生物信息学基础

从零基础搭建生信分析平台到各类工具使用

Bioinformatics - from basic platform setup to various bioinformatics tools

概述

生物信息学（Bioinformatics）是利用计算机、数学和统计学方法对生物数据进行分析的交叉学科。本专题将从零基础平台搭建开始，系统介绍生信分析所需的各类工具和流程。

内容涵盖： - 基础平台搭建 - Linux 环境、服务器配置、容器化部署 - 环境管理 - mamba/conda 包管理、软件源配置 - 基础工具 - 序列处理、格式转换、数据质控 - 核心分析 - 比对、定量、变异检测、差异分析 - 高级应用 - 流程自动化、云平台、可视化

平台搭建

操作系统环境

生信分析主要基于 Linux 系统，以下内容为入门基础：

主题	说明
Ubuntu 系统安装	WSL2/虚拟机/实体机安装 Ubuntu
Ubuntu 系统配置	基础配置、软件安装、环境优化
Tmux 使用	终端复用，长任务管理
Git 使用	版本控制与代码管理

服务器与远程访问

SSH 远程连接与密钥配置
scp/rsync 文件传输
作业调度系统（Slurm/PBS）

容器化部署（待补充）

Docker 基础
Singularity 在 HPC 上的使用

环境管理

Mamba/Conda

mamba 安装与使用 - 替代 conda 的更快包管理器
bioconda 软件源配置
环境创建与导出
环境迁移与复现

其他包管理

pip / uv (Python 包管理)
CRAN / Bioconductor (R 包管理)

基础工具

序列文件格式

格式	用途	说明
FASTA	序列存储	核酸/蛋白序列
FASTQ	原始测序数据	序列 + 质量值
SAM/BAM	比对结果	文本/二进制格式
VCF	变异位点	SNP/InDel
GTF/GFF	基因注释	基因结构信息
BED	基因组区间	峰区、覆盖度等

常用命令行工具

序列处理： - samtools - BAM 文件处理 - bedtools - 基因组区间操作 - bcftools - VCF 文件处理 - seqkit - 快速序列操作

数据质控： - FastQC - 原始数据质量评估 - MultiQC - 多样本质控报告汇总 - fastp - 数据过滤与去接头

格式转换： - Picard - BAM 排序、去重 - GATK - 变异检测流程

核心分析流程

序列比对

FastQ → [比对软件] → SAM/BAM → [排序/去重] → 最终 BAM

工具	适用场景	特点
BWA-MEM	DNA-Seq	通用、准确
Bowtie2	ChIP-Seq/小基因组	快速、轻量
STAR	RNA-Seq	剪接感知
HISAT2	RNA-Seq	内存友好
Minimap2	三代测序	长读长比对

表达定量

基于比对： - featureCounts - HTSeq-count

无需比对（轻量级）： - Salmon - Kallisto

变异检测

DNA-Seq 流程：

BAM → [BQSR] → [HaplotypeCaller] → gVCF → [联合基因型] → VCF

GATK 最佳实践流程
FreeBayes
DeepVariant (深度学习)

差异表达分析

DESeq2 - 负二项分布模型，适合小样本
edgeR - 精确检验，计算效率高
limma-voom - 适合大样本量

功能富集分析

clusterProfiler - GO/KEGG 富集
GSEA - 基因集富集分析
Metascape - 在线富集分析平台

单细胞分析

单细胞测序数据分析流程：

FastQ → CellRanger → count matrix → Seurat/Scanpy → 分析

工具	说明
CellRanger	10x Genomics 官方流程
Seurat	R 语言单细胞分析
SingleCellExperiment	Bioconductor 单细胞框架
CellChat	细胞间通讯分析
miloR	差异丰度分析