FASTQ质量控制：FastQC工具安装与使用、质量报告解读、常见问题处理
拿到FASTQ文件之后，第一件事是什么？我个人习惯，不是急着往下跑流程，而是先做质量检查。就像做饭前先看看食材新不新鲜，这一步省不得。质量差的FASTQ数据，你后面再怎么折腾，结果也靠谱不了。
质量控制这块，FastQC几乎是行业标配。它轻量、快速、报告直观。咱们这节课就把FastQC从安装到报告解读，再到常见问题怎么处理，一次性说清楚。
核心原则：质控不是走形式。每份FASTQ数据都必须经过质控确认，才能进入后续分析流程。我曾经因为跳过这一步，花了一周时间调试一个根本不存在的“差异表达基因”——最后发现是数据污染。
2.1 工具安装
FastQC的安装方式很多。我按推荐程度排个序。
| 安装方式 | 命令/步骤 | 适用场景 |
|---|---|---|
| Conda（推荐） | |
通用，依赖自动解决 |
| 官方二进制 | |
无root权限的环境 |
| 系统包管理器 | apt install fastqc（Ubuntu） |
Linux桌面环境 |
我个人建议用Conda。为什么？因为Conda会自动解决FastQC对Java运行时的依赖。我在项目里遇到过用户手动安装时忘记装Java，然后FastQC直接报错退出的情况——排查起来很耽误时间。
小提示：安装后先跑一下fastqc --version确认安装成功。如果提示“command not found”，多半是PATH没配置好。
2.2 基本使用
FastQC的使用非常简单。基本的调用方式：
fastqc -o ./qc_output sample_R1.fastq.gz sample_R2.fastq.gz参数说明：
-o：指定输出目录。如果不指定，报告默认生成在当前目录。--threads：并行线程数。多文件时建议开启，例如--threads 4。--extract：同时解压zip报告。有这个参数方便直接查看里面的数据文件。
我习惯的完整命令：
fastqc -o ./fastqc_results \
--threads 8 \
--extract \
*.fastq.gz运行后，每个FASTQ文件会生成两个文件：一个.html报告和一个.zip压缩包。HTML报告可以直接在浏览器打开，zip解压后包含各模块的原始数据。
注意事项：如果FASTQ文件特别大（单文件超过5GB），FastQC会消耗较多内存。这时候建议用--chunks 100参数只取前10万个read作抽样检查——说白了，质量趋势在足够大样本下是稳定的，全跑完意义不大。
2.3 质量报告解读
FastQC会生成一份详细的HTML报告。报告中包含11个模块。我把最重要的几个讲透。
2.3.1 Per base sequence quality——最核心的模块
这个模块展示每个碱基位置的测序质量分布。你会看到一个「箱线图」，横轴是read中的位置，纵轴是Phred质量分数。
看这个图，有几点经验：
- 绿色区域（Q≥28）：高质量。我期望大部分数据落在这里。
- 黄色区域（Q 20-28）：可接受。但要注意拐点位置。
- 红色区域（Q<20）：数据不可靠。这个区域的数据建议裁剪掉。
我在项目中遇到过一个问题：一份RNA-seq数据的左端质量很好，但从第100个碱基开始，质量直线下滑到红色区。这是因为测序试剂活性递减导致的。碰到这种情况，不要犹豫，用Trimmomatic或Cutadapt把尾部低质量区域切掉。
2.3.2 Per tile sequence quality
这个模块展示的是测序芯片上每个tile（一小块区域）的质量。为什么我特别关注它？因为它能帮我发现仪器层面的问题。
如果有某个tile整体偏红（质量差），说明那个区域可能出现了气泡、油污或者阻塞。这时候不是靠软件过滤能解决的——建议你联系测序平台，要求重新上机或者补测。说白了，这是仪器问题，不是数据问题。
2.3.3 Overrepresented sequences
过度代表序列，通俗讲就是有些序列出现频率异常高。常见原因：
- 接头（adapter）未去除干净
- PCR扩增偏好（重复序列）
- 多聚体序列（如polyA尾）
- rRNA污染
判断阈值：如果某条序列出现比例超过1%，FastQC会标记为“警告”；超过10%则为“失败”。
避坑指南：我遇到过有人把TrueSeq接头污染误认为是“有意义的重复序列”。判断方法是看FastQC报告里的“Possible Source”——如果标注了“No Hit”，基本上就是接头。这时候用Cutadapt去除就行。
2.3.4 GC含量
这个模块展示碱基G+C占总碱基的比例。理想情况下，GC含量分布应该呈正态分布，峰值与物种的理论GC含量一致。
人类基因组GC含量约41%。实际测序数据在38%-44%之间浮动都正常。但如果出现双峰、宽峰或严重偏离，就要注意了：
- 双峰：样本可能有污染（两个物种混合）。
- 严重偏移：可能有文库构建偏差（PCR扩增偏好）。
- 窄峰过高：可能只扩增了特定区域。
2.4 常见问题处理
我整理了一份问题对照表。当你看到FastQC报告出现警告或失败时，对表操作就行。
| 问题表现 | 可能原因 | 处理方式 |
|---|---|---|
| Per base quality 尾部变红 | 测序试剂消耗/deamination | 使用Trimmomatic裁剪尾部 |
| Overrepresented sequences 报警 | 接头残留 | 使用Cutadapt去除接头 |
| GC含量分布异常（双峰） | 样本污染 | 检查原始样本来源；考虑去污染软件 |
| Duplicate Sequences 比例极高 | PCR重复/低多样度 | 单细胞/ChIP-seq中属正常；WGS需评估 |
| Per tile quality 整体偏红 | 芯片缺陷/气泡 | 联系测序平台，可能需要重测 |
| Adapter Content 逐渐升高 | insert片段短于read长度 | 用Cutadapt去除接头；检查建库方案 |
关键提醒：不要看到“失败”就盲目过滤。比如DNA-seq中片段大小较小时，Overrepresented sequences 有接头标记是正常的。做多组学分析时，你总要判断：这个“失败”会影响到我的下游分析吗？如果真的影响了，再动手处理；如果不影响，保留原始数据也是一种负责任的做法。
2.4.1 实际案例：如何复判“可疑”报告
我处理过一个项目，某样本的Per base quality显示前10个碱基质量极差，但整体后来恢复正常。有人建议直接丢弃这部分数据。我建议先看看报告旁边的「Kmer Content」模块——如果前10bp集中出现某些特定kmer，说明是引物残留，而非测序质量问题。修剪掉前10bp即可，不需要大动干戈。
这个经验告诉我：看报告一定要交叉验证，不要只看一个模块就下结论。
2.5 批量化质控与汇总报表
当你有几十个样本时，一个个打开HTML报告看效率太低。我习惯用MultiQC做汇总。
安装和使用非常简单：
conda install -c bioconda multiqc
multiqc ./fastqc_results/ -o ./multiqc_report/MultiQC会自动扫描指定目录下的所有FastQC报告，生成一个整合的HTML报告。上百个样本的质量情况一目了然。我不建议在大项目里手动检查单个报告——说白了，人的眼睛应付不了大量重复劳动。
经验之谈：MultiQC生成的汇总报告可以让你一眼看出哪些样品是“离群值”。我在做单细胞RNA-seq质控时，就是靠MultiQC发现了某个通道的细胞捕获效率整体偏低——最后是流体芯片的芯片破损导致的。