高通量测序数据质控基础：测序原理、质量值（Phred score）、Q30 等指标

做多组学平台质控，你绕不开的第一个硬核知识点就是测序数据的质量评估。说白了，你拿到手的 FASTQ 文件到底能不能用，全靠这些指标把关。我自己最早接触这个领域时，以为只要 Q30 比例高就是好数据，结果被现实狠狠教育了一回——后面我会讲那个坑。

这一章我们不讲复杂的数学推导，只把测序怎么产生、质量值怎么算、Q30 到底代表什么，这些最基础但又最容易忽略的东西讲透。

测序原理：从荧光信号到碱基序列

主流的高通量测序（NGS）基于边合成边测序（SBS）原理。以 Illumina 平台为例，流程大致是：

  1. 文库制备：DNA 片段两端加上接头，桥式 PCR 扩增形成簇。
  2. 测序循环：加入荧光标记的 dNTP，每次只延伸一个碱基，激发荧光并拍照。
  3. Base Calling：分析每个簇的荧光信号强度，判断该位置是什么碱基，同时给出一个质量分数。

嗯，这里要注意：质量分数就是 Phred score，它直接反映了这个碱基判断的可靠度。

踩坑提醒：我曾经遇到一批 RNA-seq 数据，Q30 比例都在 92% 以上，但比对率只有 60%。后来发现是文库制备时接头连接效率低，导致大量短片段和接头序列掺入。所以只看 Q30 是不够的，必须结合 GC 含量、重复序列、接头污染等指标一起看。

质量值 Phred score：到底在算啥？

Phred score 最早用在 Sanger 测序的碱基识别中，后来被 NGS 继承。它的定义是：

Q = -10 × log10(P)
其中 P 是该碱基测序错误的概率

举个例子：

Phred score (Q) 错误概率 碱基正确率
Q10 1/10 = 10% 90%
Q20 1/100 = 1% 99%
Q30 1/1000 = 0.1% 99.9%
Q40 1/10000 = 0.01% 99.99%

表格里的数字很直观：Q30 意味着每 1000 个碱基里可能错 1 个。听着挺高，但放在人类基因组 30× 测序深度下，错误碱基数就非常可观了。

我个人习惯在面对一个新测序平台时，先看它原始数据里哪一段的 Q 值下降最快。Illumina 的读长越长，末端质量越低，这是物理规律。但有些平台会在中间段突然掉质量，那就要警惕了。

Q30 指标：行业默认的“及格线”

Q30 比例（Reads 中碱基 Q≥30 的数量占总碱基数的百分比）已经成为测序质控里最常用的指标。为什么是 30 而不是 20？因为 99.9% 的正确率在变异检测中勉强够用。说白了，我们要的是“足够相信”这个碱基是对的。

  • 优质数据：Q30 ≥ 85%（Illumina HiSeq 平台常见）
  • 良好数据：Q30 ≥ 75%
  • 预警数据：Q30 < 70%，需要排查原因

但是你想想看，不同测序平台、不同读长模式，Q30 的分布差别很大。我见过 NovaSeq 6000 的双端 150 bp 数据，前 100 bp 的 Q30 能到 95%，最后 20 bp 掉到 70% 甚至更低。这是正常的吗？其实很常见——所以质控要看 per base sequence quality 曲线，而不是只看一个平均数。

工程技巧：用 FastQC 跑一遍，重点关注“Per base sequence quality”和“Adapter Content”两个模块。如果主工具是 CASAVA 1.8+ 版本的 FASTQ，质量编码默认是 Phred+33，用 Sanger 标准。老旧数据可能是 Phred+64，需要转换。

实战：用 FastQC 快速查看质量分布

别急着写复杂脚本，先跑个 FastQC：

fastqc sample_R1.fastq.gz sample_R2.fastq.gz -o qc_results/

输出会生成 HTML 报告。我通常在拿到新批次数据后，第一件事就是批量跑 FastQC，然后用 MultiQC 聚合一个总报告。这样能一眼看出哪些样本是“问题儿童”。

下面是一段从 FASTQ 文件里提取前几条记录并查看质量值的命令（用 zcat 和 head 快速预览）：

zcat sample_R1.fastq.gz | head -8

输出示例（每个read占4行）：
@EAS139:136:FC706VJ:2:2104:15343:197393 1:Y:18:ATCACG
CTACGTGACGTGACGTAGCTAGCTAGCTAGCTAGCTAGCTAG
+
IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII

第 4 行是质量字符串，每个字符对应一个碱基的 Phred score（+33 偏移后）。用 ASCII 码值减去 33 就能换算成 Q 值。我早期手工解析过这个，现在当然都靠软件了，但理解底层的编码机制对排查异常很有帮助。

质控指标全景图

为了让你更直观地把握本章知识点的关系，我画了一张结构图。它展示了从测序原理到 Phred score，再到 Q30 以及其他关键指标的逻辑链条：

高通量测序数据质控知识结构 测序数据质控知识体系 测序原理 (SBS) 荧光信号 → Base Calling Phred score (Q值) Q30 ≥ 85% GC含量 / 接头污染 / 重复率 质控报告（FastQC / MultiQC） 理解逻辑：从测序原理出发，质量值是基于信号强度计算的；Q30只是一个阈值， 必须结合GC、接头等指标才能给出全面质控结论。

避坑指南：不要迷信单一指标

核心要点：Phred score 和 Q30 是基础，但绝不仅仅是这些。真正有经验的质控专家会结合以下维度：

  • 碱基分布：每条 read 上 A/T/C/G 比例是否稳定？随机文库应该四条碱基比例接近。
  • GC 含量偏差：对比物种参考基因组 GC 含量，偏差可能来自 PCR 偏好或污染。
  • 接头污染：文库插入片段过短时，read 末端会读到接头序列，导致比对失败。
  • 重复率：PCR duplicates 过高会降低有效覆盖度。

我记得有一次，合作方送来一批肿瘤 WES 数据，Q30 高达 94%，我差点就放行了。但习惯性地看了眼 GC 含量曲线，发现有一个明显的双峰——后来确认是两种不同物种的 DNA 混合了（污染）。从那以后，我每次质控都会把 FastQC 的 11 个模块全部扫一遍，绝不只看 summary。

郑重警告：很多生信新人会犯一个错误——用 Q30 比例来代替整个质控。Q30 只反映测序仪的碱基识别误差，而文库制备带来的系统性偏差（如 GC bias、接头污染）根本无法靠 Q30 体现。所以，请务必把 Q30 作为“必要条件”而非“充分条件”。

本章结束后，你应该能清晰说出：Phred score 是怎么算的、Q30 代表什么、为什么不能只用 Q30 做决定。下一层的知识——如何用命令行工具（FastQC、cutadapt、Trimmomatic）做实际质控和清洗——就把这些基础用起来。

← 上一章 📖 返回目录 下一章 →