如何选择 alignment、assembly 或 pseudo-alignment

快速概览

根据研究目标（变异检测、定量分析、基因组重建）和数据特征，选择合适的序列分析策略。

所属板块 分析方向与案例

把基础对象与算法方法重新放回真实分析任务与工作流。

阅读目标 帮助建立阅读上下文

先判断这页与你当前问题的关系，再决定是否深入展开。

建议前置 先建立相关基础对象与方法直觉

建议先建立相关基础对象与方法直觉，再进入本页。

任务目标

不同任务面对的核心问题并不相同，因此”该先比对、先组装，还是直接做 pseudo-alignment”并没有统一答案。

这一页的目标，是帮助你根据研究问题、参考条件和输出需求做选择。

输入输出

输入：研究问题、样本类型、参考条件、下游目标
输出：更合适的主流程方向与其背后的理由

前置知识

步骤总览

第一步：明确研究问题

选择流程的第一步不是看工具，而是回答：你最终要回答的生物学问题是什么？

变异检测：关注样本与参考之间的差异（SNV、InDel、结构变异），需要精确的碱基级定位。
表达定量：关注基因或转录本的相对丰度，需要高效的 read 分配策略。
基因组重建：关注从头构建未知序列，不依赖已有参考。
功能注释：关注”这段序列编码了什么”或”这个区域有哪些功能元件”。

不同的研究问题天然对应不同的分析策略。在明确问题之前讨论工具选择，往往会导致方向性错误。

第二步：评估参考条件

参考基因组的质量和可用性是决定策略的关键因素：

参考条件	推荐策略	原因
有高质量参考基因组（如 GRCh38）	alignment 或 pseudo-alignment	可利用已有坐标系统，结果可比性强
有近缘物种参考（但非同种）	宽松 alignment + 组装	严格比对可能遗漏大量 reads，需结合组装发现新序列
无可用参考	de novo assembly	没有参考可依靠，只能从 reads 本身重建序列
参考存在但高度不完整	hybrid 策略	先做初步比对，对未比对 reads 进行组装补充

注意：参考基因组的质量不仅取决于”有没有”，还取决于参考与样本之间的进化距离、结构变异程度和版本是否匹配。例如，用 GRCh37 比对 GRCh38 数据集，即使流程跑通，坐标和注释也会不匹配。

第三步：根据任务类型选择策略

更适合 alignment 的情况

有高质量参考基因组；
目标是定位 reads、做 variant calling、做注释驱动分析；
需要精确坐标；
需要检测结构变异（Structural Variant, SV）或拷贝数变异（Copy Number Variation, CNV）；
需要查看比对质量指标（如 MAPQ、insert size 分布）来辅助判断。

alignment 的核心优势在于提供精确的碱基级定位，使得每个 read 都能被映射到参考序列的特定位置。这对于变异检测至关重要，因为变异的定义本身就依赖于参考坐标。

更适合 assembly 的情况

缺少合适参考；
目标是重建新序列、新转录本或混合样本结构；
更关心整体结构恢复而不是已有坐标上的定位；
样本与参考差异过大（如肿瘤样本与正常参考）；
需要发现新的基因、转录本或非编码 RNA。

assembly 的核心优势在于不依赖已有参考，因此能发现参考中不存在的序列。在宏基因组学、转录组学和非模式生物研究中，assembly 是不可替代的策略。

更适合 pseudo-alignment 的情况

任务重点是 RNA-seq 表达定量；
更关心转录本兼容性与丰度估计；
不要求精确碱基级路径解释；
样本量大、需要快速处理大量 RNA-seq 数据。

pseudo-alignment 的核心优势在于速度：它跳过了精确比对的昂贵步骤，直接根据 k-mer 兼容性将 reads 分配给转录本，速度可比传统 alignment 快 10-50 倍。但代价是牺牲了碱基级的精确性，因此不适合用于变异检测或需要查看具体比对位置的下游分析。

第四步：考虑数据特征

除了研究问题和参考条件，数据本身的特征也会影响策略选择：

读长（read length）：短读长（Illumina）适合 alignment-based 流程；长读长（PacBio、Nanopore）在 assembly 中有天然优势，因为长读长更容易跨越重复区域。
测序深度（coverage）：低深度数据（<10x）不适合 de novo assembly，因为覆盖不均匀会导致大量 gap；高深度数据（>50x）更适合 assembly 和变异检测。
数据类型：DNA-seq 通常需要 alignment 或 assembly；RNA-seq 的表达定量可以用 pseudo-alignment；ChIP-seq 需要精确的 peak 定位，依赖 alignment。

每步依赖与常见错误

最常见的问题不是”工具选错”，而是目标没说清楚：

如果你要精确定位变异，却选了只强调兼容性判断的方法，结果就会失去解释力；
如果你没有高质量参考，却强行把所有问题都放到 alignment 框架里，很多结构信息会被错过；
如果你真正只关心表达定量，却仍做很重的全流程精确比对，可能只是增加了计算成本。

