云生信学生物信息学

recount3队列准备教程:项目筛选、分批提取与资源记录

作者:发布于 2026-11-21更新于 2026-11-15约 7 分钟阅读
recount3逐项目提取

recount3逐项目提取:固定项目与来源;统一注释和单位;逐项目保存RDS;核对样本与特征
本文操作与检查路径示意。

跨项目提取recount3时,先明确研究范围、物种与特征层级,再决定保存哪些对象。把所有项目一次放进R列表,可能在下载完成后才出现内存峰值。本篇以人类基因层级为例,按项目顺序构建并保存对象;下载缓存、RDS和后续矩阵分别登记,不把公共数据提取直接等同于完整队列分析。

筛选项目时保存选择依据

在已验证的recount3与Bioconductor环境中获取available_projects,先查看字段及项目描述。一个项目ID可能出现于不同来源类别,不能只匹配project就取第一行。示例选用官方演示项目SRP009615,实际研究应另外核对组织、测序方案、实验条件、重复与潜在样本重叠。项目能下载不代表能纳入同一个统计设计。

对象 固定内容 保留证据
项目表 物种、project、project_type 完整筛选表及纳入理由
表达 gene/exon/jxn及注释版本 RSE metadata与特征ID
计数单位 覆盖和转换后read counts区分 转换参数与assay名称
存储 下载缓存、RDS、导出结果 各目录容量及保留计划

先保存一份可复查的项目对象

下面R脚本创建新目录,保持一个项目完成后才处理下一个。把todo改为已核对ID列表,并确认每个项目只对应一行。示例使用G026人类基因注释;其他物种或注释应按annotation_options选择,不能将不同注释的行按位置直接拼接。网络和缓存位置须在运行前确认。

library(recount3)
library(SummarizedExperiment)
stopifnot(dir.create("recount-batch-001"))
writeLines(capture.output(sessionInfo()),"recount-batch-001/session.txt")
projects <- available_projects(organism="human")
saveRDS(projects,"recount-batch-001/project-catalog.rds")
todo <- c("SRP009615")
stopifnot(length(todo)>0,!anyDuplicated(todo))
for (id in todo) {
  info <- subset(projects,project==id & project_type=="data_sources")
  stopifnot(nrow(info)==1)
  d <- file.path("recount-batch-001",id)
  stopifnot(dir.create(d))
  write.csv(info,file.path(d,"selection.csv"),row.names=FALSE)
  rse <- create_rse(info,type="gene",annotation="G026")
  stopifnot(nrow(rse)>0,ncol(rse)>0,!is.null(colnames(rse)),
            !anyDuplicated(rownames(rse)),!anyDuplicated(colnames(rse)))
  assay(rse,"counts") <- compute_read_counts(rse)
  saveRDS(rse,file.path(d,"gene-rse.rds"))
  write.csv(as.data.frame(colData(rse)),file.path(d,"samples.csv"))
  writeLines(capture.output(metadata(rse)),file.path(d,"source.txt"))
  cat(id,nrow(rse),ncol(rse),format(object.size(rse),units="MiB"),"\n")
  rm(rse);gc()
}

检查计数单位与跨项目对齐

recount的原始特征值以覆盖信息为基础,compute_read_counts进行转换,不应把raw_counts直接当作普通read count。保存原始assay和转换后的counts,并记录默认是否取整;这也不是单细胞UMI计数。重新读取一个RDS,核对行列、样本ID、metadata中的注释和来源,以及转换assay是否存在。

合并前先比较所有特征ID及其顺序;有版本后缀、PAR区域或重复符号时保留原始ID,不先改成gene symbol再静默求和。样本列保留项目与原始运行标识,核对同一生物样本是否多次测序。不同项目的临床或条件字段需要另做字典,不能将相同列名自动视为同一含义。

按实际保留范围安排资源

用独立Rscript进程及GNU time记录墙钟与最大RSS,日志保留每项目维度和对象大小;object.size不等于进程峰值。缓存命中和首次下载分开统计,RDS压缩后的体积也不能代表内存。项目数很多时先保存逐项目索引,不为方便浏览一次readRDS全部对象。

逐项目登记实际样本数,并与选定项目元数据及下载日志对照;样本数量异常先查项目类别和输入是否完整。整合后仍保留项目字段,以便发现某个条件是否只出现在一个项目,避免批次与研究条件完全混杂却继续做组间解释。

下载失败先看镜像、网络与缓存日志,按官方支持的recount3_url更换有效镜像并记录;不能删除整份共享缓存试运气。失败项目保留选择表,重跑使用独立新批次目录,避免与已完成RDS混在一起。扩展前填写项目数、样本数、缓存及结果保留量,再明确后续标准化、批次与统计模型任务。

参考资料

需要额外算力时

适用前提:已确定研究范围和后续分析,批量对象与结果需要额外容量,并确认有后续服务器分析任务。如需额外资源,可评估服务器租赁及按需工作盘或存储。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 ↗