生信工具栈速览：按工作流选工具

做生信分析时最容易踩的一个坑是："这个工具的名字我听说过很多次，但不知道它在整条流水线里的哪个位置"。结果是收藏夹里堆满 GitHub 链接，每次开始新项目还是从零找工具。

这篇文章把我们常用的一些工具按实际工作流分层列出来，每类工具只给一到两个首选。不追求"最全"，只说"从单细胞或 bulk 项目一路到发表，大致在哪些步骤用什么"。

备注

本文写于 2024 年中，工具版本号可能滞后。每个条目下的官方链接会跳到最新文档；具体版本和命令以官方为准。

环境与包管理

单细胞和 bulk RNA-seq 项目里至少要准备三个环境：R、Python、命令行工具。它们的包管理方式不同，建议分开。

• Python：先用 Miniforge / Mamba，速度比 conda 快数倍，conda-forge 和 bioconda 频道都能用。有些新项目开始用 uv，纯 Python 依赖非常快，但 Bioconductor 和 conda 生态不覆盖。
• R：用 RStudio 做日常分析，配合 renv 锁定项目级依赖。单细胞会大量依赖 Bioconductor 的 BiocManager::install。
• 系统级命令行工具：如果是 macOS 用 Homebrew，Linux 直接 apt/yum 装 samtools、bcftools、bwa、fastqc 等。服务器上建议另外装一个 mamba，专门用来装 bioconda 里的命令行工具（cellranger 除外，它需要官方下载）。

我们的 编程基础：R、Python、Bash 学习路径 里会更系统地讲这一套。

上游数据处理

拿到测序下机的 FASTQ 之后的第一步。

• 单细胞（10x Chromium）：cellranger count 是事实标准，输出的 filtered_feature_bc_matrix 几乎被所有下游工具支持。参考模块 02 原始数据处理与 Cell Ranger。
• 单细胞（非 10x / 自己建参考）：STARsolo 和 Alevin-fry 是主流替代，后者用的是 Salmon 的准比对框架，速度快、占内存低。
• bulk RNA-seq 比对路径：STAR 或 HISAT2 做比对，然后 featureCounts（subread）做定量。
• bulk RNA-seq 准比对路径：Salmon 或 kallisto 直接在转录本层面定量，跳过 BAM。小样本项目推荐这条。
• DNA 重测序比对：BWA-MEM 仍然是标配，minimap2 在长读长（PacBio / ONT）里是首选。

质量检查的通用工具是 FastQC + MultiQC，所有方向都用得上。MultiQC 可以把一个项目几十个样本的 FastQC / STAR / Salmon / Cell Ranger 报告聚成一张总览，强烈建议每个项目都跑一遍。

单细胞下游分析

表达矩阵拿到手之后：

• R 主线：Seurat。标准 PBMC 分析、多模态（CITE-seq）、空间（Visium）都能覆盖，教程和社区最完整。
• Python 主线：Scanpy。速度更快，更适合大数据集（> 100k 细胞）和深度学习整合。
• 轨迹推断：Monocle3（分支复杂的轨迹）、Slingshot（简单快速）、scVelo（RNA velocity）。
• 细胞通讯：CellChat 用的是经过人工整理的配体-受体数据库，结果可解释性好。
• scATAC-seq：ArchR（大样本）或 Signac（Seurat 生态内）。

这些工具在 单细胞实践教程 01 到 12 里都有对应模块。

bulk RNA-seq 下游分析

• 差异表达：DESeq2 是默认选择。edgeR 和 limma-voom 是等价的替代，文献里都能看到。
• 功能富集：clusterProfiler 一站式支持 GO / KEGG / Reactome / GSEA，出图也好看。
• 探索性：PCA、样本相关性、top variable genes — 用 DESeq2 的 vst 输出配合 ggplot2 就够。

完整例子见 bulk RNA-seq 实践教程。

多组学整合

• 最常用：MOFA2。对缺失值友好，小样本可用。
• 监督整合：mixOmics 的 DIABLO 方法。
• 患者分层 / 亚型发现：SNFtool。
• 共表达网络：WGCNA。

详见 多组学整合实践教程 和 多组学数据整合分析入门。

变异分析

• 变异检测：GATK（best practices 最完整）或 DeepVariant（深度学习方法，对很多基准数据集精度更高）。
• 变异过滤：bcftools 或 GATK VariantFiltration。小项目直接硬过滤；大项目上 VQSR 或 ML 模型。
• 变异注释：VEP、SnpEff、ANNOVAR。

详见 基因组学实践教程。

可视化

• R 生态：ggplot2 是底座；热图用 ComplexHeatmap；火山图 EnhancedVolcano。
• Python 生态：matplotlib + seaborn。scanpy 自带的绘图函数对单细胞结果足够。
• 交互式：plotly 或者 R 的 shiny。给合作者做 dashboard 时很有用，但对可复现性不友好，不建议用在正式出版图里。
• 基因组浏览器：IGV 是标准，比对、variant、peak 都能展示。

工作流与可复现

单样本手跑脚本能应付 demo，多样本、生产环境就要上工作流：

• Nextflow：面向 HPC 和云端，有大量生信社区维护的 pipeline（nf-core）。
• Snakemake：Python 基础用户的首选，写起来接近 Makefile。

容器化的建议：能用就上 Docker 或 Singularity（HPC 多用后者）。Biocontainers 项目 (biocontainers.pro) 已经为绝大多数 Bioconductor 和 PyPI 包提供了官方镜像。

公共数据资源

• 原始数据 / 论文配套：NCBI GEO + SRA / EBI ENA
• 单细胞可浏览数据：CELLxGENE Discover、Human Cell Atlas
• TCGA（癌症多组学）：GDC Portal
• 基因组参考：Ensembl、UCSC Genome Browser
• 变异频率参考：gnomAD

更详细的数据检索方法见 公共数据库与数据检索。

常见误解

1. "用最新的工具一定比老工具好"。工具的"新"不等于"适合你的项目"。很多新工具针对的是特定场景（超大数据集、特殊测序平台），对常规项目反而增加了学习成本和调试难度。DESeq2、Seurat、STAR 这些"老"工具之所以一直在用，是因为它们在大多数场景下足够好、文档完善、社区活跃。选工具的标准是"能解决我的问题 + 出了 bug 能找到人问"，不是发布日期。

2. "Python 和 R 选一个就够了"。现实是单细胞和 bulk 生态里两边各有不可替代的包。Seurat 和 DESeq2 在 R 里，scVelo 和很多深度学习整合工具在 Python 里。与其纠结"选哪个"，不如两边都装好环境，哪个包好用就用哪个。跨语言调用（reticulate、rpy2）也很成熟。

3. "装好工具就能分析了"。工具只是执行层。真正决定分析质量的是：你对实验设计的理解、对 QC 阈值的判断、对统计假设的把握。见过太多人 Seurat 跑得很溜但解释不了为什么选这个 resolution、为什么过滤这个阈值。工具会用是起点，不是终点。

最后

工具本身不是目的。选一套自己熟悉的、社区活跃度高的工具栈，然后把力气花在"这份数据到底在讲什么"上。