STARsolo单细胞RNA测序数据分析全流程详解

概述

STARsolo是集成在STAR比对工具中的单细胞RNA测序(scRNA-seq)数据分析解决方案，特别针对液滴式单细胞测序技术(如10X Genomics Chromium系统)进行了优化。它提供了一套完整的分析流程，从原始FASTQ文件开始，到最终生成基因表达矩阵，整个过程高效且准确。

核心功能

STARsolo的主要功能模块包括：

1. 细胞条形码处理：通过用户提供的白名单进行错误校正和解复用
2. 序列比对：使用STAR特有的剪接比对算法将reads映射到参考基因组
3. UMI处理：错误校正和去重复(UMI折叠)
4. 基因定量：计算每个细胞的基因表达量
5. 其他转录组特征分析：包括剪接位点、前体mRNA以及类似Velocyto的剪接/未剪接reads分析

10X Chromium数据分析配置

基本参数设置

使用STARsolo分析10X数据时，需要添加特定的参数：

/path/to/STAR --genomeDir /path/to/genome/dir/ --readFilesIn ... \
--soloType CB_UMI_Simple --soloCBwhitelist /path/to/whitelist.txt

关键参数说明

1. soloType：指定分析模式

   • CB_UMI_Simple(原Droplet)：适用于简单条形码结构
   • CB_UMI_Complex：适用于复杂条形码结构

2. 细胞条形码白名单：必须提供与10X化学版本匹配的白名单文件

   • V2化学版本：737K-august-2016.txt
   • V3化学版本：3M-february-2018.txt

3. UMI长度设置：

   • V2化学版本默认UMI长度为10bp
   • V3化学版本需指定--soloUMIlen 12

输入文件顺序

输入文件顺序至关重要：

• 第一个文件必须是cDNA reads
• 第二个文件必须是包含细胞条形码和UMI的reads

例如，标准10X测序中：

--readFilesIn Read2.fastq.gz Read1.fastq.gz

多lane数据使用逗号分隔：

--readFilesIn Read2_Lane1.fastq.gz,Read2_Lane2.fastq.gz Read1_Lane1.fastq.gz,Read1_Lane2.fastq.gz

与CellRanger结果一致性优化

注释文件选择

CellRanger使用特定过滤版本的GTF注释文件，要获得一致结果应使用相同的注释文件。10X提供了多个版本的注释文件，建议使用与CellRanger运行完全相同的版本。

基因组索引构建

构建基因组索引时使用相同的FASTA和GTF文件：

STAR --runMode genomeGenerate --genomeDir ./ \
--genomeFastaFiles /path/to/genome.fa \
--sjdbGTFfile /path/to/genes.gtf

版本特定参数

1. 匹配CellRanger 3.x.x：

--soloCBmatchWLtype 1MM_multi_Nbase_pseudocounts \
--soloUMIfiltering MultiGeneUMI_CR \
--soloUMIdedup 1MM_CR

2. 匹配CellRanger 4.x.x/5.x.x：

--clipAdapterType CellRanger4 \
--outFilterScoreMin 30 \
[上述CellRanger 3.x.x参数]

条形码结构配置

简单条形码

使用CB_UMI_Simple模式时，通过以下参数定义条形码位置：

--soloCBstart 1 --soloCBlen 16 \
--soloUMIstart 17 --soloUMIlen 10

特殊协议配置

对于条形码和cDNA位于同一mate的协议(如10X 5' protocol)：

--soloBarcodeMate 1 --clip5pNbases 39 0 \
--soloType CB_UMI_Simple \
--soloCBstart 1 --soloCBlen 16 \
--soloUMIstart 17 --soloUMIlen 10 \
--readFilesIn read1.fq read2.fq

复杂条形码

使用CB_UMI_Complex模式，通过--soloCBposition和--soloUMIposition定义复杂条形码结构。

细胞过滤策略

基本过滤(类似CellRanger 2.2.x)

默认使用"膝盖"过滤法：

--soloCellFilter CellRanger2.2

可调整参数：预期细胞数(默认3000)、UMI计数稳健最大百分位数(默认0.99)、UMI计数最大最小比(默认10)。

高级过滤(类似EmptyDrops)

类似CellRanger 3.0.0的EmptyDrop算法：

--soloCellFilter EmptyDrops_CR

独立运行过滤

可对已有raw矩阵单独运行过滤：

STAR --runMode soloCellFiltering /path/to/raw/ /path/to/output/prefix \
--soloCellFilter EmptyDrops_CR

多特征定量分析

除基因表达外，还可分析其他特征：

--soloFeatures Gene GeneFull SJ Velocyto

• GeneFull：包含内含子的基因计数，适用于核RNA-seq
• SJ：剪接位点计数
• Velocyto：剪接/未剪接/模糊reads计数

多基因reads处理策略

针对映射到多个基因的reads，提供多种分配算法：

1. Uniform：均匀分配到所有可能基因
2. PropUnique：按各基因唯一UMI数比例分配
3. EM：使用最大似然估计分配
4. Rescue：结合唯一UMI和均匀分配

--soloMultiMappers EM Uniform

BAM标签输出

可在BAM文件中添加多种标签：

--outSAMattributes NH HI nM AS CR UR CB UB GX GN sS sQ sM

重要标签说明：

• CR/UR：原始(未校正)细胞条形码/UMI
• CB/UB：校正后细胞条形码/UMI(需排序BAM)
• GX/GN：基因ID/名称
• sS/sQ：细胞条形码和UMI的序列/质量
• sM：条形码匹配状态

性能优势

STARsolo相比CellRanger具有显著的速度优势(约快10倍)，同时保持了结果的兼容性，使其成为单细胞RNA-seq数据分析的高效替代方案。