3. 计算生物典型工作流剖析

计算生物工作流不是一条简单的“输入数据—运行软件—输出结果”直线，而是一条由多个可独立失败、可独立追踪的节点串联而成的链条。理解这条链条的关键，在于识别每个节点上“什么被改变了、改变是否被记录、改变能否被重放”。本节以一条典型的 RNA-seq 差异表达分析工作流为主线，剖析从原始测序数据到最终差异基因列表的完整链条，并标出影响追踪与复现的关键节点与常见陷阱。

一、工作流的五个逻辑阶段

一条完整的 RNA-seq 差异表达工作流通常包含五个逻辑阶段：原始数据获取、质量控制与预处理、比对或定量、统计建模、结果汇总与解释。每个阶段都有明确的输入、输出和可观测的中间状态。追踪与复现的核心，不是记住软件名称，而是记住每个阶段“输入是什么、输出是什么、中间发生了什么变换”。

以示例项目为例：假设我们有一组双端 RNA-seq 数据，6 个样本，分为对照组（Control）和处理组（Treatment），每组 3 个生物学重复。原始数据为 6 个 _R1.fastq.gz 和 6 个 _R2.fastq.gz 文件，参考基因组为 GRCh38，注释版本为 GENCODE v44。这些信息本身就是追踪的起点——如果连样本分组、参考版本、注释版本都没有记录，后续任何结果都无法被可靠复现。

二、关键节点与常见陷阱

节点 1：原始数据完整性。原始 FASTQ 文件一旦被修剪或过滤，就不再是“原始数据”。常见陷阱是把质控后的文件覆盖原文件，导致无法回溯到真正的原始输入。正确做法是保留原始文件只读，所有处理输出写入独立目录，并用校验和（如 MD5）记录原始文件指纹。

节点 2：参考基因组与注释版本。比对和定量都依赖参考序列与注释文件。常见陷阱是只记录“用了 GRCh38”，却没有记录具体补丁版本、下载来源和注释版本。不同注释版本之间基因模型可能变化，直接影响定量结果。建议在项目目录中保存参考文件的来源 URL、下载日期和校验和。

节点 3：软件与参数。同一软件不同版本、同一版本不同参数，都可能产生不同结果。常见陷阱是只记录软件名，不记录版本和完整命令行。例如 fastp 的 --cut_right 与默认模式行为不同，salmon 的 --libType 设置错误会导致链特异性判断失败。追踪要求记录完整命令、版本号和关键参数。

节点 4：中间文件与样本顺序。多样本并行处理时，样本顺序、批次信息和文件对应关系极易出错。常见陷阱是样本表（sample sheet）与文件名不一致，导致分组标签错位。建议在流程开始前生成一份样本清单，明确 sample_id、group、R1、R2 四列，并在后续步骤中始终以 sample_id 为主键。

节点 5：统计建模与结果阈值。差异表达分析中的设计矩阵、对比设置、多重检验校正方法和显著性阈值，都是结果解释的一部分。常见陷阱是只保存最终基因列表，不保存设计矩阵和对比定义，导致无法判断“差异”是针对哪个比较。追踪要求保存设计公式、对比向量和阈值参数。

三、从链条视角看追踪与复现

把工作流看作链条后，追踪与复现的任务就变得具体：对每个节点，记录输入指纹、工具版本、完整命令和输出校验和。这四类信息构成“足以重建该节点”的最小信息集。如果某个节点缺少其中任何一项，该节点就无法被独立重放，整条链条的可复现性就会在该处断裂。

以示例项目为例，一个可追踪的项目目录可以这样组织：

project/
├── raw/                    # 原始 FASTQ，只读
│   ├── ctrl_1_R1.fastq.gz
│   ├── ctrl_1_R2.fastq.gz
│   └── ...
├── metadata/
│   ├── samples.tsv         # sample_id, group, R1, R2
│   └── reference.txt       # GRCh38 补丁号, GENCODE v44, URL, MD5
├── qc/                     # fastp 输出
├── quant/                  # salmon 输出
├── deseq2/                 # 设计矩阵、对比、结果表
└── logs/
    ├── fastp.cmd
    ├── salmon.cmd
    └── deseq2.R

其中 samples.tsv 是贯穿全流程的主键表，reference.txt 记录参考来源，logs/ 保存完整命令和脚本。这样，即使换一台机器、换一个时间点，只要这些信息完整，就能从原始数据重新生成最终结果。

四、常见陷阱的识别与规避

陷阱 A：覆盖原始文件。修剪后的 FASTQ 直接覆盖原始文件，导致无法回溯真正的原始输入。规避方法是原始目录设为只读，所有处理输出写入独立目录，并在流程开始时计算原始文件 MD5。

陷阱 B：版本信息缺失。只记录“用了 GRCh38”，却没有记录补丁版本、注释版本和下载来源。不同注释版本之间基因模型可能变化，直接影响定量结果。规避方法是在 reference.txt 中记录完整版本号、来源 URL、下载日期和校验和。

陷阱 C：样本标签错位。文件名与分组表不一致，导致对照组与处理组颠倒。规避方法是以 sample_id 为主键，在流程入口和出口各做一次样本清单校验，确保分组标签与文件对应关系一致。

陷阱 D：只保存最终结果。只保留差异基因列表，不保存设计矩阵、对比定义和阈值参数，导致无法判断“差异”是针对哪个比较。规避方法是在 deseq2/ 目录中保存设计公式、对比向量、校正方法和显著性阈值。

五、结果判读与链条完整性检查

当工作流运行完成后，结果判读不应只看最终基因列表，而应沿着链条反向检查：原始数据校验和是否与记录一致？样本清单是否与文件名一一对应？工具版本是否与日志一致？设计矩阵是否与分组表一致？阈值参数是否与结果表一致？只有这些检查全部通过，最终结果才具备可追踪、可复现的基础。

在实际项目中，建议把上述检查固化为一个简单的清单，在每次运行结束后逐项确认。这样，工作流就不再是一次性的“黑箱运行”，而是一条每一步都可被观察、记录和重放的透明链条。