第 2 章：多组学数据类型简介

大家好，我是老陈。在正式开始讲质控之前，咱们得先搞清楚一件事——你手里拿到的数据到底是什么来头。说白了，不同组学的数据长得完全不一样，质控的侧重点也天差地别。我记得刚入行那会儿，拿着转录组的质控标准去卡蛋白质组的数据，结果被师兄狠狠批了一顿……嗯，从那以后我学乖了，先看数据类型，再谈质控标准。

这一章咱们就快速过一遍基因组、转录组、蛋白质组、代谢组这四大类数据的核心特点。我不会给你堆砌教科书式的定义，而是站在一个老工程师的角度，告诉你这些数据在实际项目中“长什么样”、“容易踩什么坑”。

2.1 四大组学的数据快照

先给你一张速查表，看完就明白它们最本质的区别在哪。

组学类型 检测对象 数据类型 数据量级 主要平台 常见质控指标
基因组 DNA 序列 FASTQ/BAM/VCF GB ~ TB NGS、三代测序 测序深度、覆盖度、比对率
转录组 RNA 序列 FASTQ/表达矩阵 GB ~ 百 GB RNA-seq、scRNA-seq 比对率、基因检测数、重复性
蛋白质组 蛋白质/肽段 质谱原始谱图 MB ~ GB LC-MS/MS 肽段数、蛋白覆盖度、缺失值
代谢组 小分子代谢物 峰表/色谱图 MB ~ 百 MB LC-MS、GC-MS、NMR 峰质量、空白对照、批次效应

核心思路：基因组看“有没有”，转录组看“多不多”，蛋白质组看“干不干净”，代谢组看“稳不稳”。这是你制定质控策略的底层逻辑。

2.2 基因组数据特点

基因组数据是最“老实”的——检测的对象是固定的 DNA 序列，原则上不会因为你测序时间不同就发生变化。但这不代表它好伺候。

  • 大而全：一个人全基因组测序大约 90 GB 的原始 FASTQ 文件。你想想看，光存下它就要不少硬盘。
  • 依赖参考基因组：比对率是黄金指标。比对率低于 80% 的样本，多半有问题。我遇到过一个肿瘤项目，有 30% 的样本比对率只有 60%，后来发现是采样时混入了细菌污染。
  • 深度 vs 广度：全基因组测序（WGS）追求广度，全外显子测序（WES）追求深度。质控时一定要区分清楚。
  • SNP/indel 的准确性：测序错误会直接假阳性。所以质控要卡碱基质量值（Q20/Q30），Q30 低于 85% 的样本我通常会要求重测。

小经验：我个人习惯用 FastQC 做完一轮初筛，再用 MultiQC 聚合结果。如果发现“GC含量分布异常”，先别急着标记失败——先排查一下是不是文库构建的问题。

2.3 转录组数据特点

转录组数据比基因组复杂一截。为什么？因为它测的是动态表达的 RNA，受时间、空间、处理条件影响都很大。

  • 表达定量是核心：质控不再只看“序列对不对”，更要看“能不能准确定量”。基因计数矩阵的质量直接决定后续差异表达分析的成败。
  • 比对拼接有门道：真核生物有内含子，比对必须用 splice-aware 的比对器（比如 STAR）。一段读段如果跨越外显子-外显子连接点，比对软件必须能正确处理。我以前见过一批样本，STAR 比对率只有 50%，排查了半天发现是参考基因组的 GTF 注释文件过期了……
  • 重复性很关键：技术重复的 Pearson 相关系数低于 0.95 就要警惕。生物学重复也应该聚类在一起。如果 PCA 图上你的重复样本分开了，那数据大概率有问题。
  • 单细胞转录组的特殊之处：除了常规指标，还要看 UMI 数目、线粒体基因占比、细胞检出数等。线粒体基因占比过高（超过 20%）说明细胞已经开始凋亡，数据基本废了。
# 一个常用的转录组质控报告生成命令
# 使用 STAR 做比对后运行 qualimap
qualimap rnaseq -bam Aligned.sortedByCoord.out.bam \
                -gtf /path/to/annotation.gtf \
                -outdir ./qc_report