典型错误案例

错误 1：用 pseudo-alignment 做 variant calling

pseudo-alignment 工具（如 Salmon、Kallisto）的设计目标是定量而非定位。它们不输出标准的比对文件（BAM/SAM），也无法提供每个碱基的比对质量。如果你需要检测变异，必须使用 BWA-MEM、minimap2 等工具做精确 alignment。

错误 2：在低质量参考上做严格 alignment

如果参考基因组与实际样本差异较大（如不同亚种、肿瘤样本），严格的 alignment 参数会导致大量 reads 无法比对（unmapped），从而丢失重要的生物学信息。这种情况下，应考虑放宽参数或结合 assembly 策略。

错误 3：对宏基因组样本做标准 alignment

宏基因组样本包含多种物种的混合 DNA，使用单一参考基因组做 alignment 会浪费大量计算资源，且无法回答”样本中有哪些物种”这个核心问题。应使用专门的宏基因组分类工具或进行 de novo metagenomic assembly。

对应算法模块

策略	核心算法模块	代表工具
alignment	字符串索引、动态规划、Seeding-Extension	BWA-MEM, Bowtie2, minimap2, HISAT2
assembly	de Bruijn 图、OLC、路径搜索、共识计算	SPAdes, SOAPdenovo2, Canu, Flye
pseudo-alignment	k-mer 索引、兼容性分类、EM 定量	Salmon, Kallisto

示例

假设你有一组人类肿瘤样本的 RNA-seq 数据，研究目标是：

检测肿瘤特异性融合基因；
同时比较肿瘤与正常组织的基因表达差异。

这种情况下，单一策略无法满足两个目标。合理的方案是：

RNA-seq FASTQ
  -> STAR alignment (精确比对，用于融合基因检测)
  -> Salmon quant (利用 alignment 结果做定量，或直接用 quasi-mapping)
  -> DESeq2 (差异表达分析)

STAR 能提供剪接感知的精确比对，是融合基因检测的常用工具；而 Salmon 可以基于 STAR 的比对结果做快速定量，也可以独立运行 quasi-mapping。两者互补，覆盖了不同层面的分析需求。

注意事项

策略不是非此即彼：很多实际项目需要组合使用多种策略，例如”先 alignment 再对未比对 reads 做 assembly”。
考虑计算资源：全基因组精确 alignment 的计算成本远高于 pseudo-alignment，在资源有限时需要权衡精度与效率。
结果的可比性：alignment 结果使用参考坐标系统，不同样本之间的结果天然可比；assembly 结果的坐标是样本特异的，跨样本比较需要额外的处理步骤（如共线性分析）。
版本管理：无论选择哪种策略，都应记录参考基因组版本、注释版本和工具版本，以确保结果可复现。

后续阅读

如果选择 alignment 路径，继续阅读 DNA-seq 变异检测总览；
如果选择定量路径，继续阅读 RNA-seq 工作流概览；
如果选择 assembly 路径，继续阅读 de Bruijn graph 组装。

常见误区

Alignment 和 pseudo-alignment 是互斥的选择

不是。很多实际项目需要组合使用多种策略。例如在融合基因检测中，STAR 精确比对和 Salmon 定量可以互补使用——前者提供剪接感知的比对用于检测融合事件，后者提供高效的转录本定量用于差异表达分析。策略选择应根据具体的研究问题灵活组合，而非机械地二选一。

de novo assembly 比基于参考的流程”更原始”

不是。de novo assembly 和 reference-based alignment 是解决不同问题的策略，不存在优劣之分。当参考基因组质量差、样本与参考差异大（如肿瘤、非模式生物）或研究目标涉及新序列发现时，de novo assembly 是不可替代的。相反，当参考基因组完整且研究目标是变异检测或定量时，reference-based 流程更高效且结果更可解释。

只要工具版本足够新，结果就一定更可靠

不是。新版本的工具可能修复了旧版本的问题，但也可能引入新的 bug 或改变默认参数，导致结果不一致。更重要的是，工具选择应匹配研究问题和数据特征。一个经典但经过充分验证的比对工具（如 BWA-MEM）在标准 DNA-seq 变异检测场景中，可能比最新发布但验证不足的新工具更可靠。关键是用对工具，而非用新工具。

测序数据量越大越好

不是。数据量应与研究目标和预期分析匹配。对于简单的定性与半定量分析（如物种组成估计），适度测序深度即可。过高的测序深度在差异表达分析中可能产生”统计显著但生物学意义不大的结果”（p-value hacking），同时浪费预算和计算资源。合理的做法是根据统计功效分析（power analysis）规划所需数据量。