云生信学生物信息学

RSeQC队列质控实操:按模块分配资源并汇总运行记录

作者:发布于 2026-11-20更新于 2026-11-15约 7 分钟阅读
RSeQC按模块检查

RSeQC按模块检查:确认BED12参考;分开运行两模块;汇总退出与报告;核对比例解释
本文操作与检查路径示意。

RSeQC包含多种质控模块,不能给每个脚本统一加一个线程参数。队列分析更适合先选择能回答问题的模块,逐个测量,再安排样本并发。本文用RSeQC 5.0.5的infer_experiment.py与read_distribution.py检查bulk RNA-seq的链规则和基因组功能区分布,不把整套模块全部扫描一遍当作默认流程。

准备适用于两个模块的输入

需要已验证的独立环境、可读BAM和同组装参考基因模型BED12。GTF不能仅改扩展名当作BED12,转换后应核对外显子块、CDS和链信息。建议用坐标排序并已索引的标准BAM,先做结构检查;这不证明参考、文库和比对方法已经正确。该版已采用现代Python环境,旧版Python 2安装教程不作为本例前提。

模块 回答什么 资源与解释边界
infer_experiment 读段相对转录本的链方向 抽样;样本量与不可判断比例都要记录
read_distribution 比对标签在CDS、UTR、内含子等的分布 扫描与注释处理;标签数不等于读段数
输出汇总 哪些样本的哪个模块完成 退出状态和关键字段同时核对

每个模块单独写日志和资源记录

示例列出两个BAM绝对路径,应替换为项目文件;样本名取文件名,重复时立即停止。先顺序运行,无并发也能看清各模块成本。infer的二十万条抽样采用官方默认量级,数据少时不会因此变成足够覆盖;参数数值不是所有数据的质量标准。

set -euo pipefail
bed=/ref/genes.bed12
test -s "$bed"
mkdir rseqc-batch
python -c 'import importlib.metadata; print(importlib.metadata.version("RSeQC"))' \
  > rseqc-batch/version.txt
printf 'sample\tmodule\texit\treport\n' > rseqc-batch/runs.tsv
declare -A seen=()
for bam in /data/S01.bam /data/S02.bam; do
  id=$(basename "$bam" .bam)
  [[ -z "${seen[$id]+yes}" ]]; seen[$id]=1
  samtools quickcheck -v "$bam"
  d="rseqc-batch/$id"; mkdir "$d"
  for module in infer distribution; do
    status=0
    if test "$module" = infer; then
      /usr/bin/time -v -o "$d/$module.time" infer_experiment.py \
        -i "$bam" -r "$bed" -s 200000 \
        > "$d/$module.txt" 2> "$d/$module.log" || status=$?
    else
      /usr/bin/time -v -o "$d/$module.time" read_distribution.py \
        -i "$bam" -r "$bed" \
        > "$d/$module.txt" 2> "$d/$module.log" || status=$?
    fi
    printf '%s\t%s\t%s\t%s\n' "$id" "$module" "$status" "$d/$module.txt" \
      >> rseqc-batch/runs.tsv
    test "$status" -eq 0 || exit "$status"
    if test "$module" = infer; then
      grep -q 'Fraction of reads explained' "$d/$module.txt"
    else
      grep -q 'Total Assigned Tags' "$d/$module.txt"
    fi
  done
done

把运行检查转成可解释的质控记录

runs.tsv应有每个样本两条记录,并可定位到独立报告。读取infer中的两组方向比例和不可判断比例,与建库记录比对;两组接近、不可判断比例高时,应调查覆盖、重叠注释或文库情况,不能强行挑较大的一组当作可信链特异证据。

分布报告同时保留Total Reads、Total Tags与Total Assigned Tags。剪接读段可形成多个标签,某些上下游分组还存在嵌套;不要把所有百分比不加区分相加,或直接将标签比例解释为分子比例。跨样本比较使用同一BED12、软件和比对处理,避免参考差异制造假异常。

资源测量按模块汇总

从各time文件收集墙钟时间和最大RSS,另看设备I/O;分布统计涉及注释和文件扫描,瓶颈不一定与infer相同。先完成一个样本,再比较两个样本并发后的总体完成时间及RSS总量。没有通用线程选项时,不通过增加不存在的–threads试图提速。

汇总表可再加链方向两组比例、不可判断比例、Total Reads与Total Assigned Tags五列,失败项留空并写原因,不填零冒充测量结果。这样既能检查异常样本,也能避免某个模块失败后,读者仍将另一模块的成功状态当作整套质控通过。

缺字段或非零退出先查看对应module.log,核对BAM、BED12、染色体命名与注释格式。关键字符串检查只是自动验收的一层,还要确认报告数字和样本关系合理;不把空输入生成的格式完整报告认定为有效质控。通过的模块才进入汇总,失败样本保持可追溯状态。

参考资料

需要额外算力时

适用前提:选择适用质控模块后,批量扫描文件的计算与I/O超出现有能力。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

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。

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