📚 课程目录第3章 Per base sequence quality 模块详解与阈值设定

3. Per base sequence quality 模块详解与阈值设定

Per base sequence quality，中文叫“每个碱基的测序质量”。这玩意儿是 FastQC 报告里最受关注的一张图，没有之一。我刚入行时，QC 报告看都不看，直接往下游跑。后来有一次，一个 RNA-seq 项目，差异基因怎么调都调不出来，最后回头一查——Per base quality 图尾端掉得一塌糊涂。嗯，从那以后我再也不敢跳过这张图了。

说白了，这张图展示的是测序 reads 里每个位置（从第一个碱基到最后一个）的质量分布。横轴是碱基位置（1-based），纵轴是质量分数（Phred score）。图上能看到箱线图、均值线，还有三条参考线：绿线（Q28）、橙线（Q20）、红线（Q10）。FastQC 默认把 Q28 以上标为绿色“好”，Q20~Q28 标为橙色“还行”，Q10~Q20 标为黄色“一般”，Q10 以下标为红色“差”。

3.1 这张图到底在告诉你什么？

很多新手以为只要整条 read 平均质量够高就行。但 Per base quality 图能暴露一个关键问题：测序质量是否均匀。我见过不少项目，整体平均 Q30 高达 90%，但读长末尾 20 个碱基质量直接掉到 Q15 以下。这种情况，下游的 SNP calling 和拼接会非常惨。

下面这张图总结了 Per base quality 审计的核心决策逻辑：

3.2 怎么读图？关键要看三个指标

我个人解读这张图时，会按以下三个维度快速扫描：

中位数线（图上粗的黑线）：代表该位置上所有 read 质量的中位数。如果中位数掉到 Q20 以下，这个位置就得警惕。
箱体高度：箱体的上下四分位距（IQR）反映该位置的质量波动。箱体越宽，说明不同 read 在该位置的质量差异越大。我见过有的数据，前 50bp 箱体很窄，到 100bp 突然炸开——这种通常意味着模板长度不均一。
离群点（箱线图上的小圈）：代表异常低质量的 read。如果离群点大量出现，说明文库中混入了低质量片段。

经验技巧：建议先看 末端的 10% 区域。比如 150bp 的 read，重点关注 135~150bp。这块是质量衰减最明显的地方。如果末端中位数还在 Q25 以上，基本问题不大。

3.3 审计阈值怎么设？别再只用 FastQC 默认线

FastQC 内置的颜色规则（绿/橙/红）只是一个快速参考，不能作为生产环境的审计阈值。我参与过好几个大型测序项目，逐渐总结出一套更实用的阈值体系。直接上表：

阈值等级	判断条件	建议动作
PASS	所有位置的箱线图中位数 ≥ Q25 且 IQR 下沿 ≥ Q15（即 25% 分位数 ≥ Q15）	无需截断，直接用于全部下游分析
WARN	存在 1~5 个位置的中位数在 Q15~Q20 之间或 25% 分位数在 Q8~Q15 之间	考虑截断尾部 5~10 bp，或使用软修剪 (如 Trimmomatic 的 SLIDINGWINDOW)
FAIL	存在任意位置中位数 < Q15 或 25% 分位数 < Q8 或箱体高度超过 Q20 跨度（即 IQR > 20）	必须截断到质量稳定区域，或返回湿实验排查原因

重点强调：我在审计标准化流程时，把 WARN 和 FAIL 的边界收紧了一档。为啥？因为很多项目误判往往出在“看起来还行但实际不行”的灰色区域。比如某个位置中位数 Q18，但 25% 分位数已经掉到 Q6 了，这时候如果只看中位数可能会漏判。所以我们生产线置的硬规则是：任意位置 25% 分位数 < Q10 直接判 FAIL，不管中位数是多少。

3.4 常见陷阱与避坑

陷阱一：只看平均值。 平均值会被高质量碱基拉高，掩盖了末尾的剧烈下降。务必看箱线图的中位数和四分位数。
陷阱二：忽略文库类型。 我做过一个 Amplicon 项目，Per base quality 图显示整条 read 质量都很好，但中间有一段质量骤降。这是因为引物二聚体导致的局部失败。如果只看头尾，完全发现不了。
陷阱三：盲目截断固定长度。 我曾经接手过一个项目，QC 报告尾部质量确实下降，但只下降了 3bp。操作员直接硬截了 50bp，损失了大量有效数据。其实这种情况保留 147bp 完全够用。

3.5 实操：用命令行快速抓取 Per base quality 数据

FastQC 的网页报告只能看个大概。要大规模审计时，我更习惯用 fastqc -o outdir --extract 把 zip 包解出来，然后直接读 fastqc_data.txt。里面有一节叫 Per base sequence quality，每一行就是一个位置的质量统计。

# 提取每个位置的质量统计
grep -A 100 "Per base sequence quality" fastqc_data.txt | tail -n +2 | head -N

# 示例输出（150bp read 前几行）:
# Base    Mean    Median   Lower Quartile   Upper Quartile   10th Percentile  90th Percentile
# 1       37.25   38.0     36.0             39.0             34.0             40.0
# 2       37.30   38.0     36.0             39.0             34.0             40.0
# ...
# 149     27.10   28.5     19.0             34.0             15.0             36.0
# 150     24.85   25.0     16.0             32.0             12.0             34.0

拿到这些数值后，写个简单的脚本就能自动判定 PASS/WARN/FAIL。我个人用 Python 写过一个审计函数，核心就二十行：

def audit_per_base_quality(data, median_threshold=20, lower_q_threshold=10):
    """
    data: list of dicts with keys 'median', 'lower_quartile'
    返回: ('PASS'|'WARN'|'FAIL', 失败位置列表)
    """
    fail_positions = []
    warn_positions = []
    for idx, row in enumerate(data, start=1):
        median = row['median']
        lower_q = row['lower_quartile']
        if median < 15 or lower_q < 8:
            fail_positions.append(idx)
        elif median < 20 or lower_q < 10:
            warn_positions.append(idx)
    if fail_positions:
        return 'FAIL', fail_positions
    elif warn_positions:
        return 'WARN', warn_positions
    else:
        return 'PASS', []

⚠️ 注意：上面的阈值是我针对 Illumina 2×150 PE 测序平台定的。如果你用的是 PacBio 或 Nanopore，质量体系完全不同，阈值需要重新标定。我曾帮一个团队把同样的脚本跑在 PacBio HiFi 数据上，结果全是 FAIL——因为 HiFi 的质量分数定义与 Illumina 不同，不能直接套用。

3.6 本章小结：你需要记住这三点

看分布，不看平均。 中位数和四分位数比平均值更可靠。
硬性指标设双保险。 中位数 < Q15 或下四分位 < Q10 都是 FAIL 信号。
落地自动化脚本。 别手动翻网页，用 fastqc_data.txt 写个审计函数，每次跑流水线自动出判定。

Per base sequence quality 是质控的门神。这块看得准，后面一马平川；这块放松了，下游分析无异于沙上建塔。我个人的实验室准则就是：Per base quality 没通过审计的数据，不送下游分析管线。哪怕它是来自顶刊的合作项目。