如何高效使用Snakemake配置文件？测序分析实践问询

样本配置文件格式 #

针对包含大量双端测序样本（每个样本对应2个fastq.gz文件）的场景，我采用了如下结构的Snakemake配置文件来统一管理样本与数据文件的映射关系：

samples:
  Sample1_XY:
    - fastq_files/SRR4356728_1.fastq.gz
    - fastq_files/SRR4356728_2.fastq.gz
  Sample2_AB:
    - fastq_files/SRR6257171_1.fastq.gz
    - fastq_files/SRR6257171_2.fastq.gz

这种配置方式能清晰关联每个样本ID和对应的双端测序原始数据文件，方便后续流程批量处理所有样本。

流程起始规则实现 #

在Snakemake流程的起始部分，我通过以下代码导入配置并定义了运行FastQC质控和序列比对的规则：

import os

# 将配置文件中的信息读取到当前命名空间
configfile: "config.yaml"  # 替换为你的实际配置文件路径

# 运行FastQC的规则
rule fastqc:
    input:
        expand("fastq_files/{sample}_1.fastq.gz", sample=config["samples"].keys()),
        expand("fastq_files/{sample}_2.fastq.gz", sample=config["samples"].keys())
    output:
        expand("fastqc_reports/{sample}_1_fastqc.html", sample=config["samples"].keys()),
        expand("fastqc_reports/{sample}_2_fastqc.html", sample=config["samples"].keys())
    shell:
        "fastqc {input} -o fastqc_reports/"

# 序列比对规则（以Bowtie2为例，可根据实际工具调整）
rule align:
    input:
        r1 = lambda wildcards: config["samples"][wildcards.sample][0],
        r2 = lambda wildcards: config["samples"][wildcards.sample][1],
        index = "reference_genome/index"  # 替换为你的参考基因组索引路径
    output:
        "aligned_bams/{sample}.bam"
    shell:
        "bowtie2 -x {input.index} -1 {input.r1} -2 {input.r2} | samtools view -Sb - > {output}"

这里通过configfile指令加载配置，利用配置文件里的样本列表批量生成输入输出文件路径，实现对所有样本的自动化质控和比对处理。

内容的提问来源于stack exchange，提问作者Darren