4. FastQC进阶：GC含量异常、序列重复水平、过表达序列的排查思路

基础报告看完了，那些绿色的"PASS"当然让人安心。但真正出问题的时候，往往就是那几个红色警告。今天咱们就专门聊聊三个让我又爱又恨的指标：GC含量、序列重复水平和过表达序列。

这三个指标，说白了就是测序质量的"试金石"。很多批次失败的根源，都能从它们身上找到线索。我在项目中遇到的那些让人头疼的案例，十有八九都会涉及它们。

4.1 GC含量异常——污染与文库偏差的照妖镜

GC含量异常，其实是个很有意思的指标。你的样本基因组GC含量是已知的吧？比如人基因组大概是41%左右，大肠杆菌大概50%。如果FastQC跑出来一个完全不同的分布，那就要警惕了。

我个人习惯，拿到报告第一件事就是看Per base sequence content和Per sequence GC content这两张图。先瞄一眼GC含量的峰值在哪，再判断是不是"双峰"。为什么会这样？我给大家拆解一下。

4.1.1 正常形态 vs 异常形态

形态类型	特征	常见原因
单峰正态分布	GC含量集中在理论值附近，呈正态分布	正常文库，无污染
双峰分布	出现两个明显的峰	文库污染（如混入其他物种DNA）
峰位偏移（偏左/偏右）	峰值显著偏离基因组理论值	PCR偏好性、引物偏差、污染物
峰形扁平	分布很宽，没有明显峰	建库质量差、低复杂度文库

有一次我在处理一批肠道微生物样本的质控时，就见过非常典型的双峰。明明样本标签写的是人粪便样本，但GC含量在38%和52%各有一个峰。嗯，后来查证，是实验员把一份海洋细菌的样本搞混了。你看，这个指标直接暴露了问题。

4.1.2 双峰排查的具体操作

如果你看到了双峰，别慌。按下面这几步来查：

1. 确认理论GC含量：去查一下你的参考基因组GC%是多少。人? 小鼠? 线虫? 每个物种不一样。
2. 比对GC分布图：如果多了一个明显的小峰，那个峰可能对应的是污染物。比如，人样本混进了支原体（GC含量低），或者混进了某些高GC的细菌。
3. 检查 Reads 来源：用kraken2或centrifuge对所有Reads进行物种分类，看看第二峰对应的到底是哪个物种。
4. 看是单端还是双端：如果只有一条Read（如R1）的双峰明显，另一条（R2）正常，那可能是接头污染或者某一端测序质量太差导致的。

这里我提一个自己踩过的坑。我曾经以为双峰一定是污染，花了一整天做物种分类，结果发现只是样本中混入了大量载体验载体序列。那个载体验载体GC含量跟靶基因不同，硬生生造了个伪双峰出来。所以，别忘了检查过表达序列那一页，两者经常联动。

4.2 序列重复水平——PCR偏差与文库复杂度的晴雨表

这个指标，我建议大家重点关注。Sequence Duplication Levels这个图，直接反映了文库的复杂度。说白了就是：你的文库到底有多少种不同的DNA片段？

理想情况下，大部分序列应该只出现一次。如果出现了大量重复序列，那就要想想：是PCR重复？还是技术重复？还是生物学上本来就如此？

4.2.1 重复序列的几种类型

类型	来源	解决方案
PCR重复（PCR Duplicates）	PCR扩增循环数过多，或文库起始量太低	降低PCR循环数、增加起始量、使用dedup工具
光学重复（Optical Duplicates）	测序仪读到了同一个簇的两次信号	下游去除重复时，启用光学重复检测参数
生物学重复	高丰度转录本、线粒体DNA、核糖体RNA	考虑是否需要去除；RNA-Seq中高表达基因一般保留
文库重复（Technical Duplicates）	同一文库被多次测序	设计实验时合并同一文库不同测序道的输出

我见过最夸张的案例：一个样本的重复水平达到90%以上。FastQC报告里，超过80%的序列被标记为重复。那位同学跑了一整个batch的样本，结果全得重新来过。

为什么？因为他的文库起始DNA量只有1 ng，正常应该是50 ng。PCR扩增了18个循环，硬生生把那么点DNA扩了又扩，导致大部分reads都是同一个DNA片段的拷贝。

4.2.2 如何判断重复是否"异常"

我的判断标准很简单——看重复序列的占比曲线：

• 绿色通过：超过50%的序列是单拷贝（Unique），重复序列占比小于30%。这说明文库复杂度正常。
• 黄色警告：大约30-40%的序列出现2-10次重复。需要引起注意，但不一定失败。
• 红色警告：超过50%的序列是重复序列，且其中很多重复次数大于10。嗯，这基本就是PCR bias了。

