总览 / 工具与环境

工具与环境安装

这一页只解决一件事：把 R、Python 和 conda 环境管理装好，并且以后每换一个项目都能干净隔离。装环境是生信里最容易被跳过、也最容易反复出事的一步。

一、conda：环境管理器（最先装）

不同生信软件依赖不同版本的 Python、R 和编译库，全装在一个环境里必然冲突。正确做法是每个项目一个独立环境。conda 就是干这个的；嫌它慢的话，装 mamba 或 micromamba 替代。

名称	链接	说明
Miniconda	docs.conda.io	官方推荐的最小安装版，比完整版 Anaconda 干净得多
mamba	mamba.readthedocs.io	conda 的 C++ 重写版，解依赖快很多，命令基本兼容
conda 官方中文文档 · 环境管理	docs.conda.org.cn	创建、激活、导出、删除环境的标准操作
Bioconda	bioconda.github.io	生信软件的 conda 频道，3000+ 软件一条命令装好

核心命令（建议先复制跑一遍）

bash

# 装好 Miniconda 后，先给 base 环境装上 mamba（更快）
conda install -n base -c conda-forge mamba

# 为某个项目建独立环境
mamba create -n docking python=3.11
mamba activate docking

# 一次装齐相关软件（不要一个个装，容易依赖冲突）
mamba install -c conda-forge -c bioconda autodock-vina openbabel rdkit

# 导出环境，方便别人复现你的结果
mamba env export > environment.yml

踩坑提示

不要在 base 环境里装生信软件。污染之后很难修，最后通常只能整个重装。

二、R 与 RStudio

差异表达（DESeq2、edgeR）、富集分析（clusterProfiler）、统计与作图是 R 的主场，Bioconductor 生态无可替代。

名称	链接	说明
R 官网	r-project.org	下载 R 本体
CRAN 镜像列表	cran.r-project.org	就近选镜像，装包速度快很多
RStudio Desktop	posit.co	R 的集成开发环境，写脚本、看图、看变量都在一个窗口里
Bioconductor	bioconductor.org	R 生信包总库，每个包都有 vignette，最权威的教程来源

# 装 Bioconductor 包的标准姿势
if (!requireNamespace("BiocManager", quietly = TRUE))
    install.packages("BiocManager")

BiocManager::install(c("DESeq2", "clusterProfiler", "org.Hs.eg.db", "enrichplot"))
install.packages(c("ggplot2", "pheatmap", "apeglm"))

R 不必一开始就精通。先掌握「读入数据 → 整理 → 画图 → 跑统计」这条线，够支撑后面的分析；深度美化可以晚点再说。

官方源太慢时，换国内镜像

Bioconductor 的包动辄几十到几百 MB。我们在云主机上实测过：从官方源直连只有 5 KB/s 左右，一个 org.Hs.eg.db 要拖几个小时；换成国内镜像后同一批包跑到 20 MB/s 以上，几十秒装完。这一步不换源，很多人会卡在这里以为是自己网坏了。

# 临时用一次
options(BioC_mirror = "https://mirrors.westlake.edu.cn/bioconductor")
BiocManager::install("org.Hs.eg.db")

# 想长期生效，把上面那行 options(...) 写进 ~/.Rprofile

两个顺手的小设置：BiocManager::install() 加上 update = FALSE, ask = FALSE，可以避免它在交互提问上卡住；install.packages() 的 CRAN 镜像可以在 RStudio 里图形化选择，也可以用 options(repos = ...) 写定。

镜像状态会变。我们验证时（2026-09）的情况是：清华的 Bioconductor 镜像对脚本请求返回 403，中科大 / 阿里 / 南大 / 北大等几个镜像的对应路径是 404，西湖大学的镜像可用且最快。装不动就换一个再试。

三、Python 与 Biopython

分子对接的输入准备、批量文件处理、机器学习建模、调 API 拉数据，基本都是 Python 的活。

名称	链接	说明
Python 官网下载	python.org	建议走 conda 环境装，不要直接改系统 Python
Biopython 官方教程	biopython.org	序列读写、翻译、比对、调 NCBI 全在里面，本身就够当一本教材
Biopython Cookbook	biopython.org	官方实用片段集，建议动手敲一遍

四、编辑器

名称	链接	说明
VS Code	code.visualstudio.com	通用性强，远程连服务器写代码很方便，配 Python / R 插件即可
RStudio Desktop	posit.co	只写 R 的话体验最好
PyMOL	pymol.org	看蛋白结构与对接结果（有开源版可用）

五、装完自己验一遍

别等到跑流程才发现某个工具没装上。下面几条命令逐个敲一遍，都能出结果就说明环境没问题。

bash

conda --version        # conda 是否可用
conda env list         # 看当前有哪些环境
python -V              # Python 版本
R --version            # R 版本
vina --version         # 装了对接环境后检查
fastp --version        # 装了 RNA-seq 环境后检查
samtools --version | head -1
hisat2 --version | head -1

六、装依赖最常遇到的几类报错

现象	原因与处理
`Solving environment` 卡很久或解不出来	依赖冲突。换 mamba / micromamba 解，或者降低包的数量、放宽版本号。
`PackagesNotFoundError`	渠道没配对。生信软件要加 `-c conda-forge -c bioconda`，顺序不能反。
网络超时、下载极慢	换个网络环境或配置国内镜像源；公司或校园网如果做了限制，也可能需要代理。
装完 `command not found`	环境没激活。先 `conda activate 环境名`，再用 `which 命令` 确认路径。
R 包在系统 R 里装不上	编译依赖缺失（如 libxml2、libcurl 开发包），建议直接用 conda 建带 R 的环境，省去编译麻烦。

一个提醒

环境装好后，把 conda list > env_locked.txt 和 R 的 sessionInfo() 一起保存下来。写论文方法学部分时要写清版本号，半年后自己复现也靠它。