数据来源与格式：从原始测序到数据分析的第一步
做物种丰度分析，第一步不是跑软件，而是搞清楚你手头的数据是什么来头。扩增子测序？宏基因组？FASTA 还是 FASTQ？格式差一个字母，处理流程可能完全不同。
我见过不少新手直接拿 FASTQ 去比对数据库，结果报错卡半天——因为比对软件要求的是 FASTA。说白了，这一步错了后面全白干。
2.1 扩增子测序 vs 宏基因组：选对路子
先搞清楚三兄弟：16S 针对细菌、18S 针对真核微生物、ITS 针对真菌。宏基因组则是整个样本 DNA 全测，不分靶点。
| 类型 | 靶向区域 | 应用场景 | 数据量（参考） | 优点 |
|---|---|---|---|---|
| 16S rRNA（V3-V4 等） | 细菌 16S 基因高变区 | 菌群结构、多样性 | 每样本 10~100K reads | 成本低，数据库完善 |
| 18S rRNA | 真核生物 18S 基因 | 原生动物、微真核 | 约 10~50K reads | 扩展真核覆盖度 |
| ITS（ITS1/ITS2） | 真菌 ITS 区间 | 真菌群落 | 约 10~50K reads | 真菌分辨率高 |
| 宏基因组 | 全基因组 | 功能潜力、新基因、菌株 | 每样本 5~50M reads | 信息量大，但贵 |
我个人习惯，先问用户：你关心物种组成还是功能？关心物种，预算少，上扩增子；想挖新基因或看代谢通路，上宏基因组。记得有一次，项目做肠道菌群，对方非要上宏基因组，我说你几百块样本测宏基因组，光存储就心疼。后来还是老老实实改回 16S。
2.2 文件格式大观：FASTA 与 FASTQ
测序公司给你的数据通常是 FASTQ 格式。里面除了序列还有每个碱基的质量得分，用 ASCII 字符编码。FASTA 则只有序列和注释行。
你想想看，一个 FASTQ 记录长这样：
@M00525:1:000000000-A5LGW:1:1101:15347:1645 1:N:0:8
ATCGATCGATCGATCGATCGATCGATCGATCGATC
+
IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII第一行以 @ 开头，后面是 Illumina 的仪器 ID 和坐标。第二行是序列。第三行是 + 分隔符。第四行是质量得分，每个字符对应一个 Phred 值。
| 特性 | FASTA | FASTQ |
|---|---|---|
| 注释行开头 | > | @ |
| 包含质量值 | 无 | 有（第4行） |
| 常见用途 | 数据库比对 | 原始序列+质控 |
| 质量编码 | — | Phred+33 或 +64 |
收到 FASTQ 先确认质量编码体系。老版本 Solexa 用 Phred+64，现在 Illumina 1.8+ 都用 Phred+33。用 ASCII 范围判断：如果质量字符包含 ';'（ASCII 59）以上，可能就是 +64，需要转换。
2.3 实战中常见的坑
我曾经遇到一个项目，样本编号在 FASTQ 文件名和实验设计表里不一致——公司把 B1、B2 重新命名成 S1、S2，但设计表没更新。结果分析出来菌群结构和预想完全相反。自此以后，我每次拿到数据都先跑一个 ls *.fastq.gz > sample_list.txt，跟实验设计逐行比对。
另一个坑：双端测序的 R1 和 R2 文件必须配对。文件名通常是 SampleName_R1_001.fastq.gz 和 SampleName_R2_001.fastq.gz。我建议用脚本检查行数是否一致，否则 merge 时会丢。
质量分布也要看。 用 FastQC 跑一遍，如果末尾平均质量低于 Q20，得考虑裁剪或丢弃。
2.4 数据预处理前的检查清单
- 完整性检查：每个样本是否同时存在 R1/R2（双端）或单端文件；文件是否解压后完整（
gzip -t）。 - 测序质量：跑 FastQC 看每个碱基位置的质量箱线图，关注 GC 含量异常（可能污染）。
- 样本对应关系：FASTQ 文件名中的样本 ID 是否与分析设计表一致。我习惯用
grep提取 @ 行中的 ID。 - 引物/接头残留：用
cutadapt检测并去除。没去除的引物会导致 ASV 聚类时被误认为真实序列。 - Read 数量统计：每个样本的 reads 数差异过大（比如差两个数量级），后续标准化会有麻烦。
数据来源与格式这块，说复杂也不复杂，但稍有疏忽就可能让整个分析跑偏。我建议你每次拿到新数据，先跑一遍检查清单，再动手。宁可多花 10 分钟验证，也别回头重做一个月。