2.4 蛋白质组数据特点

蛋白质组数据跟前面两个不一样——它来自质谱，不是测序。数据形式是质谱峰图，而不是序列读段。这个差异决定了质控逻辑完全不同。

  • 谱图质量第一：质谱仪产生的原始谱图包含成千上万个峰。你不知道哪个峰是真的肽段信号，哪个是噪音。质控的第一步就是用工具（比如 MaxQuant、Proteome Discoverer）做峰检测和打分。
  • 鉴定和定量是两码事：DDA（数据依赖采集）模式下，质谱优先打丰度最高的前 N 个母离子。这会导致低丰度蛋白难以鉴定。DIA（数据非依赖采集）模式则能覆盖更广，但数据处理更复杂。两种策略对缺失值的处理方式天差地别。
  • 缺失值多到让人抓狂：蛋白质组数据完美诠释了“大量缺失”这四个字。我在一个临床队列项目中，有 70% 的蛋白在 50% 以上的样本中表达量为 0。怎么处理这些缺失值是降维分析前绕不开的坎。
  • 前处理的一致性：酶解效率、色谱梯度、离子化效率，任何一个环节出问题都会让数据质量断崖式下降。质控时尤其要关注“肽段数”和“唯一肽段数”的分布。

避坑指南：我曾经接手过一个项目，同事说“蛋白定量差异很大”，我一看质控报告——鉴定到的总肽段数从 20 万到 8 万不等。问题出在酶解时间不一致。后来我们统一了前处理 SOP，数据质量立马稳定了。记住：蛋白质组质控不是只看最后的结果，更要看前处理过程的变异。

2.5 代谢组数据特点

代谢组是这四个组学里最“娇气”的一个。代谢物浓度低、化学性质多样、容易出现漂移和批次效应。说实话，做代谢组质控，有时候感觉更像是在做仪器分析。

  • 峰提取和漂移校正：质谱峰的位置（保留时间）会因为柱子老化、温度变化等原因发生漂移。质控必须做保留时间校正。软件如 XCMS 或 MZmine 都有内置的校正模块。
  • 批次效应极其严重：代谢组数据的批次效应非常突出。同一批样本分两天跑，数据差异可能比不同处理组还大。所以质控报告里一定要包含“QC样本的保留时间漂移图”和“PCA 得分图”。QC 样本在 PCA 图上如果没能聚在一起，你的批次校正就还没到位。
  • 空白对照不可或缺：提取液里可能带着杂质，进样针也可能有残留。如果没有空白对照，你很难判断某个峰到底是样本代谢物还是溶剂峰。这是我最容易看到的低级错误。
  • 半定量和相对定量：代谢组多是相对定量，不给出绝对浓度。所以质控更关注“比值稳定”和“缺失模式”。一个代谢物如果只在少数样本中被检到，那你分析时就需要警惕。
# R 语言中检查代谢组数据批次效应的快速方法
# 假设 data_matrix 是代谢物峰面积矩阵
# sample_meta 包含批次信息

library(ggplot2)
pca <- prcomp(t(na.omit(log2(data_matrix + 1))), center = TRUE, scale. = TRUE)
pca_df <- data.frame(PC1 = pca$x[,1], PC2 = pca$x[,2], Batch = sample_meta$Batch)
ggplot(pca_df, aes(x = PC1, y = PC2, color = Batch)) +
  geom_point(size = 3) + theme_minimal()
# 如果 QC 样本在不同批次间散开，批次效应未消除

2.6 整体知识图谱

在正式开始后面的具体质控技术之前，我觉得用一张图把整个思路串起来会更有感觉。你看着它，就能对上号：我现在在哪个环节、数据是什么性质、质控重点在哪。

多组学数据质控核心思想 质控目标：数据可靠、可重复 基因组 测序深度、覆盖度、Q30 比对率、GC 偏倚 工具：FastQC、Samtools 转录组 比对率、基因检测数 相关性、PCA 聚类 工具：STAR、qualimap 蛋白质组 肽段数、唯一肽段数 缺失模式、定量一致性 工具：MaxQuant、Proteome Discoverer 代谢组 漂移校正、批次效应 空白对照、QC 样本控 工具：XCMS、MZmine 四类数据质控策略不同，但核心一致：早发现问题、早处理，别把脏数据带到下游分析

一句话总结：基因组稳，转录组活，蛋白质组缺，代谢组飘。质控方案必须因“组”施策，不能一招鲜吃遍天。

好了，这就是关于四种组学数据特点的快速概览。我个人觉得，理解了这个底层逻辑，后面做质控才不会走偏。下一阶段我们会深入到每种数据的质控工具和具体指标，但在此之前，你先在心里种下一颗种子——不管数据来自哪个组学，质控的终极目标都是：保证数据能真实反映生物学差异，而不是技术噪音。

← 上一章 📖 返回目录 下一章 →