第3章 数据质量控制：FastQC使用与结果解读

拿到测序下机的FASTQ文件，第一件事是什么？我个人经验是，千万别急着做比对或定量。先停下来，做一次全面的质量审计。你想想看，如果原始数据本身就有问题，后面的分析做得再漂亮，结果也是站不住脚的。这就像盖房子，地基没打好，装修再豪华也白搭。

我职业生涯中接手过不少“疑难杂症”的项目，最终发现很多奇怪的结果，根源都在质量控制环节被忽略了。所以，这一章我们花点心思，把FastQC这个工具玩透。它虽然小，但却是RNA-seq分析流程中不可或缺的守门员。

3.1 为什么要做数据质量控制？

很多人觉得这步是形式主义。其实不然。测序过程受多种因素影响：文库制备质量、测序仪器状态、试剂批次差异、甚至是操作员的手抖了一下，都可能在数据中留下痕迹。FastQC的作用，就是将这些问题可视化、量化。

质量控制主要解决三个核心问题：

• 数据是否干净？ – 有没有未去除干净的接头序列？
• 数据是否可靠？ – 碱基的测序质量分数是否达标？
• 数据是否异常？ – GC含量分布、重复序列比例等是否符合预期？

说白了，这个步骤是为你后续的比对和定量工作买了一份“保险”。跳过这步，风险你来扛。

3.2 FastQC 的安装与使用

FastQC的安装非常简单。我个人习惯在conda环境里管理所有生物信息学工具，这样不会污染系统环境，也方便版本管理。

3.2.1 安装方式

推荐使用conda安装，一行命令搞定：

conda install -c bioconda fastqc

当然，你也可以去官网下载二进制包，直接解压就能用。我早期用过这种方式，但后来发现conda能自动处理依赖，省心不少。

3.2.2 运行命令

基本用法非常直接。对一个双端测序的样本，运行：

fastqc sample_R1.fastq.gz sample_R2.fastq.gz -o ./qc_results/ -t 4

参数说明：

• sample_R1.fastq.gz 和 sample_R2.fastq.gz：输入文件，支持gz压缩格式，直接读取。
• -o ./qc_results/：指定输出目录。
• -t 4：使用4个线程并行处理，对于大文件，这个参数很重要。

find . -name "*.fastq.gz" | parallel -j 4 fastqc -o ./qc_results/ {}

运行成功后，会为每个输入文件生成两个文件：一个 .html 报告（浏览器直接打开），一个 .zip 压缩包（包含报告中的各模块数据）。

3.3 FastQC 输出结果解读

结果报告里包含十几个模块。每个模块都用红、黄、绿三种颜色来标识状态：绿色表示通过（Pass），黄色表示警告（Warn），红色表示不合格（Fail）。

不过别太迷信这个颜色。我见过很多样本，整体是绿色警告，但某个模块却严重异常。下面我挑几个最关键的模块，结合我踩过的坑，带你逐个看明白。

3.3.1 Per base sequence quality（每个碱基的测序质量）

这个模块是核心中的核心。它展示了读段（Read）中每个位置的碱基质量分布。

怎么看？ 看中间的黄色箱线图和红色中位线。如果中位线大部分落在绿色区域（Q>28）就很好。如果前面的碱基（前5-10bp）质量偏低，那是正常的，因为测序仪启动时有预热过程。如果后半段质量急剧下降，就要小心了。

处理建议： 如果后端质量太差，后续需要使用Trimmomatic或cutadapt进行质量修剪。

3.3.2 Per sequence GC content（每个序列的GC含量）

这个模块用来检测GC含量分布是否正常。理论上，基因组DNA的GC含量呈正态分布，中心在物种GC含量附近（人类约41%）。

异常信号： 如果出现双峰（两个波峰），通常意味着有外源污染。比如，你的样本是人的，但混入了细菌的DNA，就会出现两个GC波峰。如果出现尖锐的单峰，说明片段筛选非常均匀，也可能有问题。

我遇到一个病例： 一个肿瘤样本的GC含量分布图谱非常奇怪，后来通过溯源发现，是样本在取样时混入了小鼠的异种移植组织。所以，这个模块是识别样本污染的好工具。

3.3.3 Adapter Content（接头含量）

这个模块直接告诉你，你的数据里还有多少未被清除的接头序列。如果该模块显示红色Fail，说明建库时片段偏短，或者接头清除不彻底。

怎么办？ 后续必须进行接头切除。你可以使用cutadapt，指定接头序列：

cutadapt -a AGATCGGAAGAGCACACGTCTGAACTCCAGTCAC \
         -A AGATCGGAAGAGCGTCGTGTAGGGAAAGAGTGTAGATCTCGGTGGTCGCCGTATCATT \
         -o trim_R1.fastq.gz -p trim_R2.fastq.gz \
         sample_R1.fastq.gz sample_R2.fastq.gz

至于接头序列是什么？FastQC报告里会明确告诉你检测到的是哪种接头。或者，直接去illumina官网查一下通用接头序列。

3.3.4 Overrepresented sequences（过度代表序列）

这个模块会列出出现频率异常高的序列。如果这些序列被识别为已知接头，就是上述接头残留。如果未能识别，可能是PCR扩增偏好性导致的重复，或者是一定技术重复下的噪声。

注意： 在RNA-seq中，如果测序深度非常深，部分高表达基因的片段重复是正常的。但如果重复比例超过10%且集中在少数几条序列上，就要考虑是否建库时扩增次数过多了。

3.4 知识体系总览

下面这张图概括了FastQC质控的核心流程和判断逻辑，你看完应该就能把握全貌：

3.5 关键指标快速参考表

为了方便你快速判断，我把几个核心模块的合格标准汇总成一个表。你可以打印出来贴在工位上，或者存成书签。

3.6 多样本批量质控与报告聚合

当样本量多起来（比如几十个），一个个看HTML报告显然不现实。这时候，我们可以用MultiQC工具来聚合所有FastQC报告，生成一个综合仪表盘。

用法很简单：

multiqc ./qc_results/ -o ./multiqc_report/

multiqc会自动扫描目录下的所有FastQC生成的zip文件，然后生成一个整合的HTML报告。在这个报告里，你可以横向对比所有样本的同一模块，快速识别出异常样本。

3.7 数据不合格时的处理策略

如果你的数据没有全部通过，别慌。根据我处理过的上百个项目的经验，我给出几个常见问题的处理方法：

• 末端质量差（Per base quality Fail）： 使用Trimmomatic或cutadapt裁剪前段和末端的低质量碱基。
• 接头残留（Adapter Content Fail）： 使用cutadapt切除对应接头序列。
• GC含量异常（Per sequence GC Content Fail）： 首先排除是否由接头或引物二聚体引起。如果是污染，需要评估污染源的比例和影响。有时需要重新建库。
• 过度代表序列（Overrepresented sequences Fail）： 如果是接头，按上面处理。如果是非接头重复，且比例极高（>1%），建议标记并移除这些读段。

处理示例命令（质量修剪 + 接头切除一步完成）：

cutadapt -a AGATCGGAAGAGCACACGTCTGAACTCCAGTCAC \
         -A AGATCGGAAGAGCGTCGTGTAGGGAAAGAGTGTAGATCTCGGTGGTCGCCGTATCATT \
         -q 20,20 --min-length 36 \
         -o trim_R1.fastq.gz -p trim_R2.fastq.gz \
         sample_R1.fastq.gz sample_R2.fastq.gz

这个命令做了三件事：1) 切除接头；2) 将质量低于Q20的碱基末段剪掉；3) 丢弃长度小于36bp的读段（防止比对时出错）。