准入口组织队列,不把其他流程生成的任意嵌合文件直接接入。
把参考库当成一个有版本的整体
从官方资源说明选择适用物种、组装和注释版本的库。下载后保存来源、发布日期和校验值;确认是可直接使用的plug-n-play构建,还是仍需建库的源资源。参数应指向实际ctat_genome_lib_build_dir,不能仅指向外层压缩包解压目录。索引及注释共同发布为只读版本,样本输出另放工作盘。
| 检查项 | 通过证据 | 失败处理 |
|---|---|---|
| 软件与库 | STAR-Fusion版本、STAR版本、资源说明一致 | 按该发行版兼容说明处理 |
| 参考目录 | 实际构建目录及库校验记录 | 不通过手工补零散文件凑库 |
| FASTQ | R1/R2配对、gzip完整、样本ID唯一 | 先修清单与配对 |
| 试跑 | 退出为零,完整与简版预测表可读 | 回查run.log与STAR日志 |
建立可失败即停的顺序队列
先准备无表头、LF换行的samples.tsv,每行三列:S01、R1绝对路径、R2绝对路径,以TAB分隔。不要把不同病人或建库混成一个样本。以下四线程是教学值;顺序运行便于先得到单样本资源证据,成功后再决定并发。代码要求Bash、GNU time和已部署的兼容工具。
set -euo pipefail
lib=/ref/ctat_version/ctat_genome_lib_build_dir
test -d "$lib"
mkdir star-fusion-batch
STAR-Fusion --version > star-fusion-batch/version.txt
declare -A seen=()
n=0
while IFS=$'\t' read -r id r1 r2 extra || [[ -n "$id$r1$r2$extra" ]]; do
[[ "$id" =~ ^[A-Za-z0-9][A-Za-z0-9_.-]*$ ]]
[[ -z "$extra" && "$r1" = /* && "$r2" = /* ]]
[[ -z "${seen[$id]+yes}" ]]; seen[$id]=1
test -s "$r1"; test -s "$r2"
gzip -t "$r1" "$r2"
d="star-fusion-batch/$id"; mkdir "$d"
status=0
/usr/bin/time -v -o "$d/resource.txt" STAR-Fusion \
--genome_lib_dir "$lib" --left_fq "$r1" --right_fq "$r2" \
--CPU 4 --output_dir "$d/result" > "$d/run.log" 2>&1 || status=$?
printf '%s\n' "$status" > "$d/exit.txt"
test "$status" -eq 0 || exit "$status"
test -s "$d/result/star-fusion.fusion_predictions.tsv"
test -s "$d/result/star-fusion.fusion_predictions.abridged.tsv"
n=$((n+1))
done < samples.tsv
test "$n" -gt 0
验收候选表和失败记录
先以两个已核对配对关系的样本测试清单。检查样本目录数与清单条数一致,退出记录为零,并读取两张表的表头。没有候选时表可能只有表头,这与工具失败后缺表不同;不能要求每个样本必须找到融合才能算运行成功。候选还需结合支持读段、注释及研究目的复核,不等同实验确认。
失败时保留该目录,先看run.log结尾和STAR相关日志:库验证报错查版本与资源完整性;文件打不开查绝对路径和权限;进程被杀查调度退出记录及内存。不要关闭默认过滤器来“恢复”缺少候选的结果。再次运行用新批次目录,避免将上次部分文件当成新成功。
用实际样本决定并发数
汇总resource.txt中的最大RSS和墙钟时间,另用周期采样记录整个工作目录的盘高水位。参考库只占一份磁盘,不代表每个STAR进程共用同一份内存。并发预算应覆盖多个样本峰值、临时文件和系统余量,再逐步从顺序运行扩展。
脚本对LF清单设计;从Excel导出后先检查TAB和换行,空行、额外列或重复ID都应清理。gzip完整性检查不验证双端一一配对,提交前另查读段数量及名称匹配,避免R1与另一个样本的R2组成一个能够启动却无法解释的任务。
深度抽样可验证环境,但融合检出对读段支持和比对策略敏感,试跑未检出不能代表全量阴性。正式队列保持同一软件、参考、参数与输出规则,把资源安排变化和分析方法变化分别登记,结果才便于比较。
参考资料
需要额外算力时
适用前提:工具和参考库版本匹配,批量任务缺少兼容环境及计算资源。如需额外资源,可评估服务器租赁及按需环境部署。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
