3. Linux基础

做RNA-seq分析，说白了就是跟服务器打交道。我见过不少新手拿到服务器后，第一反应是打开图形界面，或者干脆买个云服务器配个桌面。嗯，这路子其实走偏了。如果你真想高效处理那些动辄几十GB的fastq文件，命令行才是你的主场。

这一章我不会给你从头讲Linux系统管理，那够写一本书了。我只讲做RNA-seq分析最常用的那套东西。你把这些用熟了，后面的分析流程才能跑得顺。

为什么必须用命令行？

RNA-seq的原始数据有多大？我举个例子。一个人类样本的双端测序，两个fastq文件加起来往往超过10GB。跑比对、定量、差异表达，哪个环节不得处理几个小时？

图形界面在这种场景下太慢了。而且你会发现，真正的生信工具——比如STAR、Salmon、DESeq2——它们就没有图形界面。你要用它们，就必须过命令行这一关。

连接服务器

你手头的Linux服务器是远程的，对吧？我们要用SSH连进去。命令很简单：

ssh username@your_server_ip

输入密码后，你就登陆到了服务器。这时候你看到的那个提示符，通常叫shell。它就是一个等待你输入命令的界面。

退出的时候打exit就行。我个人习惯每次连完服务器后，检查一下是否断开了连接，不然下次重连可能会提示端口被占用。这不算大问题，但挺烦人的。

文件系统——你得知道东西在哪儿

Linux的文件系统是一棵树，根是/。你想想看，一个典型的RNA-seq项目目录应该长什么样？我的经验是这样的：

project/
├── data/
│   ├── raw_fastq/
│   ├── trimmed_fastq/
│   └── alignment_bam/
├── scripts/
├── results/
│   ├── counts/
│   └── diff_expr/
└── logs/

这个结构看起来很清晰，对吧？但实际项目中我曾经见过有人把所有数据堆在/home/user/下面，文件名乱七八糟，过了三个月连自己都找不到东西在哪里。所以说，从一开始就养成好习惯非常重要。

常用命令——我先挑最重要的讲

命令太多，不可能一次全学完。我挑RNA-seq分析中出场频率最高的几个展开讲。

1. ls 和 cd

这两个命令是基础中的基础。ls列出当前目录下的文件和文件夹。cd切换目录。

ls
ls -l         # 详细信息
ls -lh        # 文件大小用人类可读的单位
ls -ltr       # 按时间排序，最近的在最后

cd data/
cd ..         # 返回上一级目录
cd ~          # 回到你的home目录

看下ls -lh的输出，那一长串像-rw-r--r--的东西是文件权限。左侧第一个字符是文件类型：-表示普通文件，d表示目录。后面九位分成三组，分别代表文件所有者、所在组、其他人的读(r)、写(w)、执行(x)权限。

做RNA-seq分析时，很多工具需要可执行权限。我遇到过一个情况：下载了STAR的二进制文件，但忘了给它加执行权限，结果跑分析时直接报错“Permission denied”。这个坑很简单，但很多人都会踩一次。

2. grep——搜索之王

做RNA-seq分析，grep是你最强大的朋友。它能帮你在文件中快速查找特定内容。

grep "TP53" gene_expression.txt                   # 找含有TP53的行
grep -v "unmapped" alignment_summary.txt          # 反向匹配(排除某词)
grep -c "ENSG" annotation.gtf                     # 统计匹配行数
grep -i "tumor" sample_info.txt                   # 忽略大小写
grep -n "FPKM" count_table.txt                    # 显示行号

在差异表达分析中，我经常用grep来快速检查某个基因的表达值。比如我怀疑BRCA1在某个样本中被异常沉默了，跑完定量后第一件事就是grep一下它的表达量。

3. awk——文本处理的瑞士军刀

如果说grep是做筛选的，那awk就是做数据提取和格式转换的。它把文件按行分成记录，按空格或制表符分成字段，然后你可以对字段进行操作。

awk '{print $1}' sample_list.txt                  # 打印第一列
awk '$3 > 0.05 {print $1, $2}' diff_result.txt    # 筛选p值大于0.05的基因
awk '{sum += $2} END {print sum}' counts.txt       # 统计第二列总和

