外觀
偽比對、計數與 tximport (Pseudoalignment, Counting & tximport)
比較 Salmon / kallisto 的 transcript-level quantification,說明 gene-level read counting,以及如何用 tximport 將 transcript abundance 彙整到 gene-level differential expression 所需資料。
輕量比對的概念
Pseudoalignment 不計算完整 base-by-base genomic alignment,而是判斷 read 與哪些 transcript 相容。Quasi-mapping 或 selective alignment 則在 transcriptome space 中加入更精細的 mapping validation。這些方法通常比 genome alignment 快,輸出 transcript-level abundance。
| Concept | Meaning |
|---|---|
| Transcript-level quantification | 估計每個 transcript 的 abundance |
| Effective transcript length | 校正 fragment length 與可被觀測位置後的有效長度 |
| Equivalence class | 一組 read 對應到相同 transcript set |
| Bias correction | sequence-specific、GC、positional bias 的模型校正 |
| Bootstrap / inferential replicate | 估計 abundance uncertainty |
Salmon
Salmon 支援 quasi-mapping、selective alignment、bias correction 與 automatic library type detection。常見輸出是每個 sample 目錄下的 quant.sf。
建立索引
bash
salmon index \
-t reference/transcripts.fa \
-i results/04_salmon/index \
-k 31Decoy-aware transcriptome 會把 genome decoy sequence 加入 index,減少 reads 錯誤吸附到 transcriptome。真實專案中建議用 Salmon 官方建議流程建立 gentrome/decoy index,尤其是 vertebrate genome。
雙端定量
bash
salmon quant \
-i results/04_salmon/index \
-l A \
-1 sample_R1.fastq.gz \
-2 sample_R2.fastq.gz \
--validateMappings \
--seqBias \
--gcBias \
-p 8 \
-o results/04_salmon/quant/sample單端定量
bash
salmon quant \
-i results/04_salmon/index \
-l A \
-r sample_R1.fastq.gz \
--validateMappings \
--seqBias \
--gcBias \
-p 8 \
-o results/04_salmon/quant/sample重要參數:
| Parameter | Meaning |
|---|---|
-l A | 自動推測 library type |
--validateMappings | selective alignment;Salmon 1.0 起已是預設,保留只為相容舊版 |
--seqBias | 校正 sequence-specific bias |
--gcBias | 校正 GC bias |
quant.sf 欄位:
| Column | Meaning |
|---|---|
Name | transcript ID |
Length | transcript length |
EffectiveLength | 有效長度 |
TPM | transcript abundance |
NumReads | estimated read/fragment count |
kallisto
kallisto 以 pseudoalignment 與 EM algorithm 估計 transcript abundance。速度快、參數少,bootstrap 可估 uncertainty。
bash
kallisto index \
-i results/04_kallisto/index/transcripts.idx \
reference/transcripts.fa
kallisto quant \
-i results/04_kallisto/index/transcripts.idx \
-b 100 \
-t 8 \
-o results/04_kallisto/quant/sample \
sample_R1.fastq.gz sample_R2.fastq.gz單端資料必須指定 fragment length mean 與 standard deviation:
bash
kallisto quant \
-i results/04_kallisto/index/transcripts.idx \
--single \
-l 200 \
-s 30 \
-b 100 \
-t 8 \
-o results/04_kallisto/quant/sample \
sample_R1.fastq.gz注意:單端 fragment length 設錯會影響 effective length 與 abundance,尤其是 transcript-level interpretation。
基因層級計數 (Gene-level Counting)
若使用 STAR/HISAT2 產生 BAM,常用 featureCounts 或 HTSeq-count 產生 gene-level count matrix。
featureCounts 的核心概念是:把 exon feature 依 gene_id 聚合,計算 fragments/read 是否落在 gene 的 exon 上。
bash
STRAND=0 THREADS=8 \
bash scripts/featurecounts_gene_counting.sh reference/genes.gtf results/03_star/bam results/06_featurecounts重要參數:
| Parameter | Meaning |
|---|---|
-a | annotation GTF/GFF |
-o | output count matrix |
-t exon | 使用 exon feature |
-g gene_id | 以 gene_id 聚合 exon |
-p | paired-end input |
--countReadPairs | count fragments rather than individual reads |
-s 0/1/2 | unstranded / stranded / reversely stranded |
-M | count multi-mapping reads |
-O | 允許 overlapping features 都被計數 |
-T | threads |

圖 1. featureCounts assignment summary 示意圖。若 Assigned 很低,優先檢查 strandness、GTF/FASTA 版本、chromosome naming、BAM 是否 coordinate sorted,以及 reads 是否主要落在 exonic region。
常見策略:
- bulk gene-level DE 通常只 count primary alignment。
- multi-mapping reads 預設不算較保守;若研究 repetitive genes 或 gene families,可明確討論
-M。 - overlapping features 預設不重複計數;使用
-O會改變解讀。 - duplicate reads 是否移除取決於 library、UMI 與實驗目的;一般 bulk RNA-seq 不一定移除 PCR duplicates。
HTSeq-count 也可用於 gene counting,模式清楚但速度常較慢;featureCounts 在大型資料上通常更快。
tximport
Salmon/kallisto 產生 transcript-level 結果後,常用 tximport 匯入 R,並依 tx2gene 彙整到 gene-level。
完整 R script:
r
suppressPackageStartupMessages({
library(readr)
library(tximport)
})
metadata <- read_csv("data/sample_metadata.csv", show_col_types = FALSE)
tx2gene <- read_tsv("reference/tx2gene.tsv",
col_names = c("TXNAME", "GENEID"),
show_col_types = FALSE)
files <- file.path("results/04_salmon/quant", metadata$sample_id, "quant.sf")
names(files) <- metadata$sample_id
stopifnot(all(file.exists(files)))
txi <- tximport(
files,
type = "salmon",
tx2gene = tx2gene,
countsFromAbundance = "lengthScaledTPM"
)countsFromAbundance 的選擇:
| Value | Meaning | Use case |
|---|---|---|
no | 使用 estimated counts,不從 abundance 重算 | 保留原始 estimated counts 概念 |
scaledTPM | TPM 乘回 library size | 減少 abundance/count scale 差異 |
lengthScaledTPM | 同時考慮 gene-level effective length | 常用於 gene-level DE import |
輸出矩陣:
txi$counts:可進入 edgeR/DESeq2/limma-voom 的 estimated counts。txi$abundance:TPM,適合表達量展示與樣本內描述。txi$length:effective length,可作為 offset 或匯入模型所需資訊。
tximeta 是 tximport 的延伸,會追蹤 reference transcriptome checksum 與 annotation metadata,對 reproducibility 很有幫助。