3. 测序质量分数体系（Phred 质量值）
聊到 NGS 数据质控，质量分数是绕不开的核心概念。说白了，它就是给每个碱基的打分——告诉你这个 A、T、C、G 到底靠不靠谱。
我刚开始接触高通量测序时，也困惑过：为啥一个简单的字母（比如“A”）后面要跟一堆乱七八糟的字符？后来才发现，这背后藏着整套质量评估的逻辑。今天我们就把它掰开揉碎了讲清楚。
3.1 质量分数的由来：从 Sanger 测序说起
质量分数这个概念，最早来自 Sanger 测序时代。当时 Phred 软件被用来读取测序仪的信号，然后给每个碱基一个质量值。这个值定义很简单：
- Q 值 = -10 × log₁₀(P)，其中 P 是碱基出错的概率。
- Q30，意味着出错概率 0.1%，正确率 99.9%。
- Q20，出错的概率 1%，正确率 99%。
你想想看，Q30 和 Q20 虽然只差 10，但错误率差了 10 倍。在变异检测这类任务里，这个差距就是天壤之别。
我个人的习惯是，拿到数据第一件事，先看 Q30 的比例。低于 80% 的，基本就不太敢用了。
| Q 值 | 错误概率 (P) | 碱基正确率 | 典型应用 |
|---|---|---|---|
| Q10 | 10% | 90% | 几乎不可用 |
| Q20 | 1% | 99% | 基础比对可接受 |
| Q30 | 0.1% | 99.9% | 变异检测标准 |
| Q40 | 0.01% | 99.99% | 高精度应用 |
核心记忆点：质量值是概率的对数映射。每提高 10 分，错误率降低一个数量级。Q30 = 千分之一误差，Q40 = 万分之一误差。
3.2 从数值到字符：质量值的编码
机器不会直接保存数字，它用 ASCII 字符来表示。
Phred+33 编码（Sanger 标准）：质量值加 33 后转为 ASCII 字符。这是目前最通用的格式，FASTQ 文件基本都用它。
Phred+64 编码（旧的 Illumina 标准）：质量值加 64 后转为 ASCII 字符。我记得大概 1.8 版本之前的 Illumina 平台还在用这个，现在基本淘汰了。
为什么会有这种差异？嗯……历史原因吧。不同的测序仪厂商有自己的数据格式，后来为了统一，大家逐渐接受了 Phred+33。
举个例子看懂编码：
碱基序列: A C G T
质量分值: 30 30 30 30
Phred+33: '?' '?' '?' '?'
ASCII 对照: 30 + 33 = 63，查 ASCII 表 63 对应 '?'一个简单的规律：如果你打开 FASTQ 文件看到很多 !，那说明质量值很低（! 的 ASCII 码是 33，对应质量 0）。如果看到 I 或 J，那大概率是 Phred+64 编码的旧数据。
避坑指南：我曾经遇到过一个项目，把 Illumina 1.3 的老数据当 Sanger 标准处理了。结果下游分析里所有低质量碱基都变成了高质量，最后才发现是编码方式搞混了。处理历史数据时，一定要先确认质量值的编码方式。
3.3 如何判断你的数据用哪种编码？
最简单的办法是看质量字符的范围。
| 编码格式 | ASCII 范围 | 质量值范围 | 常见平台 |
|---|---|---|---|
| Sanger / Phred+33 | 33 - 126 (! ~ ~) | 0 - 93 | 现在几乎所有平台 |
| Illumina 1.3+ / Phred+64 | 64 - 126 (@ ~ ~) | 0 - 62 | 旧 Illumina GA II |
| Illumina 1.8+ / Phred+33 | 33 - 126 (! ~ ~) | 0 - 93 | 新 Illumina 平台 |
也可以直接看 FASTQ 文件的前几行：
@SEQ_ID
GATTTGGGGTTCAAAGCAGTATCGATCAAATAGTAAATCCATTTGTTCAACTCACAGTTT
+
!''*((((***+))%%%++)(%%%%).1***-+*''))**55CCF>>>>>>CCCCCCC65注意看第三行和第四行之间的 +。如果加号后面空白，说明质量值编码用跟序列相同的行数。如果加号后面有字符，那可能是旧格式。
我的经验：用 FastQC 跑一遍是最稳妥的。它的“Per base sequence quality”图会显示质量分布的 Boxplot。如果 Y 轴数值范围在 0-40 左右，一般是 Phred+33；如果能看到 40 以上的数字，那就要警惕 Phred+64 了。
3.4 质量值在预处理中的实际应用
知道了每个碱基的可靠程度，我们就可以做精准的过滤了。
滑动窗口裁剪 (Sliding Window Trimming)：这是我最常用的策略。它不直接设一个固定的长度，而是沿着序列从 5‘ 端到 3’ 端滑动，计算窗口内的平均质量。一旦平均质量低于阈值，就把这个窗口及其后面的序列都剪掉。
举个例子：
序列: A C G T A C G T A C G T
质量: 30 35 28 32 12 8 30 35 28 32 15 10
窗口大小: 4
质量阈值: 20
窗口1 (1-4): (30+35+28+32)/4 = 31.25 > 20 ✅
窗口2 (2-5): (35+28+32+12)/4 = 26.75 > 20 ✅
窗口3 (3-6): (28+32+12+8)/4 = 20.0 = 20 ✅
窗口4 (4-7): (32+12+8+30)/4 = 20.5 > 20 ✅
窗口5 (5-8): (12+8+30+35)/4 = 21.25 > 20 ✅
窗口6 (6-9): (8+30+35+28)/4 = 25.25 > 20 ✅
窗口7 (7-10): (30+35+28+32)/4 = 31.25 > 20 ✅
窗口8 (8-11): (35+28+32+15)/4 = 27.5 > 20 ✅
窗口9 (9-12): (28+32+15+10)/4 = 21.25 > 20 ✅
全部通过，保留全长。但如果质量阈值设为 25，窗口 3 的平均质量只有 20，那就会在位置 3 之后开始裁剪。这就是滑动窗口灵活的地方。
3.5 知识体系小结：质量值从哪来到哪去
下面这张图总结了质量分数的完整流转过程。
从图中可以看到，质量值从原始信号开始，经过碱基识别、编码，最终进入 FASTQ 文件和预处理工具。每一步都环环相扣。
3.6 实战工具中的质量参数
最后分享几个实际工程中用到的参数设置。
Cutadapt 质量裁剪：
cutadapt -q 20,20 -o output.fastq input.fastq
# -q 20,20 表示 5'端和3'端都按 Q20 裁剪Trimmomatic 滑动窗口：
java -jar trimmomatic.jar SE -phred33 input.fastq output.fastq \
SLIDINGWINDOW:4:20 MINLEN:50
# SLIDINGWINDOW:窗口大小:平均质量阈值
# MINLEN:裁剪后最短保留长度fastp 默认策略：
fastp -i in.fastq -o out.fastq --cut_front --cut_tail --qualified_quality_phred 15
# 自动裁剪 5'和 3'端的低质量区工程注意：质量阈值的设置要跟你的下游分析匹配。做 RNA-seq 时严一点（Q30 以上），做宏基因组时可以适当放宽（Q20 以上）。我曾经在 16S 数据上设了 Q30 的硬阈值，结果一半数据被砍掉了，后来发现完全是过度过滤。
好了，质量分数体系这部分就到这儿。理解了这个底层逻辑，后面的质控流程就会顺很多。