4. 原始数据质控（FASTQ）

做 RNA-seq 分析，拿到 FASTQ 文件的第一件事是什么？我个人的习惯从来不是直接比对，而是先跑一遍 FastQC。为什么呢？说白了，后续所有的定量、差异分析都建立在“序列质量靠谱”这个前提下。如果原始数据本身就有问题，后面花再多精力也是白搭。

我在两年前接过一个公共数据集，样本来自不同测序中心。当时偷懒没跑质控，直接合并分析，结果差异基因列表里全是技术噪声。后来重新过了一遍 FastQC，才发现有一半的样本接头污染率超过 30%。从那以后，我给自己定了个死规矩：不做质控，绝不开工。

这一章我们就动手跑 FastQC，看报告，识问题。下面是我的实战步骤。

执行 FastQC 最简命令

FastQC 安装没什么门槛，conda 或官网下载都行。我最常用的命令长这样：

fastqc -o ./qc_results/ --threads 12 sample_R1.fastq.gz sample_R2.fastq.gz

如果样本多，我会直接：

fastqc -o ./qc_results/ --threads 12 *.fastq.gz

-o 指定输出目录，--threads 开多线程。注意，我这里用了 12 个核，如果服务器没那么多，别贪心，否则会卡死。

我的习惯：输出的 HTML 报告文件名太长，我会在 -o 后加一个干净的子目录，避免跟原有数据混在一起。

看懂 FastQC 报告，盯住这几个模块

FastQC 会生成一个 HTML 文件和一个 zip 压缩包。直接打开 HTML，你会看到 11 个模块。别被吓到，真正要仔细看的其实就 4 块。下面这张表能帮你快速定位：

模块名 看什么 合格标准
Per base sequence quality 每个位置的 Phred 分数箱线图 整个 read 的 Q 值都 > 20，尤其是前几个碱基不能塌陷
Per sequence quality scores 所有读段的平均质量分布 峰值在 Q30 附近，没有拖尾到 Q15 以下
Adapter Content 各位置适配器序列累计占比 任何位置适配器含量 < 5%
Overrepresented sequences 出现异常高频的序列（可能是接头、rRNA 或污染） 无明显异常富集（看 hit 列表）

剩下的模块，比如 Per base GC content、Duplicate Sequences，在 RNA-seq 里偶尔会有系统偏移（比如 rRNA 残留），我一般扫一眼，没问题就放过。

质量评估的实用判断法

每个模块右上角有三种状态：绿色勾（通过）、黄色感叹号（警告）、红色叉（失败）。警告不代表一定报废，但红色叉一定要追查原因。

我曾经碰到过一个样本，所有模块都是绿色，唯独 Adapter Content 报红色。我当时觉得就一个模块有问题，应该不影响。结果用 Salmon 定量后，某个基因的表达量比同组其他样本高出 100 倍——最后发现该基因的 3' UTR 跟接头序列有 12 bp 重叠。这件事让我明白：哪怕只有一个红色警告，也不能直接跳过。

注意：FastQC 的“合格”只是统计层面的判断，最终是否要过滤，取决于你的项目和后续工具。比如单细胞数据对低质量碱基容忍度更低，我一般会更严格。

识别适配器污染和低质量读段——我的实操步骤

拿到报告后，我按这个顺序排查：

  1. 先看 Per base sequence quality：如果读段末尾（比如 100 bp 之后）的中位数低于 Q20，那这批数据大概率需要修剪。
  2. 再看 Per sequence quality scores：如果平均质量分布的峰值在 Q25 以下，甚至出现双峰，说明混入了大量低质量读段。
  3. 接着看 Adapter Content：如果某类型的接头（如 Illumina TruSeq 通用接头）累积比例在 100 bp 左右突然飙升，那就是接头残留——别犹豫，必须切掉。
  4. 最后检查 Overrepresented sequences：双击列表里的序列，FastQC 会给出可能的来源。我遇到过出现大量 poly-A 的样本，原来是建库时 poly-A 捕获没做干净，导致 mRNA 尾巴大量残留。

有些同行喜欢用 MultiQC 把几十个 FastQC 报告汇总成一个页面，方便对比。我个人也推荐，尤其在大批量质控时，一眼就能看出哪个样本异常。

避坑指南：我曾经用 FastQC 检查一批六小时测完的数据，Per tile sequence quality 模块全是五彩斑驳的警告。当时以为机器坏了，后来才发现是测序通道有气泡。这个模块平时很少看，但一旦出现问题，直接指向测序实验本身的问题。

一张图看懂 FastQC 质控流程

下面这张 SVG 图是我自己总结的“FastQC 质控核心逻辑”，帮你把流程串起来。

FastQC 质控流程与关键模块 原始 FASTQ 运行 FastQC HTML 报告输出 Per base quality Q 值 > 20 才放心 Per seq quality 峰值至少 Q30 Adapter Content 接头残留 < 5% Overrepresented 检查异常富集序列 全部合格 → 继续分析 有红色警告 → 过滤/修剪 提示：警告可酌情处理 红色必须追查原因

从原始 FASTQ 跑 FastQC，输出报告后，我习惯把这四个模块一个个扫过去。如果全是绿勾，直接进入下一步；如果看到红色叉，先别慌，判断是接头、低质量还是污染，然后针对性处理。

总结一下

FastQC 不修数据，它只告诉你“数据哪里有问题”。但你想想看，如果连哪里有问题都不知道，再高级的校正工具也是瞎折腾。我见过太多人跳过这步，最后花大量时间在统计分析里找偏倚——其实根源就在第一关。

嗯，这一章就到这里。赶紧去跑你的数据，把报告打开看一遍。如果发现 Adapter Content 那块有红色尖峰，记得用 Trim Galore 或 cutadapt 处理一下，下一轮质控就绿了。

← 上一章 📖 返回目录 下一章 →