2、批次质控流程总览：从样本到报告

说实话，做NGS批次质控这么多年，我最怕听到的一句话就是：“这批数据怎么又不行了？”

问题的根源往往不在某一个步骤，而是整个流程里某个环节悄悄埋下了雷。所以这章咱们不急着钻细节，先把从样本进门到报告出门的完整路线画出来。你心里有了这张地图，后面每章的知识点才能挂到对应的位置上。

2.1 为什么非要先看流程总览？

我见过不少同事，一上来就盯着某个指标修修补补。比如某个文库的浓度偏低，他就拼命调PCR循环数——结果测序出来duplication rate爆表。为什么？因为他没意识到，文库浓度低可能不是PCR的问题，而是DNA提取时就有抑制剂残留。

所以我的习惯是：先看全流程，再锁问题点。你想想看，批次质控本质上是一连串因果链：上一个步骤的输出就是下一个步骤的输入。哪个节点跑偏了，后面全都跟着偏。

2.2 整体流程的五个阶段

根据我自己的经验，一个标准的NGS批次质控流程可以拆成下面这五个阶段。它们不是严格串行的，但逻辑上存在明确的先后依赖关系。

你可能会问：“这些阶段不是每个实验室都有SOP吗？” 没错，SOP是死的，但批次质控是活的。我遇到过好几次，样本在阶段①就搞混了ID，结果后面所有分析全对着一个错误的ID。所以别小看任何一步。

2.3 阶段一：样本接收与登记——别让错误从起点开始

我曾经接手过一个case：某批次肿瘤组织样本做靶向测序，结果出来发现有一个样本的突变频谱跟临床完全不搭。我们花了整整两天去复盘，最后发现是送检时管子的标签贴错了。你想想看，一个标签错位，后面所有报告全是在替别人做诊断。

所以这一阶段的质控重点很明确：

• 双人扫码核对：样本管上的条码必须与送检单一致。我个人习惯在LIMS系统里设置“扫码-确认-二次确认”三步。
• 外观检查：管盖是否拧紧？有无液体渗漏？出现絮状物或颜色异常？这些都要记录。
• 样本量预估：如果样本量低于SOP要求的最低量，直接标记为“可疑”，并通知送检方。

2.4 阶段二：文库构建与质控——这里最容易积累误差

坦白讲，文库构建是整个流程里手工操作最多、变量最大的阶段。我带的团队曾经做过一次交叉实验：同一个样本，让三个不同的实验员分别建库，然后测序。结果发现，不同实验员做出的文库在GC bias和duplicate rate上差异显著。这说明了什么？SOP写得再细，执行的一致性才是护城河。

这一阶段必须盯住的几个指标：

1. 文库浓度：使用Qubit进行精确测定，低于阈值要评估是否重新扩增。
2. 片段分布：用Agilent 2100或TapeStation跑电泳，检查主峰是否在预期范围（比如DNA文库一般200-500 bp）。
3. 接头二聚体比例：如果出现100-120 bp的小峰，说明接头残留严重，会影响有效reads数。

我通常会在这一步加一个批次内重复样本（比如每96个样本里随机放一个重复样本），用来判断整个批次的文库构建稳定性。

2.5 阶段三：上机测序——一次错误的pooling毁掉整个批次

上机测序这步，看起来是机器在干活，但仍然有大量人为因素。我记得有一次，一个实习生把本该按“1:1:1”混合的三个文库，一不小心按“1:1:10”加了样。结果那个被多加的文库占了70%的reads，其余两个文库的有效数据量严重不足。所以说，pooling操作时要严格遵循浓度均一化流程。

这个阶段的主要质控点包括：

• Cluster密度：密度过高会导致信号重叠、质量下降；过低则浪费通量。不同测序平台有推荐范围（例如Illumina NovaSeq 6000 S4 flow cell推荐180-220 K/mm²）。
• Q30比例：一般要求大于85%（具体依平台而定）。如果Q30持续下降，要检查试剂、flow cell或仪器状态。
• PhiX内参比例：通常加入1%的PhiX用来监控测序质量。PhiX的Q30值如果异常，说明测序环境可能出了问题。

2.6 阶段四：数据下机与初步质控——用工具快速筛雷

数据下机之后，第一时间跑FastQC和MultiQC。为什么是第一时间？因为如果测序本身就出了大问题（比如index hopping严重），越早发现，越能避免后续分析浪费计算资源。

我自己的每日质控清单长这样：

跑完这些检查后，我一般会生成一个批次质控热图，把每个样本的指标色块画出来。一眼看去，如果某个样本的多个指标同时飘红，那这个样本就得重点排查了。

2.7 阶段五：报告生成与问题追溯——不是终点，是起点

报告不是终点，而是下一次改进的起点。很多实验室出的质控报告只是一堆通过/失败的打钩表格。我建议加上一条：异常趋势总结。比如“本批次有3个样本的insert size偏短，经追溯发现是片段化时间过长导致的”。

一旦报告中出现任何超出阈值的指标，首先要做的不是改报告，而是回溯到具体阶段。回到我们开头的SVG图，从阶段⑤沿虚线往回看——到底是样本接收时的问题？还是建库时操作失误？或者是测序run本身的质量波动？只有这样才能真正fix问题。