FastQC 报告深度解读：三个核心指标的实战心法

拿到一份 FastQC 报告，你第一眼会看什么？
我个人习惯，先扫一眼 Per base sequence quality 的概览图。
那颜色、那箱线，基本能告诉我这批次数据「干不干净」。
别急着上工具跑流程，先把下面这三个指标吃透，能省下后面 80% 的排查时间。

Per base sequence quality —— 碱基质量的「体温计」

这个图展示的是 每条 read 上每个位置的碱基质量分布。
横轴是 read 上的位置（1-based），纵轴是 Phred 质量分数 Q。
每个位置会画一个箱线图：中位数、四分位距、10% 和 90% 分位数都在上面。

图里那块 绿色背景（Q ≥ 28），意味着这位置质量很好；
黄色（20 ≤ Q < 28），还算能接受；
红色（Q < 20），嗯，要小心了。

核心判断逻辑：
• 整个 read 长度范围内，中位数线最好都在绿色区。
• 如果尾部掉进黄色甚至红色，说明 3' 端质量衰减严重。
• 前 5–10 bp 出现质量骤降，往往是测序仪起始不稳定或者接头污染。

我在项目中遇到过一批 RNA-seq 数据，前 3 个碱基中位数直接掉到 Q=15 附近。
刚开始以为是文库问题，后来一查才发现是 random primer 的偏好性 导致前几个碱基质量极低。
处理方式也很直接：用 SEQPREP 或者 CUTADAPT 把前 3 bp 切掉，再跑 FastQC，瞬间全绿。

一个小技巧：如果你看到 5' 端质量正常，但 3' 端平滑下降，可以试试用 --trim_back 参数做滑动窗口切除。
比如 fastp -q 20 -l 50 --trim_back 能把质量低的尾巴裁掉，同时保留足够长的 read。

GC 含量 —— 测序偏差的「照妖镜」

FastQC 的 GC 含量图，本质是看 实测 GC 分布与理论 GC 分布 的吻合程度。
对于大多数物种，基因组 GC 含量呈近似正态分布（或双峰，取决于物种）。
如果你的测序数据是随机打断的，理论上 GC 分布应该平滑且与参考基因组一致。

但现实往往很骨感：

  • 分布曲线尖锐且偏离理论值 —— 大概率是 PCR 扩增偏好导致，高 GC 或低 GC 区域被过度扩增或抑制。
  • 出现两个明显峰 —— 可能是样品污染（混入了其他物种 DNA），或者是建库时引物二聚体没除干净。
  • 分布形状正常但整体偏移 —— 如果偏移在 ±5% 以内，通常是批次效应；超过 ±10%，就要怀疑参考基因组选错了。
曾经我踩过的一个坑：有一批肿瘤 exome 数据，GC 分布显示双峰，我查了半天污染，最后发现是 接头序列没完全去除，那些短片段里 GC 含量极低，硬生生拉出一个假峰。
所以看 GC 图之前，一定先确认 Overrepresented sequences 那个模块已经清理干净。

怎么快速判断 GC 偏差是否严重？我个人习惯用这个经验值：

GC 偏差幅度 可能原因 建议行动
< 5% 正常波动 / 批次效应 可以继续分析，但做好记录
5% – 10% PCR 偏好 / 轻度污染 检查文库扩增曲线，考虑去重
> 10% 严重污染 / 建库失败 停！重新提取或重新建库

N 含量 —— 测序失败的「报警器」

N 就是那个没法确定是 A/T/C/G 的碱基。
在 FastQC 报告里，Per base N content 图会告诉你每个位置 N 的比例。
正常情况下，N 含量应该 几乎为零，整条线贴着横轴。

什么时候 N 会升高？

  • 全段均匀升高（比如 N > 1%） —— 测序质量系统性差，可能是试剂失效或仪器故障。
  • 只在 read 尾部升高 —— 这和碱基质量下降是伴生现象，说明 3' 端信号衰减到无法碱基判定。
  • 某个特定位置突然冒尖 —— 通常是那个位置有 多碱基重复（homopolymer） 或者强烈的序列偏好性，测序仪在这个位置集体 debase。
我的阈值参考：
• 任何位置 N > 5% → 红色警报，数据不可用。
• 平均 N 在 0.5% – 2% → 黄色警告，需要裁剪尾部或重新评估文库质量。
• 平均 N < 0.1% → 正常，放心往下走。

