📚 课程目录第2章 FastQC报告解读基础

基本统计模块：第一眼读懂测序健康度

这模块到底展示了什么？

打开一份 FastQC 报告，第一个映入眼帘的就是「Basic Statistics」卡片。我刚开始带新人时，发现很多人都直接跳过这里，直奔 Per Base Sequence Quality。其实这是个坏习惯。

基本统计模块就像测序实验的「体检报告单」—— 先看生命体征是否正常，再谈具体细节。它汇总了最关键的几个宏观指标，让你在 10 秒内判断这次测序是否值得往下走。

这个模块通常包含下面这些字段：

字段名	含义	典型值范围
Filename	输入文件名称	无限制
File type	测序类型（常规 DNA / RNA，或 bisulfite）	Conventional base calls / Bisulfite
Encoding	质量分数编码体系	Sanger / Illumina 1.3+ / Illumina 1.5+
Total Sequences	总序列条数	5M – 50M+ 取决于实验
Sequence length	序列长度（固定或范围）	50 bp – 300 bp
%GC	GC 碱基占比	35% – 60%

嗯，这里要注意。Encoding 字段经常被忽略，但它直接决定了后续所有质量分数的正确定义。我见过有人用错了编码解读，把一群低质量碱基当成高质量，差点放过了接头污染。

# 一个典型的 fastqc_data.txt 基本统计区段
>>Basic Statistics    pass
#Measure    Value
Filename    sample-01_S1_L001_R1_001.fastq.gz
File type    Conventional base calls
Encoding    Illumina 1.5
Total Sequences    25683400
Sequence length    150
%GC    44

核心指标解读与常见陷阱

Total Sequences

说白了就是一次测序拿到了多少条读段。不同平台、不同文库类型，这个数字差别很大。比如全基因组测序可能到 5000 万，而小 RNA 测序可能只有 500 万。

我建议你关注两点：

数量是否与实验预期吻合？差太多就得重新审视文库制备或测序参数。
同一个项目不同样本之间，这个数字是否稳定？波动超过 30% 通常暗示批次效应。

我在一个 RNA-seq 项目中遇到过这种情况：前三份样本的 Total Sequences 都在 2500 万左右，第四份突然掉到 800 万。你想想看，如果没看基本统计就直接往下跑差异分析，后续的标准化和统计检验全是错的。

Sequence length

长短本身不是问题，问题是「不一致」。双端测序中 R1 和 R2 长度应该相同，单样本内所有读段长度应该统一。如果出现长度不齐，八成是测序仪中途出了故障，或者数据是来自不同批次的总和。

曾经有人踩过的坑： 我见过一个案例，长度字段显示「35-150 bp」，但平均长度只有 90 bp。这意味着文库中存在大量的短片段。如果你按 150 bp 固定长度去做组装或比对，会有大量 reads 匹配失败。

%GC

这是个很有意思的指标。不同物种的 GC 含量有天然差异：人类约 42%，大肠杆菌约 50%，疟原虫低至 20%。但同一物种的样本之间，%GC 理论上应该非常稳定。

我一般这样判断：

偏差 < 5%：正常波动。
偏差 5% – 10%：可疑，需要检查是否有外源 DNA 污染。
偏差 > 10%：大概率有问题，比如文库构建时 PCR 过度扩增，或混入了其它物种的 DNA。

我曾经碰到过一种情况：微生物组的 %GC 严重偏离物种预期，一看 FastQC 基本统计才发现 GC 高达 65%。后来溯源发现是宿主 DNA 污染，占到了总 reads 的 70% 以上。你看，基本统计模块在第一关就能拦住这种致命问题。

Encoding

这算是一个容易踩的小坑。现在绝大部分数据都是用 Sanger 编码（Phred+33），但如果你拿到的是旧版本 Illumina 数据（Phred+64），直接用通用脚本解析就会得到一堆离谱的质量分。

# 三种常见编码对应的 ASCII 偏移
Sanger            Phred+33     ! 到 J
Illumina 1.3+     Phred+64     B 到 h
Illumina 1.5+     Phred+64     B 到 h（但 0-2 号质量值被压到 2）

一个小技巧： 我习惯在拿到报告后先看一眼 Encoding 字段。如果是「Illumina 1.5」，我就要小心了——这种编码中质量最低的那几个碱基其实是被「修饰」过的，不能直接拿来统计。

阈值设定实战思路

知道了每个指标的含义，接下来就是怎么在审计流程中设定合理的「通过/警告/失败」阈值。我的经验是分两步走：

定基线。 从你实验室过去的 5-10 个运行良好的项目中，提取 Total Sequences、%GC 等指标的均值和标准差。
定警戒线。 均值的上下 3 倍标准差作为「警告」，5 倍标准差作为「失败」。

拿我自己的一个审计配置举例：

指标	通过 (pass)	警告 (warn)	失败 (fail)
Total Sequences	> 15,000,000	5,000,000 – 15,000,000	< 5,000,000
%GC (人基因组预期 42%)	39% – 45%	35% – 39% 或 45% – 50%	< 35% 或 > 50%
Sequence length	完全一致	长度偏差 ≤ 5 bp	长度偏差 > 5 bp

最后说一句： 这些阈值不是死的。我通常会在一个项目的前 3 个批次里手动验证一遍，再决定要不要调。毕竟，比起扣技术细节，更重要的是让阈值帮你快速聚焦到真正异常的数据上。

这张图把基本统计模块拆成了四个判断维度：宏观总量、质量编码、长度一致性、GC 比例。你在审计时，只需要依次检查每一条，最终综合出一个通过/警告/失败的结论。我觉得这样比直接看 FastQC 给的「自动评级」更靠谱——毕竟，你自己的项目背景你最清楚。