第二章 测序数据基础：FASTQ 格式、质量评估与预处理
说实话，做变异解读 pipeline，最怕的就是「垃圾进，垃圾出」。我见过太多新手拿到测序数据直接跑比对，结果后续分析一团糟，最后发现源头是 FASTQ 本身就有问题。所以这一章，咱们把地基打牢——从读懂 FASTQ 格式开始，再聊怎么用 FastQC 看质量，最后用 Trimmomatic 和 cutadapt 把数据洗干净。
FASTQ 格式深度解析
你想想看，一个 FASTQ 文件长什么样？每条记录固定 4 行：
@EAS139:136:FC706VJ:2:2104:15343:197393 1:Y:18:ATCACG
CTACGTGACTGACTGACTGACTGACTGACTGACTGACTGAC
+
IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII
第一行以 @ 开头，是序列标识符，包含仪器、flowcell、坐标等信息。第二行是碱基序列。第三行是 +，后面可以跟重复的 ID（通常为空）。第四行是质量值，每个字符对应一个 Phred 质量分数。
质量值怎么算？Phred 分数 = −10 × log₁₀(P)，P 是碱基出错的概率。比如 Q30 表示错误率 0.1%，Q20 是 1%。实际存储时用 ASCII 字符编码：! 对应 0，~ 对应 93。主流 Illumina 平台用 Phred+33 编码，也就是 ASCII 码减去 33 得到真实质量值。有些老数据可能用 Phred+64，踩过坑的都知道……
质量评估——FastQC 实战
FastQC 是质控标配，没有之一。我习惯直接对整个文件夹跑一遍：
fastqc *.fastq.gz -o fastqc_output -t 8
-t 指定线程数，多文件并行加速。跑完后每个样本生成一个 .html 和 .zip。打开 HTML，重点关注几个模块：
- Per base sequence quality：每个位置的碱基质量箱线图。理想状态是全部落在绿区（Q28 以上）。如果尾部明显变红，说明需要裁剪。
- Per sequence GC content：GC 含量分布。正常应该是接近理论值的高斯峰。双峰可能提示污染或批次效应。
- Adapter Content：接头残留百分比。如果虚线在尾部翘起，说明 adapter 没切干净，必须处理。
- Overrepresented sequences：高频重复序列。过度代表往往就是 adapter 二聚体或 rRNA 污染。
拿到 FastQC 报告后，我通常会先扫一眼「Per base sequence quality」和「Adapter Content」，决定要不要预处理。
multiqc . 就能生成聚合报告，一眼看出哪些样本是“坏孩子”。
数据预处理——Trimmomatic 与 cutadapt
预处理主要解决两个问题：低质量碱基和 adapter 残留。工具有很多，我最常用的就是 Trimmomatic 和 cutadapt，各有侧重。
Trimmomatic：全能型选手
Trimmomatic 支持双端（PE）和单端（SE），内置滑动窗口裁剪、adapter 切除、最小长度过滤等。举个例子，处理 150bp PE 数据：
java -jar trimmomatic-0.39.jar PE \
sample_R1.fastq.gz sample_R2.fastq.gz \
sample_R1_paired.fq.gz sample_R1_unpaired.fq.gz \
sample_R2_paired.fq.gz sample_R2_unpaired.fq.gz \
ILLUMINACLIP:TruSeq3-PE.fa:2:30:10 \
SLIDINGWINDOW:4:20 \
MINLEN:50
ILLUMINACLIP：指定 adapter 序列文件，后面三个参数2:30:10分别是最小匹配长、匹配精确度、palindrome 模式得分。SLIDINGWINDOW:4:20：4bp 窗口，平均质量低于 20 就切除。嗯，这里要注意窗口大小和质量阈值要根据实际情况调，有些 RNA-seq 数据质量差，我降到 15 才够用。MINLEN:50：保留至少 50bp 的 reads。
cutadapt：轻量灵活
cutadapt 专攻 adapter 去除，也能做质量裁剪。语法更直观，适合整合到流程里：
cutadapt -a AGATCGGAAGAGCACACGTCTGAACTCCAGTCA \
-A AGATCGGAAGAGCGTCGTGTAGGGAAAGAGTGT \
-o trimmed_R1.fastq.gz -p trimmed_R2.fastq.gz \
sample_R1.fastq.gz sample_R2.fastq.gz \
-q 20 -m 50 --trim-n
-a 和 -A 分别指定 R1 和 R2 的 adapter 序列；-q 20 相当于质量裁剪；--trim-n 去除 N 碱基。
我个人在做 small RNA、cfDNA 等短片段文库时偏爱 cutadapt，因为它对 adapter 正反义链处理更精细，Trimmomatic 有时会漏掉部分 adapter 变体。
怎么选？一张表说清楚
| 维度 | Trimmomatic | cutadapt |
|---|---|---|
| adapter 去除 | 强，支持已知文库格式和 palindrome 模式 | 强，支持 adapter 变体和 linked adapter |
| 质量裁剪 | 滑动窗口策略，更稳健 | 从 3' 端直接裁剪，简单高效 |
| 双端配对保真度 | 自动处理 paired/unpaired 分离 | 需要额外参数 --pair-filter=both |
| 运行速度 | 较慢（Java 启动开销） | 快（纯 C 实现） |
| 主要适用场景 | 常规 WGS/WES、RNA-seq | 短片段、甲基化、接头复杂的项目 |
我的一般原则：WGS 或 RNA-seq 用 Trimmomatic，一步到位；接你手里如果有多个文库类型需要精细控制，可以考虑 cutadapt。其实没必要纠结，两个都装上，哪个顺手用哪个。