Snakemake 简介与安装

大家好，欢迎来到这门课。说实话，在生物信息这个行当里摸爬滚打这些年，我最头疼的事情之一就是「重复搭建管道」。你想想看，每次拿到一批新的单细胞数据，都要手动跑一遍标准化、降维、聚类……累吗？累。容易出错吗？太容易了。

后来我遇到了 Snakemake。嗯，这东西一下子解决了我好几个痛点。它不是我见过最花哨的工作流工具，但它绝对是最合我胃口的。为什么？因为它用 Python 写规则，对搞生信的人来说，几乎没有学习门槛。你不需要学什么 DSL，直接用 Python 逻辑就能把管道搭起来。

Snakemake 的背景

Snakemake 是德国生物信息学家 Johannes Köster 开发的。我记得第一次在 GitHub 上看到这个项目时，它还是个不太起眼的小工具。后来慢慢发现，这东西越来越多人用，尤其是在生信领域。

它的核心思想其实很简单：你定义规则，它负责执行。每条规则告诉你输入是什么、输出是什么、要运行什么命令。Snakemake 会自动解析这些规则之间的依赖关系，然后按正确的顺序执行。

为什么在单细胞分析里它特别好用？我举个例子。Seurat 的流程通常是：读数据 → 质控 → 标准化 → 找高变基因 → 降维 → 聚类 → 找标记基因。这些步骤之间是有顺序依赖的。Snakemake 恰好擅长处理这种有依赖关系的任务拓扑。你把它画出来，其实就是一张有向无环图。

说白了，Snakemake 的使命就是：让你写一次管道，之后一劳永逸。不管数据来多少批，只要改个配置文件就能跑。

应用场景

我这些年用 Snakemake 做过的事情不少。从 RNA-seq 的定量流程，到单细胞 ATAC-seq 的预处理，再到大规模的群体遗传分析，Snakemake 几乎都能胜任。

给你列几个典型的应用场景：

  • 单细胞 RNA-seq 标准流程：用 Seurat 或者 Scanpy 做质控、标准化、聚类、注释，Snakemake 帮你把每一步串起来。
  • 多组学数据整合：同时处理转录组、表观组、蛋白质组数据，Snakemake 可以在不同分析模块间传递中间结果。
  • 批量样本处理：100 个样本？1000 个样本？Snakemake 能自动并行化，充分利用你的 CPU 核心。
  • 集群调度：你写本地规则，Snakemake 自动帮你往 SLURM、PBS、LSF 等集群系统上提交作业。我曾在 SLURM 集群上一次性提交过几十个作业，Snakemake 调度得比我自己手写脚本还稳。
  • 容器集成：Snakemake 原生支持 Docker 和 Singularity。我有个习惯：每个分析环境都打包成容器，Snakemake 跑起来自动拉取，再也不用操心环境不一致的问题。

我个人习惯把 Snakemake 管道和 Git 版本控制配合使用。每次分析完后，把 Snakefile 和配置一起提交。这样，半年后翻出来，还能完全复现当时的分析结果。

安装与验证

安装 Snakemake 其实很简单。我推荐用 Conda 或者 Pixi，这两个都是我实际项目里用过的。

方法一：使用 Conda

Conda 是目前生信社区最主流的包管理器。我在很多项目里都用它来隔离环境。

conda create -n snakemake-env -c conda-forge -c bioconda snakemake
conda activate snakemake-env

注意一点：我建议把环境名取成有意义的，比如 snakemake-env 或者 sc-snakemake。不然以后环境多了，你都不知道哪个是干嘛的。

方法二：使用 Pixi（推荐）

Pixi 是最近比较流行的一个包管理工具，比 Conda 快很多。我第一次用 Pixi 时，感觉安装速度明显比 Conda 快。而且它的环境隔离更干净。

pixi init snakemake-project
cd snakemake-project
pixi add snakemake
pixi shell

我个人现在更习惯用 Pixi，尤其是新项目。为什么？因为它快，而且依赖解析不容易出问题。

验证安装

装完之后，跑下面这条命令，看看能不能看到版本号。

snakemake --version

如果看到类似 8.25.3 这样的输出，就说明安装成功了。我建议你至少装 7.x 以上的版本，因为 7.x 之后 Snakemake 改进了不少东西，比如更好的日志输出和更灵活的配置文件支持。

我曾经遇到过一个问题：用 Conda 安装后，执行 snakemake --version 报错说找不到命令。排查半天发现是 Conda 环境没激活。嗯，这是个常见坑。你在新的终端窗口用 Snakemake 之前，一定要先 conda activate snakemake-env。

核心概念速览

在正式开始写规则之前，咱们先快速过一下 Snakemake 的四个核心概念。这些概念你搞明白了，后面写管道就会非常顺手。

概念 说明 我的一点经验
规则 (Rule) 定义输入、输出和要执行的命令。每条规则就是一个分析步骤。 规则名最好起成动词+名词的形式，比如 run_qc，一眼就知道是干嘛的。
输入输出 规则通过 input 和 output 声明文件依赖。 输出文件名一定要唯一且稳定，这样 Snakemake 才能正确推断依赖关系。
通配符 用 {sample} 这样的占位符，让一条规则处理多个样本。 通配符是 Snakemake 的精髓。我用它处理过上千个样本，一条规则就够了。
目标文件 运行 Snakemake 时指定要生成的文件，它会自动反推需要执行哪些规则。 我习惯把所有目标文件写在一个 all 规则里，清晰又方便。

一张图看懂本章核心

下面这张图，把 Snakemake 在单细胞分析管道中的位置和作用说清楚了。你仔细看看，体会一下 Snakemake 是怎么把「数据」和「规则」串起来的。

Snakemake 核心逻辑 rule run_qc 输入: raw.rds rule normalize 输入: qc.rds rule cluster 输入: norm.rds 通配符 {sample} 一条规则跑N个样本 自动并行 多核心 / 集群调度 容器集成 Docker / Singularity 一句话总结 Snakemake 接收你的规则和数据， 自动构建依赖图，按正确顺序执行，并支持大规模并行。 你只需要关心「做什么」，不需要关心「怎么做顺序调度」。

一个小例子：Hello Snakemake

咱们动手试一个最简单的例子。你新建一个文件叫 Snakefile，然后写入下面这段内容：

rule say_hello:
    output:
        "hello.txt"
    shell:
        "echo 'Hello, Snakemake!' > {output}"

然后在终端运行：

snakemake -c1 hello.txt

你应该会看到 Snakemake 打印出执行的步骤。然后检查一下当前目录，会出现一个 hello.txt，里面写着 Hello, Snakemake!。

这就是一条最简单的规则。虽然简单，但你可以看到它的骨架：rule 关键字 + output + shell。你以后写的所有复杂管道，本质上都是在扩展这同一个骨架。

我刚开始学 Snakemake 时，喜欢先拿这种小例子试手。确认环境没问题了，再一步步往上加复杂规则。这个习惯帮我省了不少排查环境问题的时间。

好了，这一章就到这里。你已经在电脑上装好了 Snakemake，也跑通了第一条规则。接下来，我们就要开始真正搭建 Seurat 的管道了。准备好你的 R 环境和 Seurat 包，咱们后面见。

← 上一章 📖 返回目录 下一章 →