STAR、HISAT2 与 Salmon
STAR 比对准确、对剪接位点敏感，但内存占用高；HISAT2 内存需求小，适合普通工作站；Salmon 直接估计转录本丰度，速度快。只做定量可选 Salmon，要做剪接、融合或 RNA 编辑分析则需保留基因组比对结果。
31个分析 Skill · Codar 生信插件
转录组学 AI 分析
转录组学研究基因在不同条件下如何表达和加工，常见数据是 Bulk RNA-seq 的 FASTQ 或计数矩阵，也包括 small RNA、Ribo-seq、CLIP-seq 等测序。Codar 的转录组插件覆盖表达定量、差异表达、可变剪接、融合转录本、RNA 编辑与修饰、非编码 RNA、翻译组和转录因子活性推断。
转录组学能回答哪些研究问题
- 处理组和对照组之间有哪些基因显著上调或下调？
- 药物处理后哪些外显子跳跃或内含子保留事件发生了改变？
- 肿瘤 RNA-seq 中能否检出有支持证据的融合转录本？
- 哪些转录因子的活性在两种条件之间发生了变化？
- 转录水平的变化是否同样体现在翻译效率上？
转录组学分析流程
- 1
核对实验设计
整理样本表中的分组、批次和配对关系，确认单端或双端、是否链特异，这决定后续模型和定量参数。
- 2
质控与比对
检查测序质量、接头和 rRNA 残留，比对到参考基因组或做伪比对定量，注释版本要前后一致。
- 3
表达定量
生成基因和转录本层面的计数矩阵，用样本相关性和 PCA 找出离群样本与批次效应。
- 4
差异与专项分析
按设计矩阵做差异表达，再视问题做可变剪接、融合转录本、RNA 编辑或非编码 RNA 分析。
- 5
调控层面解读
推断转录因子活性，把差异基因列表转成调控层面的线索，必要时结合 Ribo-seq 看翻译变化。
- 6
整理交付
输出火山图、热图、差异结果表和分析脚本，并记录软件版本与参数，便于写方法部分。
常用方法与怎么选
DESeq2、edgeR 与 limma-voom
三者都以原始计数为输入，不能用 TPM 或 FPKM 代替。DESeq2 的离散度收缩在小样本时较稳健，edgeR 建模更灵活，limma-voom 适合样本量较大或协变量较多的设计。已知批次应写进模型。
rMATS、SUPPA2 与 leafcutter
rMATS 按外显子跳跃、内含子保留等事件类型比较组间差异；SUPPA2 基于转录本定量计算 PSI，运行快；leafcutter 从剪接读段聚类出发，不依赖注释，便于发现新剪接点。剪接分析对读长和深度更敏感。
STAR-Fusion 与 Arriba
两者都基于 STAR 的嵌合比对检测融合基因，是肿瘤 RNA-seq 的常用工具。不同工具的候选常有差异，有跨断点读段支持、且被多个工具检出的融合更可信，关键候选通常还需 RT-PCR 验证。
需要准备的数据
- 原始 FASTQ 文件或已生成的基因计数矩阵
- 样本信息表：分组、批次、配对关系
- 参考基因组与注释版本，如 GRCh38 与 GENCODE
- 或公开数据的 GEO、SRA 编号
能得到的结果
- 基因与转录本表达矩阵（counts、TPM）
- 差异表达结果表及火山图、热图
- 样本 PCA 与相关性质控图
- 可变剪接事件与融合转录本候选列表
- 转录因子活性推断结果
- 可复现的分析脚本与参数记录
转录组学插件包含的分析能力
共 31 项。启用插件后，Codar 会按任务自动选用，不需要逐个记住名称。
- 转录与翻译调控元件分析
- 可变剪接分析
- Bulk RNA-seq差异表达分析
- 融合转录本检测
- RNA修饰位点分析
- 非编码RNA分析
- CLIP-seq与RBP结合分析
- Ribo-seq翻译组分析
- RNA编辑检测
- RNA-seq表达定量
- 转录因子活性推断
- 转录本组装
nf-core 标准流程（19 个）
- nf-core-alleleexpression流程
- nf-core-cageseq流程
- nf-core-circrna流程
- nf-core-clipseq流程
- nf-core-dartseq流程
- nf-core-denovotranscript流程
- nf-core-lncpipe流程
- nf-core-nanostring流程
- nf-core-nascent流程
- nf-core-riboseq流程
- nf-core-rnafusion流程
- nf-core-rnaseq流程
- nf-core-rnasplice流程
- nf-core-rnastructurome流程
- nf-core-slamseq流程
- nf-core-smrnaseq流程
- nf-core-stableexpression流程
- nf-core-tfactivity流程
在 Codar 里怎么用
- 1
切换到生信模式
在 Codar 左上角选择 Codar 生信。
- 2
启用「转录组学」
在插件页找到「转录组学」，安装或启用。
- 3
描述研究问题
用一句话写清数据和目标，确认分析方案后开始执行。
可以这样提问
读取 counts.csv 和 samples.csv，核对样本与分组，用 DESeq2 做差异表达分析，并输出火山图和差异基因表。
转录组学常见问题
TPM、FPKM 和 counts 有什么区别，差异分析该用哪个？
TPM 和 FPKM 对测序深度和基因长度做了标准化，适合展示或样本内比较；差异表达分析应使用原始 counts，交给 DESeq2、edgeR 等工具在模型里完成标准化。直接对 TPM 做 t 检验会忽略计数数据的方差特性。
RNA-seq 测序深度多少够用？
只做基因水平的差异表达，常见经验是每个样本 2000 万到 3000 万条读段；要分析可变剪接、低丰度转录本或融合基因，一般需要更深的测序和双端读长。预算有限时，增加生物学重复通常比单纯加深度更有帮助。
RNA-seq 的批次效应怎么处理？
如果批次与分组交叉分布，较稳妥的做法是在差异分析模型中把批次作为协变量；ComBat-seq 等方法校正后的矩阵更多用于可视化和聚类。若批次与分组完全重合，统计上无法区分两者，只能在实验设计阶段避免。
相关实践案例
其他生信插件
macOS 12+Mac
Windows 10+Windows