遇到红色警告，我会先做一步快速验证：从fastq中随机抽取100万条reads，比对到参考基因组看覆盖度。如果覆盖度非常不均匀，存在大量单一位点叠了上百个重复reads，那基本就坐实了PCR偏差。

# 快速用samtools检查覆盖度
samtools view -bS aligned.sam | samtools sort -o sorted.bam
samtools depth sorted.bam | awk '{if($3 > 100) count++} END {print "高覆盖位点(>100x): " count}'

4.3 过表达序列——污染与建库失误的"窃听器"

Overrepresented sequences，中文叫"过表达序列"。这个指标最直接：它显示了那些在文库中出现频率异常高的序列。FastQC会自动尝试识别这些序列是什么东西——接头？载体？还是某种污染物？

我每次排查失败batch，都会把过表达序列那一页截个图留底。因为很多时候，问题的答案就写在那里。咱们来看三种常见情况。

4.3.1 接头残留

最常见的情况，没有之一。插入片段太短，测序读长超过了片段长度，结果把Read两端的接头也读出来了。FastQC会显示类似这样：

Overrepresented sequences:
AGATCGGAAGAGCACACGTCTGAACTCCAGTCA (Illumina Universal Adapter)
-- 出现次数: 1,234,567 次
-- 占所有序列的 15.23%

解决方案也很直接：用cutadapt或Trimmomatic把接头切掉就好。不过，如果发现批量的样本都有高比例的接头残留，那说明建库时的片段筛选出了问题。可能是磁珠纯化步骤没控制好，或者凝胶切胶的时候选错了大小范围。

# 用cutadapt去除接头，并切除低质量碱基
cutadapt -a AGATCGGAAGAGCACACGTCTGAACTCCAGTCA \
         -q 15,10 \
         -o trimmed_R1.fastq \
         raw_R1.fastq

4.3.2 载体序列 / 核糖体RNA

另一个我经常遇到的情况："Overrepresented sequences"那一栏显示的是载体序列（如pUC19、pET系列）或者rRNA序列。这说明什么？说明在文库构建阶段没有把DNA消化干净。

如果是质粒载体残留，常见原因有两种：一是做质粒测序验证时忘记去掉载体骨架，直接把含有载体的样本送测序了。二是做转座子突变文库时，PCR扩增了载体区域，导致大量载体序列被引入文库。

如果是rRNA残留，那大概率是RNA-Seq的rRNA去除步骤没做好。现在的商业试剂盒（比如Ribo-Zero）效率很高，但偶尔也会搞砸。我遇到过一次，是因为实验员移液时不小心把rRNA去除磁珠吸出去了。

4.3.3 微生物污染

如果过表达序列被识别为某个特定微生物的基因组序列，那就要严肃对待了。特别是在处理的样本如果是人源样本或环境样本时，微量的污染可能不会明显影响GC双峰，但会在过表达序列中暴露出来。

我处理过一批从医院采集的咽拭子样本（做宏基因组测序）。FastQC显示有大量金黄色葡萄球菌的序列富集。嗯，最后检查发现，有一名实验员采样时手部消毒不彻底，样本被皮肤菌群污染了。

4.4 三个指标的联动排查思路

这三个指标不是孤立的。在实际排查中，它们经常互相印证。我总结了一套排查流程图，大家可以参考：

拿到报告后，我的排查顺序一般是这样的：

1. 首先看GC含量分布：是否有双峰？峰位是否偏离理论值？这会告诉你有没有宏观上的异常。
2. 接着看过表达序列：如果GC异常，过表达序列大概率能告诉你具体是什么东西混进来了。
3. 最后看重复水平：高重复率往往对应的是"假阳性"——即使GC和过表达没问题，高重复率的样本也需要谨慎对待。

4.5 进阶排查案例汇总

场景	GC含量	重复水平	过表达序列	最可能原因
场景A	双峰，GC 41% 和 28%	正常（约15%）	无显著过表达	人源样本混入AT-rich污染物（如真菌DNA）
场景B	正常，单峰	红色警告（>60%）	无显著过表达	PCR循环过多或起始量不足
场景C	正常，单峰	黄色警告（>30%）	大量Illumina接头序列	插入片段过短，接头未切除干净
场景D	双峰，GC 41% 和 50%	红色警告（>70%）	载体序列富集	载体DNA污染且被过度扩增

# 快速预览版fastqc
zcat raw_R1.fastq.gz | head -400000 | gzip > preview_R1.fastq.gz
fastqc preview_R1.fastq.gz

嗯，这其实是一种预质控的思路。很多batch在正式跑全流程之前，提前发现一两个这样的异常样本，就能避免整批次重做。说白了，质控不是为了找问题而找问题，而是为了节约时间和成本。我在这个环节踩过的坑，基本都成了后来"预警检查清单"的一部分了。