1、NGS批次质控概述：为什么要做批次质控？
大家好，欢迎来到这门实战课。
做NGS生信分析，我接触过不少团队。大家最常犯的错误是什么？是盯着单个样本的质控报告看半天，却从没把同一批上机的样本放在一起对比过。
说实话，很多隐蔽的问题，只看单个样本根本看不出来。混合污染、文库批次效应、Index hopping（标签跳跃）……这些坑，我几乎每个项目都见过。
什么才是真正的“批次质控”？
简单讲，批次质控就是把同一批测序的样本放在一起看。看它们的整体趋势是否一致，有没有样本明显“掉队”。
你想想看，一个batch里突然有个样本的duplication rate（重复率）飙到90%，而其他都是30-40%。这肯定不对劲。可能是文库扩增过度了，也可能是PCR循环数设错了。
# 典型的多样本汇总命令
multiqc /path/to/fastqc_results/ -o /path/to/multiqc_report/为什么单样本质控不够用？
单样本质控，说白了就是给每个样本体检。看看它的测序质量、GC含量、接头污染……这些指标。
但它有个致命短板：没有比较对象。
举个例子：某个样本的Q30（质量值≥30的碱基占比）是85%。单看这个数字，你觉得还行吧？但如果同批次的其他样本都稳定在92%以上呢？
这时候，85%就成了一个危险信号：
- 可能是文库浓度偏低，导致簇密度不够
- 可能是样本降解了，RNA或DNA质量不行
- 也可能是某个试剂孔位加错了
| 质控维度 | 单样本质控 | 批次质控 |
|---|---|---|
| Q30 分布 | 报告单一数值 | 对比样本间波动范围 |
| GC 含量 | 只报平均值 | 检测异常偏离样本 |
| Duplication Rate | 单一值，难判断 | 快速识别PCR过度样本 |
| 接头比例 | 看是否超标 | 发现批次的系统污染 |
我把批次质控的核心价值总结为三层
第一层：消除批次效应（Batch Effect）
这是我做大规模项目时最头疼的事。每次换试剂盒批次、换操作人员、甚至换一台仪器，数据都可能出现系统性偏移。
我之前有个项目，送了三批样本去做RNA-seq。结果做完差异表达分析，发现差异基因全是批次导致的假阳性。把True Positive全埋了。
怎么做？批次运行MultiQC报告，对比不同batch的median CV（变异系数）。如果批次间CV远大于批次内CV，赶紧排查吧。
第二层：区分“生物学变异”和“技术噪音”
做生信的人都知道，组学数据既有真实的生物学变异，也有系统性的技术噪音。混在一起，你没法判断差异是“治疗有效”还是“实验做错了”。
批次质控，就是帮我们把这两层拆开来看：
- 如果变异只出现在一个batch里——很可能是技术噪音。检查文库制备、上机操作等环节。
- 如果变异跨batch一致出现——那可能是真的生物学信号，值得深入分析。
第三层：抓住上机前的硬伤
不知道大家有没有遇到过这种事：测完几千块钱的数据，跑了个QC发现全是低质量reads。很心痛。
但批次质控可以在正式分析前就预警。比如：某个lane的cluster密度异常高，或者index序列出现交叉污染。
我记得有一次，一个同事上完样才发现多加了5个Index样本，导致Index分配冲突。如果不做批次质控，等到去重后才发现，样本早就混在一起了。
早发现，至少还能重新测序。晚了，连补救的机会都没有。
哪些数据需要纳入批次视角？
- 测序质量（Q20/Q30/Q40 分布、碱基比例、GC偏差）
- 比对统计（比对率、唯一比对率、链特异性）
- 表达/覆盖数据（基因覆盖均匀度、3' bias）
- 重复率与复杂性（Duplication rate、library complexity）
- 污染水平（接头、rRNA/globin contamination、外源物种污染）
到底该怎么执行批次质控？
我把常用流程画了一张图。你会看到，从FastQ拿到手，到最终确定是否能用，整个链条都需要批次维度的对比。
一个真实案例，看看批次质控多重要
之前有个项目，样本量400例，分8个批次上机。我让分析团队把MultiQC跑出来，发现第5批次的Median CV（中位变异系数）高达68%，其他批次都在30%以下。
我立刻让实验同事去查第5批次的操作记录。结果发现，当天做文库时，实验员用的PCR酶是新批次，而且手滑多加了2个循环。
多加了2个循环，听起来不是什么大事吧？但对结果影响很大。重复文库（Duplicates）暴增，有效数据量直接少了一半。
嗯，这就是批次质控存在的意义。它不是锦上添花，它是你项目成功的底线。后面的章节，我会带你一步步排查各种批次问题。今天就先到这里。