生信分析环境搭建指南

生信分析环境搭建指南

1. 基础环境构建

1.1 创建并激活 Conda 环境

指定 Python 版本为 3.10。

# 创建环境 (bio_env)
conda create -n bio_env python=3.10 -y

# 激活环境
conda activate bio_env

1.2 配置镜像源

为了加速下载并确保能找到生信软件，添加 conda-forge 和 bioconda 频道。

conda config --env --add channels conda-forge
conda config --env --add channels bioconda
conda config --env --set channel_priority strict

2. 核心软件安装 (最关键步骤)

重点策略：不要在 R 内部使用 install.packages("Seurat")，这会导致系统库编译错误。直接使用 Conda 打包安装 R 和 Seurat，让 Conda 解决底层 C/C++ 依赖。

# 同时安装 R 4.3, Seurat V4/V5, Scanpy 及常用工具
# (下载量较大，请耐心等待)
conda create -n bio_env -c conda-forge -c bioconda \
  python=3.10 \
  r-base=4.3.3 \
  r-seurat=4.3.0 \
  scanpy \
  python-igraph leidenalg \
  r-tidyverse r-devtools \
  -y

2.1 配置 R 语言 CRAN 镜像

为了确保后续在 R 内部安装包的速度，配置清华镜像源。

# 该命令会在家目录生成 .Rprofile 文件
cat > ~/.Rprofile <<EOF
options(repos = c(CRAN = "https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))
options(BioC_mirror = "https://mirrors.tuna.tsinghua.edu.cn/bioconductor")
EOF

3. Jupyter Notebook 配置 (Kernel 注册)

为了在 Jupyter Notebook 中使用该环境的 Python 和 R。

3.1 配置 Python Kernel (用于 Scanpy)

# 安装 ipykernel
conda install ipykernel -y

# 注册 Kernel
# --name: 内部代号, --display-name: 网页显示名称
python -m ipykernel install --user --name=bio_env_py --display-name "Python (Bio-Scanpy)"

3.2 配置 R Kernel (用于 Seurat)

# 安装 IRkernel
conda install r-irkernel -y

# 注册 R Kernel (直接在终端运行)
R -e "IRkernel::installspec(name = 'bio_env_r', displayname = 'R (Bio-Seurat)')"

4. 安装常用生信扩展包

将常用包分批安装，避免依赖冲突。

4.1 可视化与差异分析工具

conda install -n bio_env -c conda-forge -c bioconda \
  r-clustree \
  r-cowplot \
  r-gtable \
  r-gridextra \
  r-patchwork \
  r-pheatmap \
  r-msigdbr \
  bioconductor-enhancedvolcano \
  r-matrix \
  -y

4.2 富集分析与数据库

conda install -n bio_env -c conda-forge -c bioconda \
  bioconductor-clusterprofiler \
  bioconductor-fgsea \
  bioconductor-enrichplot \
  bioconductor-org.mm.eg.db \
  bioconductor-dose \
  r-ggalluvial \
  r-hmisc \
  -y

4.3 单细胞高级分析工具 (Monocle/SCENIC 依赖)与编译工具

# 第一部分依赖
conda install -n bio_env -c conda-forge -c bioconda \
  bioconductor-monocle \
  bioconductor-aucell \
  bioconductor-rcistarget \
  bioconductor-complexheatmap \
  r-nmnf \
  cmake \
  gxx_linux-64 \
  -y

# 第二部分依赖
conda install -n bio_env -c conda-forge -c bioconda \
  r-svglite \
  bioconductor-complexheatmap \
  r-ggpubr \
  bioconductor-biocneighbors \
  r-nloptr \
  r-lme4 \
  r-car \
  -y
  
# SCENIC 相关前置
conda install -n bio_env -c bioconda -c conda-forge \
  bioconductor-genie3 \
  bioconductor-gsva \
  -y  

4.4 系统底层编译环境 (防止源码安装报错)

conda install -n bio_env -c conda-forge \
  gxx_linux-64 \
  gcc_linux-64 \
  gfortran_linux-64 \
  make \
  cmake \
  binutils \
  kernel-headers_linux-64 \
  -y

5. 难点攻克：CellChat 安装

CellChat 包含大量 C++ 代码，直接安装极易报错。以下为最稳健的本地编译方法。

5.1 步骤一：创建 R 编译配置 (禁用 LTO)

防止编译器优化导致的连接错误。

# 1. 创建 .R 文件夹
mkdir -p ~/.R

# 2. 写入 Makevars 文件
cat > ~/.R/Makevars <<EOF
CXX17FLAGS += -fno-lto
CXX14FLAGS += -fno-lto
CXX11FLAGS += -fno-lto
CFLAGS += -fno-lto
LDFLAGS += -fno-lto
EOF

5.2 步骤二：准备源码

假设你已经下载了 CellChat-main.zip 到服务器。

# 进入文件目录 (请根据实际路径修改)
cd /data/test/lib/

# 手动解压
unzip -o CellChat-main.zip

# 【关键】清理旧的编译垃圾
rm -f CellChat-main/src/*.o
rm -f CellChat-main/src/*.so

5.3 步骤三：执行安装

进入 R 环境进行安装。

# 终端输入 R 进入交互模式
R

# 在 R 中运行：
# 安装 NMF 依赖 (如果之前 Conda 没装好)
if (!requireNamespace("NMF", quietly = TRUE)) install.packages("NMF")

# 安装解压后的文件夹
install.packages("/data/test/lib/CellChat-main", 
                 repos = NULL, 
                 type = "source", 
                 lib = .libPaths()[2]) # 指定安装到 Conda 环境目录

5.4 (可选) 恢复出厂设置

如果安装完成后不再需要特殊编译配置，可以删除 Makevars：

rm -f ~/.R/Makevars

6. 验证环境

6.1 验证 Python (Scanpy)

python

import scanpy as sc
print(sc.__version__)
exit()

6.2 验证 R (Seurat)

R

library(Seurat)
library(tidyverse)
sessionInfo()
q()

7. 日常使用

每次登录服务器进行分析时：

1. 登录服务器
2. 激活环境：

conda activate bio_env

3. 开始分析：直接运行 R 或 python，或者启动 Jupyter Lab。