4. 原始数据质量评估——FastQC：从跑起来到看明白

做GATK变异检测的第一步，不是直接上比对，也不是调参数。

而是看一眼你的原始数据好不好。

我见过太多人，花了一周调GATK参数，结果问题出在原始数据上——接头没去掉、质量太差、或者某个cycle集体挂掉。

说白了，原始数据质量评估就是给整个分析流程探路。这步省了，后面全是白搭。

4.1 运行FastQC：最没技术含量但最容易被坑的一步

FastQC的安装不用我多说了，直接用conda或者下载jar包都行。我个人习惯用conda，环境干净，也好管理。

conda install -c bioconda fastqc

跑起来更简单，一行命令的事儿：

fastqc -o fastqc_out -t 4 sample_1.fastq.gz sample_2.fastq.gz

参数不多，但我提几个容易忽略的点：

• -o：指定输出目录。不指定？文件直接扔当前目录，乱得你想哭。
• -t：线程数。双端测序是两个文件，设置4个线程差不多。别设太少，也别设太多把服务器跑死。
• --extract：默认不解压，只生成zip。我一般不加，因为HTML够用了。

gzip -t sample_1.fastq.gz

如果文件通过，再跑FastQC。我一般在批量跑之前，先抽一个样本试试，确认命令和参数没问题，再扔给集群批量跑。

4.2 质量报告解读：不是所有"Failed"都是问题

跑完之后，你会得到一堆HTML和zip文件。打开HTML，你会看到11个模块，每个模块用绿色、黄色、红色表示通过、警告、失败。

但我要说的是：别看到红色就慌。

有些模块在特定测序平台下就是会Fail，比如某些平台的末端质量确实会掉。这不是数据有问题，而是平台特性。你得结合你的实验设计和测序平台来判断。

4.2.1 碱基质量：最核心的指标

这个模块展示每个位置的碱基质量分数。我用一个真实项目的例子来说明：

假设你拿到一个报告，前10个cycle质量很高（Q>35），然后逐渐下降，最后几个cycle掉到Q20以下。这太正常了。测序反应越往后，荧光信号衰减，质量自然下降。

但如果你看到这样的情况：某个cycle突然断崖式下跌，比如cycle 50之前全是Q35+，cycle 51直接掉到Q10——这大概率是仪器问题，或者该cycle的试剂出了问题。

我曾在一个项目中遇到这种情况，当时重新跑了一遍测序才解决问题。

4.2.2 GC含量：别被双峰骗了

GC含量分布图理论上应该是个高斯分布，中心在物种的GC含量附近。人类基因组大概41%左右。

但是！如果出现双峰，不一定就是污染。

我在项目中发现过很多次，明明是PCR重复导致的双峰，却被人当成批次效应处理了。还有一种情况是转录组数据——不同基因的表达水平差异大，也会导致GC分布异常。所以做RNA-seq的时候，GC含量双峰是常态。

真正该警惕的情况是：双峰明显偏离物种预期GC含量。比如人类样本出现35%和55%两个峰，那很可能是污染了细菌或者其他物种的DNA。

4.2.3 接头污染：Kmer分析和overrepresented sequences

FastQC通过两个模块来判断接头污染：一个是过表达序列（Overrepresented sequences），一个是Kmer分析。

我的经验是：先看Overrepresented sequences。如果报告显示比对到Illumina通用接头或你的自定义接头，那就确认接头污染了。

但是，有一类情况容易被忽略。那就是：测序长度刚好等于插入片段长度，接头根本没有出现在read里。这种情况下Overrepresented sequences模块是干净的，但Adapter Content模块如果用了默认接头库，可能会报假阳性。

所以我的建议是：跑FastQC时指定你的实际接头序列。

fastqc -o fastqc_out --adapters my_adapters.fa sample_1.fastq.gz

4.3 关键指标速查表

我整理了一个表格，方便你快速判断哪些指标需要重点关注：

指标	良好	警告	失败	我的建议
Per base sequence quality	全部Q>30	部分区域Q20-30	大段区域Q<20	低于Q20的区域直接trim掉
GC含量分布	单峰，接近理论值	轻微偏移	双峰或多峰	确认是否有PCR bias或污染
Adapter Content	0%	<5%	>5%	必须去接头，否则比对会出问题
Overrepresented sequences	无	<0.1%	>0.1%	检查是否是真富集还是污染
Per sequence quality scores	主峰Q>30	主峰Q20-30	主峰Q<20	整体质量差的样本考虑重测

4.4 FastQC质控核心流程

下面这张图概括了FastQC质控的完整链条。你可以把它当作一个检查清单，确保每一步都不遗漏。

嗯，这图里其实已经包含了核心判断逻辑。你看，从输入文件到最后决策，中间只有三个关键节点：碱基质量、GC含量、接头污染。这三个通过了，你的数据基本就合格了。

4.5 避坑指南：我踩过的几个大坑

做了这么多年，有些坑实在值得单独拎出来说：

• 坑一：FastQC版本不同，结果不同 我曾有一次升级FastQC后，同一个样本的报告从"通过"变成了"警告"。原因是新版加入了更严格的统计方法。所以做项目时，我建议固定一个版本，至少在项目期间不要升级。
• 坑二：只看图像不看数值 有位同事问我为什么某个模块是黄色，我点开一看，数值是18%。嗯，模块的判定阈值不是死的，但具体数值才是你做决定的关键。比如Per base sequence quality模块，如果只有最后一个位置掉到Q20，而且你的read长度是150bp，那完全不用管。但如果是前50bp都掉到Q20，那就严重了。
• 坑三：以为所有模块都是必须通过的 再次强调：Per tile sequence quality模块在Illumina某些平台下天然就会Fail。因为不同tile（或者叫lane）之间确实存在差异。只要不是极端情况，不用太纠结。

4.6 实操建议：批量报告怎么看

如果你有几十个样本，一个个点开HTML看，效率太低了。

我一般用MultiQC聚合所有FastQC报告。一行命令搞定：

multiqc fastqc_out/ -o multiqc_report

MultiQC会把所有样本的11个模块汇总成一个大报告，按模块对比、按样本对比，一目了然。而且它会把所有Failed和Warning的样本标红，你一眼就能找到问题样本。

我个人习惯是先看MultiQC的"General Statistics"表格，检查每个样本的基础数据量、Q30占比、GC含量。如果有异常，再点开该样本的详细报告细看。