📚 课程目录第1章 FastQC简介与质控报告概述

FastQC简介与质控报告概述

做生物信息学这一行，特别是处理二代测序数据时，跑FastQC几乎成了我这几年最习惯的「第一件事」。你想想看，从测序仪下来的数据，原始得就像刚挖出来的矿石——里面有没有杂质、质量怎么样、需不需要过滤，光靠肉眼是看不出来的。FastQC就是那个照妖镜，帮你把数据质量摊开来，一目了然。

说白了，FastQC是一个轻量级的质控工具。它能快速扫描FASTQ格式的高通量测序数据，然后生成一个HTML格式的报告。我这几年经手了上百个项目，从RNA-seq到WGS，从单细胞到靶向测序，几乎没有哪个项目能跳过这一步。我记得第一次接触FastQC大概是十多年前了，那时候它还是个命令行小工具，现在已经成为行业标配了。

  核心价值一句话： FastQC帮你把测序数据的「健康状况」可视化，让你在做后续分析之前就能发现潜在问题。

为什么要做质控？

说句实话，我刚入行那会儿，觉得质控报告就是测序厂家的噱头，数据有什么好看的，直接往下游分析不就行了？直到有一次，一个RNA-seq项目，差异基因结果特别奇怪，始终找不到生物学的解释。我花了整整两周去排查，最后发现是测序质量太差，很多read的Q值低于10。从那以后，我再也不敢跳过质控了。

质控能解决几个核心问题：

识别低质量数据——碱基错误率高的区域，说白了就是「噪声」，留着只会污染下游分析。
检测接头污染——测序读长如果比插入片段长，就会读到接头序列，这件事在双端测序里尤其常见。
评估文库复杂度——重复序列太多，意味着PCR扩增有偏好，这种数据在做变异检测时会引入系统偏差。
判断批次效应——同一批次不同lane的样品，如果质量差异显著，你就要警惕了。

我的经验： 在正式分析前，我通常会把所有样品的FastQC报告汇总成一个表格，用multiqc搞定。一眼扫过去，哪个样品有问题，哪个lane质量差，清清楚楚。

FastQC报告的结构

FastQC的输出是一个HTML文件，里面包含了11个模块的评估结果。每一个模块都对应一个特定的质量维度。嗯，这里要注意，不是所有模块都有同等的重要性，但你最好都看一眼。

模块名称	评估内容	我着重的点
Basic Statistics	总读长数、读长长度、GC含量等基础统计	GC含量偏离预期，往往意味着文库构建有问题
Per base sequence quality	每个碱基位置的Q值分布	前端或末端的质量下降，这个我最常关注
Per sequence quality scores	所有读长的平均Q值分布	如果整体偏低，肯定要做截断
Per base sequence content	每个位置的A/T/G/C比例	前几个碱基组成偏差，很常见但往往影响不大
Per sequence GC content	所有读长的GC含量分布	出现双峰分布时，大概率是污染
Per base N content	每个位置的N（未识别碱基）比例	N比例高，说明测序质量极差
Sequence Length Distribution	读长长度的分布	长度不一致，大概率是建库时的片段选择问题
Sequence Duplication Levels	文库中重复序列的比例	重复率过高，提醒我PCR去冗余
Overrepresented Sequences	出现频率异常高的序列	我遇到过整条read都是poly-A的情况，是末端降解
Adapter Content	不同位置出现的接头序列比例	这个是必看，接头残留会干扰比对
K-mer Content	特定短序列（k-mer）的异常富集	偏向性扩增的指标，WGS里要特别小心

阈值设定的意义

你可能会问，报告看完了，然后呢？是直接过，还是该报warning，还是应该fail？这就引出了本教程的核心——阈值审计。

FastQC本身有默认的「好/尚可/差」的判定标准，但说实话，那套标准太笼统了。比如在Per base sequence quality模块，FastQC把Q值低于20的位置超过某个比例就判定为warning，可实际项目中，不同平台、不同文库类型，容忍度天差地别。我见过illumina的HiSeq数据，末端Q值掉到15都很正常；而mRNA-seq的数据，前端如果有GC偏差，往往不是问题，但WGBS的甲基化数据里，同样的偏差就可能是致命的。

所以我做审计时，从来不会全盘接受FastQC的默认阈值。每个项目我都会自己制定一套阈值规则，然后把它固化成脚本。这就是为什么我开启了这门课——帮你搞清楚到底怎么设定一套靠谱的审计阈值。

避坑提醒： 不要以为FastQC的「pass」就是百分百安全，它只是在统计层面认为「不太离谱」。我曾遇到过所有模块都是pass，但实际数据在做变异检测时依然表现极差——后来发现是文库出现了严重的PCR bias，而FastQC的重复序列模块默认阈值太宽松了。

FastQC的基本用法

在讲阈值之前，先带你过一遍最基础的调用方式。这个很简单，一行命令就能搞定：

fastqc sample_R1.fastq.gz -o fastqc_output/

如果你想同时跑多个文件，用通配符就好了：

fastqc *.fastq.gz -o fastqc_output/ -t 8

这里-t 8表示用8个线程并行处理，能省下不少时间。我通常处理一个全外显子测序的FASTQ文件（大约10GB压缩后），单线程要跑20分钟左右，用8个线程能压缩到5分钟以内。

还有一些常用参数，列出来给你参考：

--nogroup：不进行碱基位置分组，适合短读长（<50bp），能提供更精细的质量分布。
--contaminants：自定义污染序列库，我用它来检测建库时残留的逆转录引物。
--adapters：自定义接头库，处理一些非标准接头时非常有用。

一个小技巧： 我习惯在分析流程第一步就把FastQC的参数写进Makefile里，这样每次重跑分析时，再也不用担心忘记跑质控了。比如这样：

QC_DIR = ./qc_output
%.qc: %.fastq.gz
    fastqc $< -o $(QC_DIR) -t 8

这个图基本概括了质控审计的完整链路。从原始FASTQ出发，经过FastQC分析，得到11个模块的量化结果，最后通过自定义阈值进行审计判定。每一个环节都有坑，后面我会一个一个给你拆解。