批次质控：从概念到核心指标

做生物信息分析这么多年，我有个很深的体会：数据质量决定了分析的天花板。任你算法再牛、模型再花哨，数据本身是脏的、乱的、假的，结果就是浪费时间。嗯，今天咱们就来聊聊批次质控这个事。

什么是批次质控？

说白了，批次质控就是对同一批次产出的所有样本，批量检查它们的数据质量。我习惯叫它「批控」，跟单个样本的质控区分开。

单个样本的质控，比如看一个 FASTQ 文件有没有接头残留、GC 含量对不对。这事每个做生信的新手都会。但批次质控不一样。
它关心的是：这批样本整体靠谱吗？有没有某个参数突然崩了？是不是有一半的样本数据量不够？

举个例子。我曾经在一个大型项目里，收到了同一个批次 96 个 WGS 样本的下机数据。单看每个样本的 Q30，都在 85% 以上，看起来没什么问题。但我把全批次的测序深度拉出来画了张密度图，发现有几个样本的深度只有其他样本的十分之一。要不是做了批控，这几个「混子」样本就混进后续分析了，浪费几周时间不说，结论还可能是错的。

为什么我们需要批次质控？

原因不难理解。你想想看，一个批次的样本通常是在同一台机器、同一个 run、用同一批试剂下机的。按道理，它们的质量特征应该高度一致。如果不一致，说明出问题了——不管是不明原因的飘移，还是操作失误，批控都要能在早期把它揪出来。

我把它归结为三个核心目的：

• 发现系统性异常：一台设备出现漂移，会影响这个批次所有样本。
• 识别离群样本：某个样本的建库出了问题，数值明显偏离整体。
• 决定批次是否可用：如果超过一定比例的样本不合格，这个批次可能需要重新测序。

核心指标概览

批控指标不是凭空捏的，它来自测序平台和建库过程。我列了一份我常用的核心指标清单，你可以当个速查表用：

指标名称	定义	我的一点经验
Read 总数	每个样本的原始 reads 数	注意看批次内波动，CV 超过 30% 就要警觉
Q30 / Q20	质量值≥30/20 的碱基占比	不要只看均值，看分布形状
GC 含量	碱基 G+C 占比	物种特异性强，但批次内差异不能太大
比对率	reads 比对到参考基因组的比例	低于 90% 基本是污染或建库问题
重复率	PCR 重复或光学重复的比例	文库复杂度低的样本，后面很多事做不了
平均插入片段长度	双端 reads 在基因组上覆盖的片段长度	建库破碎不理想时这个值会偏
比对覆盖均一性	用 fold-80 或 mean_coverage 等评估	对 CNV 分析影响极大

一个完整的批控流程长什么样？

我习惯用一张图来概括批控的主干。下面这个流程图就是我脑子里跑批控时的思维路径：

这图看着不复杂吧？从样本下机开始，到批量抽取 QC 指标，再到可视化和离群样本检测，最后做决策标记。注意右上角那条虚线——不合格的批次，可以反馈到实验端，要求重新下机或者补测。

批控里头还有一些常用「武器」

我一般用下面这些工具和思路来做批控：

• MultiQC：它可以聚合 FastQC 等工具的结果，一键生成一个批次的 HTML 报告。我每次拿到新数据，第一件事就是跑 MultiQC。
• Z-score 法：每个样本的某个指标减去批次均值，除以批次标准差。我习惯把 |Z|>3 的样本标出来仔细观察。
• 主成分分析 (PCA)：如果批次内存在隐性的分组效应（比如某几台机器做的样本聚在一起），PCA 第一眼就能看出来。
• 热力图 + 聚类：把所有样本的 QC 指标画成热力图，可以直观看到哪些样本抱团、哪些落单。

批控报告里，判断标准得提前定好。比如我做过一个项目，标准是这么写的：

# 一个简单的批控判断规则示例
# 如果批次内超过 5% 的样本 Q30 < 80%，该批次整体不合格
# 如果单个样本的比对率 < 85%，标记为 FAIL
# 如果某个样本的所有指标均正常但数据量不足目标 1/10，标记为 WARN

你别觉得死板。在实际项目中，这些规则往代码里一写，批控就能全自动进行，省大力气。