第4章：常用质控软件FastQC入门：安装、运行、解读报告

做多组学数据质控，绕不开的第一个工具就是FastQC。说实话，我第一次接触它的时候，觉得这个软件其貌不扬——一个Java写的命令行工具，生成的报告也就一个HTML文件。但七年用下来，我可以很负责任地告诉你：它永远是测序数据下机后，我最先跑的那个程序。

这一章我会把FastQC的安装、运行、报告解读全部讲透。你不仅要会跑，还要能看懂报告里每个图在说什么，知道哪些是红灯、哪些只是黄灯警告。

4.1 安装FastQC

FastQC的安装非常友好。它只需要Java环境，你电脑里有Java 8以上版本就行。我个人习惯直接用包管理器安装，省事。

4.1.1 环境检查

先确认你的Java环境：

java -version
# 输出示例（版本号不同没关系）
openjdk version "11.0.18" 2023-01-17 LTS

如果提示命令找不到，去装个Java环境。我一般推荐OpenJDK 11，稳定且兼容性好。

4.1.2 三种安装方式

我按推荐顺序列出来：

方式 命令 备注
conda安装（推荐） conda install -c bioconda fastqc 版本可控，环境隔离
apt/snap（Ubuntu） sudo apt install fastqc 简单，但版本可能旧
官方下载 从Babraham Bioinformatics官网下载zip包 最原始，适合离线部署

我个人最推荐conda。原因很简单——管理方便，不会搞乱系统环境。我在项目里遇到过几次因为系统包管理器装的FastQC版本太低，结果报告里缺少新模块的坑。

避坑： 不同版本FastQC对同一份数据的判断标准可能略有差异。如果你和同事在对报告结果，请先确认大家用的是同一个版本。

4.1.3 验证安装

装完之后跑一下帮助命令：

fastqc --help
# 能看到类似下面的内容
Usage: fastqc seqfile1 seqfile2 ... seqfileN

能出来帮助信息，说明装好了。如果不出来，大概率是Java没装或者路径不对。

4.2 运行FastQC

FastQC的基本用法就一句话：fastqc 你的数据文件。不过真正做项目时，我们一般会加一些参数，让它更适合批处理。

4.2.1 基本命令

跑单样本的最简单写法：

fastqc sample_R1.fastq.gz

这行命令会生成两个文件：sample_R1_fastqc.html（可视化报告）和sample_R1_fastqc.zip（原始数据打包）。

4.2.2 常用参数组合

我在实际项目中用的最多的组合是：

fastqc -o ./qc_reports/ -t 8 sample_R1.fastq.gz sample_R2.fastq.gz

参数解释：

  • -o ./qc_reports/ 指定输出目录。如果不写，报告会生成在当前目录，一堆文件乱糟糟的
  • -t 8 使用8个线程并行处理。如果样本多，这个参数能节省大量时间
  • 后面直接跟FASTQ文件列表，可以用通配符

批量处理整个目录里所有fq.gz文件的命令：

# 处理当前目录下所有fastq.gz文件
fastqc -o ./qc_reports/ -t 8 *.fastq.gz

经验之谈： 我第一次做全外显子组测序质控时，直接跑了48个样本的FastQC。没指定输出目录，结果HTML文件混在原始数据里找了好久。后来我养成了习惯——先建好qc_reports文件夹，再跑命令。

4.2.3 处理大文件时的注意事项

FastQC默认只读取文件的前100万条reads做分析。对于大部分场景，这个采样量足够反映整体质量了。但如果你的数据超过10GB，或者你想更精确地评估，可以手动调整：

# 只分析前50万条（更快，适合快速预览）
fastqc -o ./qc_reports/ -t 8 --kmers 7 sample.fastq.gz

# 分析全部数据（更慢，但更准）
fastqc -o ./qc_reports/ -t 8 --noextract sample.fastq.gz

说句实话，大部分情况下默认的100万条就够用了。我只有做单细胞RNA-seq数据时会特别小心，因为细胞barcode和UMI的处理对质量很敏感，这时候我会考虑用--noextract跑完整分析。

重要提醒： 千万别在生产环境中直接看fastqc的输出日志而忽略错误提示。如果FastQC报"Unable to read file: java.io.FileNotFoundException"，先检查文件权限和路径。

4.3 解读FastQC报告

终于进入最核心的部分了。打开生成的HTML报告，你会看到十多个模块。别慌，我挨个给你讲重点。

其实看懂FastQC报告的关键就三点：绿色通过、黄色警告、红色失败。黄色不是大问题，红色才需要警惕。但具体怎么看，我们来过一遍。

FastQC报告解读流程 FastQC 报告解读核心流程 原始FASTQ文件 FastQC 分析（采样100万条） 输出: .html + .zip 报告 核心评估模块（重点关注） Per base sequence quality Per base GC content Adapter Content Overrepresented seqs ✅ 绿色通过 ⚠️ 黄色警告 ❌ 红色失败 根据红灯/黄灯位置，判断是否需要修剪、过滤或重测

报告拿到手，我们按模块来拆解。

4.3.1 Basic Statistics（基本信息）

这个模块不涉及质量评分，它只是告诉你数据的基本情况。重点关注：

  • Total Sequences: 总reads数，和你预期的应该差不多
  • Sequence length: 序列长度，应该是固定值（比如150bp），如果不是固定长度，说明数据是可变长度测序
  • %GC: GC含量，这个要结合物种看。人的参考基因组GC含量大约41%，如果偏差太大，可能是PCR扩增偏好性导致的

有一次我拿到一份数据，GC含量只有28%。一开始以为样本污染了，检查了半天才发现，那是AT富集区域的捕获测序，不是全基因组，白费了很多功夫。所以说，一定要结合实验设计看报告。

