2. 质量控制基础

拿到测序数据后，第一件事是什么？

我个人习惯，不是直接跑比对，而是先做一轮质量控制。你想想看，如果原始数据质量就很差，下游分析做得再漂亮，结果也是不可信的。这就像盖房子，地基没打牢，装修再豪华也白搭。

质量控制，说白了就是要搞清楚三件事：数据整体质量如何？是否存在系统性偏差？有没有需要剔除的低质量区域？

为什么必须先看质量？

测序仪不是完美的机器。它会引入各种错误，比如碱基识别错误、接头污染、GC含量偏差。这些错误如果不提前发现，后面的比对、变异检测都会受到牵连。

我在项目中遇到过一件事。一个肿瘤样本的变异检测结果，软件死活报出一堆假阳性。后来查了半天，发现是原始数据末尾的接头没有清除干净，导致比对时产生了大量错配。从那以后，我每次拿到数据都会先跑一遍FastQC，绝不含糊。

FastQC到底能干什么？

FastQC是一款轻量级、高效率的质量评估工具。它不需要复杂的配置，一条命令就能对所有FASTQ文件进行扫描，然后生成一个HTML报告。报告里包含了11个模块，覆盖了质量评估的主要维度。

下表列出了FastQC的核心模块，以及我重点关注哪些指标：

模块英文名	中文解释	我的关注指标
Basic Statistics	基础统计信息	序列总数、序列长度范围、%GC
Per base sequence quality	每个碱基位置的测序质量	盒形图不能有红色区域
Per sequence quality scores	所有序列的平均质量得分分布	峰值是否在Q30以上
Per base sequence content	每个碱基位置的碱基组成	四条线是否平行且大致水平
Per sequence GC content	所有序列的GC含量分布	形状是否符合理论分布
Per base N content	每个碱基位置的N比例	是否出现高峰
Sequence Length Distribution	序列长度分布	是否单一且集中
Sequence Duplication Levels	序列重复水平	是否有异常高重复
Overrepresented sequences	过度表达的序列	是否包含接头、rRNA等
Adapter Content	接头含量	是否出现接头峰值
Kmer Content	Kmer含量	是否有异常富集的短序列

如何读懂那张“可怕”的报告？

FastQC报告最直观的就是那三张小图：Per base sequence quality、Per sequence GC content、Adapter Content。这三张图基本能反映数据的“底子”怎么样。

第一张：Per base sequence quality

这张图横坐标是碱基位置（从5'端到3'端），纵坐标是质量得分（Q值）。每一个位置上的盒形图，中心线是中位数，盒子的上下边缘是四分位数，而两侧的须线代表95%置信区间。

判断标准很简单：

• 如果整条曲线都在绿色区域（Q28以上），恭喜，数据质量很好。
• 如果曲线在末端掉进橙色区域（Q20-Q28），说明存在质量问题，但还可以挽救，比如做一次截短（trimming）。
• 如果曲线在开头就掉进红色区域（Q20以下），那这个样本基本可以放弃了。

第二张：Per sequence GC content

这张图展示的是所有read的GC含量分布。正常情况下，它应该是一条正态分布曲线，峰值接近物种的理论GC含量（人类约41%，大肠杆菌约50%）

如果出现双峰，说明样本可能被污染了，混入了不同GC含量的物种。

我曾经遇到过一例：一个小鼠样本的GC分布图，出现了明显的双峰。一开始我以为是样本污染，后来查了实验记录才发现是测序时混入了对照DNA（phiX）。嗯，虚惊一场。

第三张：Adapter Content

这张图横坐标也是碱基位置，纵坐标是接头序列的匹配比例。如果曲线在末端翘起，说明有接头未被切除干净。

为什么会有接头残留？因为测序读长超过了插入片段长度，导致测序仪读到了载体接头。这种情况在短片段文库中很常见，特别是对于RNA-seq数据。

处理接头残留，我通常会用cutadapt或fastp做一轮接头切除，然后再重新跑FastQC确认。

MultiQC：从单样本到批量管理

单个样本的质量分析，FastQC足够了。但当你手里有几十甚至上百个样本时，一个个打开HTML报告去看，效率太低了。这时候就需要MultiQC出场。

MultiQC不是一个独立的质控工具，而是一个聚合汇总工具。它能读取FastQC、Salmon、STAR、BWA等几十种生信软件的输出，然后生成一份整合报告。

使用很简单，直接一条命令：

multiqc .

这条命令会扫描当前目录下的所有子目录，找到FastQC生成的zip文件，读取里面的数据，生成一个html文件和一个data目录。

我看MultiQC报告，主要关注三个指标：

• FastQC Status：每个样本在每个模块上的通过、警告、失败情况。
• Sequence Quality Histograms：所有样本的质量得分分布重叠图，快速识别异常样本。
• GC content：所有样本的GC含量分布图，发现离群样本。

从我画的这张流程图，你能看到质量控制的完整闭环：从原始FASTQ文件出发，经过FastQC生成单样本报告，再通过MultiQC聚合所有样本，最终做决策。如果某个样本质量差，就需要返回去处理；如果质量合格，就进入下游分析。

质量控制是流程的“安检门”

质量控制不是走过场。它是整个生信流程的“安检门”。数据从这里通过或不通过，直接决定了后续分析的有效性。

我个人的原则是：宁可在质控上多花半小时，也不要在下游分析上浪费几天。你想想看，如果数据质量很差，后面跑出的结果你敢信吗？