Skip to content

分析流程 › RNA-seq › 04 定量

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。

ConceptMeaning
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 correctionsequence-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 31

Decoy-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:

ParameterMeaning
-l A自動推測 library type
--validateMappingsselective 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:

ColumnMeaning
Nametranscript ID
Lengthtranscript length
EffectiveLength有效長度
TPMtranscript abundance
NumReadsestimated 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:

ParameterMeaning
-aannotation GTF/GFF
-ooutput count matrix
-t exon使用 exon feature
-g gene_id以 gene_id 聚合 exon
-ppaired-end input
--countReadPairscount fragments rather than individual reads
-s 0/1/2unstranded / stranded / reversely stranded
-Mcount multi-mapping reads
-O允許 overlapping features 都被計數
-Tthreads

featureCounts assignment summary

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:

ValueMeaningUse case
no使用 estimated counts,不從 abundance 重算保留原始 estimated counts 概念
scaledTPMTPM 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。