4.3.2 Per Base Sequence Quality（每碱基质量）

这张图是FastQC报告里最重要的一张。X轴是碱基位置（1到150），Y轴是质量分数（Phred score）。

  • 绿色区域：质量分数 > 28，很好
  • 橙色区域：20~28，可以接受
  • 红色区域：< 20，危险

你希望看到什么？箱线图的中位数（中间那根线）始终在绿色区域里，别往下掉。如果到了第100个碱基附近黄色线开始出现，或者红色报警，就要考虑做尾部修剪了。

小技巧： 观察箱线图的形状。如果箱体很窄，说明所有reads在这一位置的质量都很均匀。如果箱体很宽甚至出现很多离群点，说明部分reads的质量特别差。我通常把这类reads单独拎出来看下是不是片段污染。

4.3.3 Per Sequence GC Content（GC含量分布）

这里看的是所有reads的GC含量分布直方图。理想情况下，它应该近似正态分布，峰值落在物种基因组GC含量附近。如果出现双峰——嗯，要警惕了，可能是样本污染。

举个例子，人源样本的GC分布应该是单峰41%左右。如果同时出现一个45%的峰，可能是混入了细菌DNA。我在一次口腔微生物组项目的质控中，就靠这张图发现了一个重复取样导致的交叉污染。

4.3.4 Per Base N Content（N含量）

N代表测序仪无法确定是哪个碱基。正常情况下，每个位置的N比例应该几乎为0。如果有碱基位置的N比例超过5%，说明测序质量在这一段很差，或者reference区域自身有问题。

我见过最极端的例子是RNA-seq数据，5'端前10个碱基的N比例高达30%。一看，是逆转录引物设计的问题，导致前几个碱基测不出来。这种情况直接修掉前10个碱基就好了。

4.3.5 Sequence Length Distribution（序列长度分布）

对于双端150bp测序，这个应该是单峰，所有read长度都一样。如果出现长度不一致：

  • 可能是文库中有过长或过短的片段
  • 可能是测序仪提前终止
  • 也可能是软件切除了barcode之后长度不均匀

做三代测序（比如PacBio或Nanopore）时，长度分布是重要的质量指标，但对于二代测序，长度应该固定。

4.3.6 Overrepresented Sequences（过度代表序列）

如果一个序列出现的频率远超正常期望，就会在这里被标记。通常，过度代表序列是：

  • 接头序列（adapter）——最常见的报警原因
  • PCR重复——可能来自扩增偏好
  • 核糖体RNA——RNA-seq数据里常见

如果报告显示Adapter Content也是红色，那么基本可以断定是没切除干净接头。这时候你得在比对前走一步adapter trimming。我用cutadapt或者Trimmomatic都行。

避坑经验： 我曾经在评估一个建库公司的数据时，发现80%的reads都被标记为过度代表序列。查了一圈，原来是他们的文库定量出了问题，PCR循环太多导致大量重复。这个样本直接从项目里剔除了——因为再好的分析流程也救不了建库失败的数据。

4.3.7 Adapter Content（接头含量）

这个模块专门检测接头污染。如果绿色（通过），说明没有接头残留。如果红了，记住是哪个接头类型（Illumina universal adapter？还是small RNA adapter？），然后去选择对应的切除策略。

不同平台、不同建库试剂盒用的接头序列不一样。FastQC内置了24种常见的接头序列库，够覆盖99%的二代测序场景了。

4.4 批量查看报告

样本多了之后，一个一个点开HTML看太慢了。我这里有两个技巧：

4.4.1 MultiQC聚合

将所有FastQC报告汇总成一个网页：

# 安装MultiQC
pip install multiqc

# 在FastQC输出目录下运行
multiqc ./qc_reports/

这个会生成一个multiqc_report.html，里面把所有样本的同一模块放在一起对比，一目了然。

4.4.2 命令行快速提取

如果你只想看某个关键指标（比如每个样本的total reads数），可以解压FastQC的zip文件：

# 查看所有样本的reads总数
for zip in *.zip; do
  sample=${zip%_fastqc.zip}
  read_count=$(unzip -p $zip */fastqc_data.txt | grep "Total Sequences" | cut -f2)
  echo "$sample: $read_count"
done

这个小脚本帮我在一次400个样本的肿瘤Panel项目中，两分钟内定位到了3个建库失败的样本——它们reads数只有正常样本的十分之一。

4.5 常见FASTQC报警及处理策略

模块 报警状态 可能原因 我通常怎么做
Per base quality 红色(倒数5bp) 测序仪前端/末端质量下降 用Trimmomatic切除低质量尾部（比如只保留前135bp）
Per sequence GC 红色(双峰) 样本污染或PCR偏好 检查物种组成，必要时重新建库
Adapter Content 红色(>0.1%) 接头未切除干净 用cutadapt指定接头序列重新切除
Overrepresented seqs 红色(>1%) PCR重复或rRNA残留 RNA-seq数据手动去rRNA；PCR重复用picard MarkDuplicates
N content 红色(>1%) 测序失败区域 软件检测区域低复杂度，考虑合并或跳过

注意： 不要因为FastQC报告里有一个模块亮了红灯就马上判定数据不能用。黄色警告更常见，大部分黄灯只是提醒你数据有轻微瑕疵。真正的弃样标准是多个红灯同时出现，或者核心指标（如per base quality中后段大面积变红）严重恶化。

到这一步，你应该能独立完成FastQC的安装、运行和报告解读了。快速回顾一下：装好Java和FastQC -> 用通配符批量跑样本 -> 打开HTML报告重点关注per base quality、GC content和adapter content -> 发现异常后记录问题样本 -> 决定是否要去接头或低质量碱基 -> 全部合格的数据进入后续分析流程。

← 上一章 📖 返回目录 下一章 →