在RNA-seq分析中，awk最经典的场景就是处理表达矩阵或差异表达结果。我写过一个脚本，用awk从DESeq2的输出中快速筛选出padj小于0.05且log2FoldChange绝对值大于1的基因：

awk -F'\t' '$7 < 0.05 && ($3 > 1 || $3 < -1) {print $1}' deseq2_results.tsv

-F'\t'是指定分隔符为制表符，因为TSV文件是用Tab分隔的。$7是第7列(padj)，$3是第3列(log2FoldChange)。

4. 其他命令快速过一遍

下面这些命令不详细展开了，但你一定要知道它们的存在：

命令	作用	RNA-seq中的应用场景
head / tail	查看文件头/尾	检查fastq文件的前几行，看格式是否正常
wc -l	统计行数	统计fastq中有多少条read
cut	按列提取	从CSV中提取样本名称列
sort / uniq	排序和去重	统计基因出现次数
sed	流编辑器，替换文本	批量修改样本名或路径

实战案例：查看一个fastq文件

说了这么多，不如直接拿一个fastq文件练手。fastq文件是Illumina测序的标准输出格式，每条read占4行。第一行以@开头，是序列标识符；第二行是碱基序列；第三行以+开头，有时重复标识符；第四行是质量分数。

我们试试：

# 查看前8行（两条read）
head -8 sample_1.fastq

# 输出示例：
@SRR123456.1 HWI-ST999:1:1101:1000:1000 length=101
ACGTACGTACGTACGTACGTACGTACGTACGTACGTACGTACGT
+
IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII

# 统计一共有多少条read
echo $(cat sample_1.fastq | wc -l) / 4 | bc

# 或者用awk一步搞定
awk 'END {print NR/4}' sample_1.fastq

我的避坑指南

这些坑我基本都踩过，写出来帮你省点时间：

• 文件权限问题：我曾经因为没给输入文件加读权限，跑STAR时等了半个小时，结果报错退出，白白浪费了时间。每次提交任务前，务必先ls -l检查文件权限。
• 路径写错：RNA-seq分析经常涉及多级目录。我建议把所有软件安装路径和项目路径写在一个配置文件中，比如config.sh，然后通过source config.sh加载变量。这样不容易写错。
• 通配符的陷阱：*.fastq会匹配所有以.fastq结尾的文件，但如果当前目录下有很多无关文件，可以把它们移到一个子目录中，避免误操作。
• 作业调度：如果你在集群上工作，用qsub或sbatch提交作业，不要直接在登录节点上跑大任务。我有一个同事就是直接在登录节点上跑STAR，结果管理员警告信马上就到了。

构建你自己的命令手册

最好的学习方式是边用边记。我建议你做一个小手册，把每次用到的命令和参数都写下来。下面是我个人笔记中的一个片段：

# 常用命令速查

# 查看文件大小
du -sh filename

# 解压gz文件
gunzip -k file.gz

# 统计某列的最大值
awk 'max < $2 {max = $2} END {print max}' data.txt

# 批量重命名
for f in *.txt; do mv "$f" "${f%.txt}.tsv"; done

# 后台运行并保存日志
nohup run_analysis.sh > analysis.log &

这个速查表我用了很久。每遇到一个新场景，我就加一条。现在我的笔记里有超过两百条命令，覆盖了从数据质控到最终可视化的全流程。

你看这张图，基本上就是我这章想说的全部内容。从SSH连接到文件系统，再到命令层面的ls、cd、grep和awk，最后是最佳实践——把这几部分串联起来，你就具备了处理RNA-seq数据的基本功。后面的章节我们会基于这些命令，真正开始跑差异表达分析。别急，一步一步来，先把基础打好。