1. RNA-seq分析概述与Nextflow简介

各位好，我是做生物信息学的老徐。今天开始咱们一起啃一个完整的案例——RNA-seq 定量分析流程，并且用 Nextflow 把它管起来。

RNA-seq，说白了就是给细胞里所有的 RNA 分子拍张“身份证照”，然后数一数每种 RNA 有多少份。这个数出来的结果，就是我们常说的“表达量”。你想想看，一个样本几千万条短读序列（reads），人工一条条数？不现实。所以我们需要一套自动化的流程，把原始测序数据转成基因/转录本的定量结果。

我个人习惯先把整体框架画出来，就像造房子先看图纸。下面这张图就是 RNA-seq 定量分析的核心步骤，也是咱们这个课程要动手搭建的骨架。

RNA-seq 定量分析到底在做什么？

很多新人会混淆“定量”和“差异分析”。咱们这章先把边界划清楚：定量是计算每个基因/转录本在样本中到底有多少条 reads 支持它。差异表达比较，是拿到定量结果之后的事。

定量分析通常包括三步：

• 原始数据预处理：去除低质量碱基、接头序列，得到干净的 FASTQ 文件。
• 比对或准比对：将 reads 映射到参考基因组或转录组。经典工具有 STAR、HISAT2，准比对类有 Salmon、kallisto。
• 计数或定量：统计比对到每个基因/转录本上的 reads 数，或直接基于准比对得到丰度估计。

对了，提个坑：我在项目中遇到过，有些新手直接用默认参数跑 Salmon，忽略了 library type 设置。结果表达量估算全反了——明明应该链特异，结果当成非特异来估。后来排查了两天才发现，嗯，参数没看对。

为什么要引入工作流管理？

以前我跑 RNA-seq 定量，都是写一堆 shell 脚本，用 for 循环遍历样本。看起来挺简单对吧？但你想想看：

• 服务器重启后，脚本跑到一半中断了，你不知道哪些步骤完成了，哪些没完成。
• 换了参考基因组版本，需要重新生成索引，手动改脚本里的路径很容易漏改。
• 想用不同的参数再跑一次？只能复制一份脚本，但修改起来心惊胆战。

这都是血泪史。我曾经因为路径写错，把前一版结果覆盖了，重算花了整整两天。从那以后，我就开始找能自动管理依赖、断点续跑、容器化封装的工作流工具。

说白了，工作流管理工具解决了三个核心问题：

1. 可重复性：所有步骤、参数、环境都写死在配置中，换了机子也能复现。
2. 自动化：输入样本列表，输出表达矩阵，中间出错自动重跑或跳过已完成步骤。
3. 并行计算：多样本自动并行，又能保证单样本内部的串联依赖正确。

Nextflow 初印象

业内比较流行的工作流工具，我接触过 Snakemake、CWL、WDL，但用得最顺手的还是 Nextflow。它有几个独到之处：

• 原生支持 Docker/Singularity 容器，解决环境依赖问题。
• 自动缓存中间结果，修改参数后只重新运行受影响的步骤。
• 对 HPC 和云平台（AWS Batch、Google Cloud）支持友好。
• 语法类似 Groovy，比纯粹 Python 的 Snakemake 更灵活。

举个例子，最简单的 Nextflow 脚本长这样：

#!/usr/bin/env nextflow

process FASTQC {
    input:
    path read
    output:
    path "*.html"
    """
    fastqc $read
    """
}

workflow {
    FASTQC( Channel.fromPath("data/*.fastq.gz") )
}

看到没？process 定义了一个任务，workflow 把输入通道和 process 连起来。几行代码就实现了批量跑 FastQC。而且 Nextflow 会自动帮你管理中间文件，下次再跑，如果输入没变化，它就直接跳过——这个叫缓存复用。

一个小对比：传统 shell 脚本 vs Nextflow

为了让你更直观地感受下差异，我列了个表格：

我个人倾向：如果是几个样本、一次性实验，shell 完全够用。但一旦涉及 10+ 样本、多条件对比、需要在不同集群上迁移，Nextflow 的优势就完全压倒了。