4. 比对工具选择

RNA-seq 做差异分析，第一步就是比对。说白了，就是把测序得到的 read 贴到参考基因组或者转录本上。这一步选不对工具，后面全白搭。我自己做过几十个 RNA-seq 项目，踩过各种坑，今天就把三个主流工具——STAR、Hisat2、Salmon 的选型逻辑给你讲透。

核心差异：基因组比对 vs 转录本定量

这三个工具不能简单“哪个好哪个差”来评价。它们解决的是不同层面的问题：

  • STAR：基于基因组索引的 splice‑aware 比对器。会找到每个 read 在基因组上的精确位置，包括跨越内含子的剪接 junction。结果产出 BAM 文件。
  • Hisat2：同样是基因组比对器，但用了层级索引策略，速度比 STAR 快，内存也低不少。也是输出 BAM。
  • Salmon：严格来说不是“比对器”，是“准比对器”（quasi‑mapping）。它不找 read 在基因组上的精确坐标，而是直接判断 read 来自哪个转录本 isoform，输出 counts 矩阵和 TPM。没有 BAM。

你想想看，如果你需要做可变剪接分析、融合基因检测、或者看 allele‑specific 表达，那你必须用 STAR 或 Hisat2。如果只是常规基因水平的差异表达，Salmon 又快又准，是我个人最常选的路线。

一句话总结：
STAR 是全能型，Hisat2 是轻量型，Salmon 是赛道颠覆者。
你用哪个，取决于你下游还要做什么，以及你的计算资源。

STAR：标杆级精度，但吃资源

STAR 在我项目里出现频率最高。为什么？因为它的 junction 检测太准了。我记得有一次做肿瘤 RNA-seq，要鉴定融合基因，STAR 一次性找到了那个罕见的 BRAF 融合，Hisat2 直接漏掉了。从那以后，只要涉及剪接相关分析，我无脑选 STAR。

STAR 的索引构建非常吃内存。人的基因组你需要至少 30 GB RAM。我当时用 128 GB 服务器跑，索引差不多 10 分钟搞定。机器不够的话，就会 swap 到死机。

# STAR 索引构建（人基因组）
STAR --runThreadN 16 \
     --runMode genomeGenerate \
     --genomeDir ./STAR_index \
     --genomeFastaFiles Homo_sapiens.GRCh38.fa \
     --sjdbGTFfile Homo_sapiens.GRCh38.gtf \
     --sjdbOverhang 149

# 比对
STAR --genomeDir ./STAR_index \
     --readFilesIn sample_R1.fastq sample_R2.fastq \
     --runThreadN 16 \
     --outSAMtype BAM SortedByCoordinate \
     --outFileNamePrefix sample_

优点：

  • 精度业内公认最高，特别是在 junction 边界的 read 分配上
  • 自带 chimeric detection，融合基因首选
  • BAM 文件可以直接进 GATK、samtools 等后续工具

缺点：

  • 索引内存消耗大（人的参考基因组需要 30+ GB）
  • 比对速度比 Hisat2 慢一些，尤其 read 数大的时候
  • 输出文件体积巨大，一个样品 BAM 轻松几十 GB

Hisat2：轻骑兵，适合批量和低配机器

Hisat2 是我在学生时代用得最多的。当时实验室服务器只有 64 GB，跑 STAR 索引会卡。Hisat2 的层级索引（全局索引 + 局部索引）让内存降到了 5 GB 左右，速度反而快了一截。

但要注意，Hisat2 的 junction 检测精度略低于 STAR。我做过一次对比实验，用同一个模拟数据集，STAR 能正确 mapping 的跨内含子 read 比 Hisat2 多出 2~3%。如果你的 read 长度短（比如 50 bp 单端），Hisat2 容易把 read 定位到错误的外显子上。嗯，这里要特别警惕。

# Hisat2 索引构建
hisat2-build -p 16 Homo_sapiens.GRCh38.fa hisat2_index

# 比对
hisat2 -x hisat2_index \
       -1 sample_R1.fastq -2 sample_R2.fastq \
       -p 16 \
       --dta-cufflinks \
       -S sample.sam
小经验： 如果后面要用 StringTie 组装转录本，记得加 --dta-cufflinks 或 --dta 参数，让 Hisat2 输出更友好的剪接位点信息。

优点：

  • 内存极低（4~5 GB），16 GB 内存的机器也能跑
  • 比对速度快，比 STAR 快 1.5~2 倍
  • 双端比对一致性不错

缺点：

  • 短 read 或低质量数据的 junction 分配偏保守
  • 没有内置的 chimeric/fusion 检测模块
  • 生成的 SAM 文件大，需要压缩或转 BAM

Salmon：免比对时代的标杆

Salmon 严格来说不算“比对”，它用的是 quasi‑mapping，直接在转录本索引上做 k‑mer 匹配。这就带来两个好处：第一，不再需要 splice‑aware 的基因组索引，省去大量内存；第二，它有自己的一套“偏差校正”模块，能自动修正 GC bias、片段长度 bias、序列偏好 bias。我做过几十个样品的大批量分析，Salmon 跑完一个样品只要十几分钟，资源消耗比 STAR 低一个数量级。