我记得有一次做单细胞 RNA-seq，N 含量图显示前 20 bp 完全正常，但从 60 bp 开始 N 含量直线飙升到 12%。
第一反应是测序仪出了问题，后来仔细一看，是文库的 插入片段太短，read 已经读到了另一端的 adapter，导致碱基判定混乱。
解决办法：换用 Trim Galore 做 adapter 检测，把 adapter 重叠部分切掉，N 含量立刻恢复正常。

快速诊断命令：用 grep 统计原始 FASTQ 里 N 的数量，可以粗筛异常样本。
zcat sample_R1.fastq.gz | sed -n '2~4p' | grep -o 'N' | wc -l
zcat sample_R1.fastq.gz | sed -n '2~4p' | wc -l
# 两数相除 ≈ 平均 N 比例
如果平均 N 比例超过 1%，建议先做一轮质量裁剪再往下走。

三指标联动分析 —— 别孤立看任何一张图

单独看每个指标都有盲区。真正的高手，会把 碱基质量、GC 含量、N 含量 三张图放在一起对照着读。
我总结了一个简单的联动判断矩阵：

场景 Per base quality GC 含量 N 含量 大概率结论
场景 A 5' 端质量低，尾部正常 正常 正常 引物偏好 / 接头残留
场景 B 尾部质量下降明显 正常 尾部 N 升高 测序信号衰减，需裁剪
场景 C 整体质量偏低 双峰或严重偏移 均匀升高 建库失败或严重污染
场景 D 正常 正常 特定位置尖峰 homopolymer 区域

你想想看，如果只看 GC 含量图发现双峰，就急着去质疑污染，但忽略了 N 含量图其实正常、质量图也正常，那很可能只是文库的 GC 偏好，而不是真正的外源污染。
三个指标互相印证，才能下判断。

曾经有个项目让我印象很深：一份 ChIP-seq 数据，GC 图呈现「驼峰状」双峰，N 含量正常，质量图 3' 端略降。
我差点让合作方重新建库，后来多看了一眼 Sequence Duplication Levels，发现 duplication rate 高达 85%。
原来所谓的「双峰」是大量 PCR 重复片段把 GC 分布拉偏了，去重之后 GC 图立刻变回单峰。
所以，不要只看三个指标，还要结合 duplication、overrepresented sequences 一起读。
FastQC 三指标联动分析流程 FastQC 原始报告 Per Base Sequence Quality 中位数 > 28？尾部是否衰减？ 前 5 bp 是否异常低？ 是否与 N 含量趋势一致？ GC 含量分布 分布形状是否单峰？ 偏差 < 5%？ 与理论分布是否吻合？ Per Base N Content 平均 N < 0.5%？ 尾部 N 是否突增？ 特定位置尖峰？ 三指标交叉验证 联动判断 → 确定下一步质控策略 通过 / 裁剪 / 去重 / 重做

实战小结

一份 FastQC 报告里十几张图，但真正决定数据生死的就是那几张。
我个人习惯按这个顺序扫图：

  1. Per base sequence quality —— 快速判断整体质量是否及格。
  2. Per base N content —— 确认是否有系统性碱基判定失败。
  3. GC content —— 检查偏好性和污染嫌疑。
  4. 最后拉回来看 Overrepresented sequences 和 Sequence Duplication Levels 做交叉验证。

这套流程走下来，一份数据能不能用、要怎么修，心里基本就有数了。
别小看这几张图，我见过不少团队花了一周做出来的比对结果，最后发现是原始数据质量不行，白白浪费了时间。
质控这步省下来的时间，才是真赚到的。

一句话总结：质量图看底线，N 图看异常，GC 图看偏差。三图联动，数据立判。
← 上一章 📖 返回目录 下一章 →