同样，Salmon 默认输出的是 transcript‑level 的 counts，你需要用 tximport 汇总到 gene level 才能喂给 DESeq2 或 edgeR。

# Salmon 索引构建
salmon index -t Homo_sapiens.GRCh38.cdna.all.fa \
             -i salmon_index \
             -p 16

# 定量（双端）
salmon quant -i salmon_index \
             -l A \
             -1 sample_R1.fastq -2 sample_R2.fastq \
             -p 16 \
             --gcBias --seqBias \
             -o sample_quant

# 然后用 tximport 整合到 gene 级别
# R 代码片段
library(tximport)
library(DESeq2)
txi <- tximport("sample_quant/quant.sf", type = "salmon", txOut = FALSE)
dds <- DESeqDataSetFromTximport(txi, colData = coldata, design = ~ condition)
注意：Salmon 不做“基因组比对”，所以它不能帮你做 junction 层面的分析。如果你要做 differential splicing、novel isoform discovery，Salmon 不合适。另外，如果参考转录本不完整（比如非模式物种），Salmon 的准确性会受明显影响。

优点：

  • 速度极快，资源消耗极低
  • 内置多种偏差校正，定量结果有时比 STAR 更准确
  • 直接输出 counts、TPM、有效长度，下游差异分析一步到位

缺点：

  • 无法用于可变剪接等基因组级别分析
  • 依赖高质量、完整的转录本参考
  • 多样品整合时需要注意“libtype”参数（-l A 自动检测一般够用）

三大工具关键参数对比

维度STARHisat2Salmon
类型基因组 splice‑aware 比对基因组 splice‑aware 比对转录本准比对 (quasi‑mapping)
输出BAM / junction 文件SAM/BAMquant.sf (counts, TPM, 有效长度)
索引内存 (人)~30 GB~4 GB~8 GB
比对速度 (37M 双端)~20 min~10 min~5 min (定量)
Junction 精度★★★★★★★★☆☆不适用
偏差校正无内置无内置GC、长度、序列偏好、fragment GC bias
适用场景可变剪接、融合基因、变异检测常规差异表达（资源受限）常规差异表达（批量、快速）

我的选型决策流程

做一个项目之前，我会先问自己三个问题：

  1. 下游分析需不需要基因组坐标？ 如果需要 junction、fusion、ASE → STAR。不需要 → 看第 2 问。
  2. 机器内存多少？ 少于 16 GB → 排除 STAR。用 Hisat2 或 Salmon。
  3. 样品数量多少？ 大于 50 个样品，且没有大量计算资源 → 无脑 Salmon。否则 Hisat2 也可接受。

下面是我脑内的一张决策图，你可以看看：

RNA-seq 比对工具选型决策流程 项目启动 需基因组坐标？ 是 STAR fusion/junction/ASE 否 内存 <16GB？ 是 Hisat2 低资源经典比对 否 Salmon 快速批量定量 注：如果资源充足且下游要跑剪接分析 → STAR。否则优先 Salmon，其次是 Hisat2。

避坑指南

  • 我不建议 在同一个项目中混用两种不同的比对/定量工具。我曾见过有人第一台机器用 STAR，第二台因为资源不够换 Salmon，最后合并 counts 时发现基因表达量系统性偏差，调了很久。
  • Salmon 的小陷阱： 如果你用的是双端数据，但插入片段比较极端（比如小于 50 bp），Salmon 的 fragment length distribution 估计会不准，导致 TPM 偏差。加 --fldMean 和 --fldSD 可以手动指定。
  • Hisat2 的 --dta-cufflinks 参数 和 STAR 的 --outSAMstrandField intronMotif 是给 Cufflinks/StringTie 准备的，如果你不打算用它们做转录本组装，加不加影响不大。
  • 永远别信默认参数！ 尤其 STAR 的 --outFilterMultimapNmax 默认是 10，对于多比对的 read，它可能放过太多 multi‑mapping 导致假阳性。我通常设成 1 或 2，除非你有充足理由需要保留多比对。
效率策略： 如果你用 Salmon，建好索引后可以拿一个样品跑一下，看看 quant.sf 里的 EffectiveLength 列是否有意外值（比如 0）。一旦发现有大量 0，说明参考转录本版本有问题，或者 read 长度与索引不匹配。这时候切回 STAR 或者换一个 GRCh38 的参考集。

最终建议

我自己的常规管线是这样配置的：批量 RNA-seq 差异分析（不做剪接）→ Salmon + tximport。需要看剪接 / fusion → STAR + StringTie + rMATS。小项目或者教学演示 → Hisat2，资源友好且容易可视化。你没有必要在某一个工具上“一条路走到黑”，关键看你的数据和你的问题。希望这张决策图和对比表能帮你少走弯路。嗯，就这样，开始跑你的数据吧。

← 上一章 📖 返回目录 下一章 →