测序质量分数概述：什么是Q20、Q30
刚开始接触NGS数据时，我经常被Q20、Q30这些术语搞晕。说白了，它们就是衡量你测序结果靠谱程度的数字。今天咱们就彻底把它讲清楚。
质量分数从哪来？
每次测序仪读完一个碱基，不光给出A、T、C、G，还会给一个质量分数——也就是Phred quality score。这个分数表示这个碱基读对的概率有多大。公式很简单：
Q = -10 × log₁₀(P)其中P是碱基出错的概率。比如Q30，意味着错误率是1‰，准确率99.9%。
核心换算表
| 质量分数 | 错误概率 | 碱基准确率 |
|---|---|---|
| Q10 | 1/10（10%） | 90% |
| Q20 | 1/100（1%） | 99% |
| Q30 | 1/1000（0.1%） | 99.9% |
| Q40 | 1/10000（0.01%） | 99.99% |
Q20和Q30到底代表什么？
我习惯这么记：Q20就是每100个碱基里有1个可能读错；Q30是每1000个碱基里有1个错。听起来差别不大？但在实际项目里，这个差异能直接影响变异检测的准确性。
举个例子，做30×全基因组测序，如果整体质量在Q20水平，那么全基因组范围内会有大约9000万个可疑碱基——后续过滤会很痛苦。换到Q30水平，可疑碱基降到900万，工作量差了一个数量级。
个人经验：我在处理多个肿瘤样本时发现，当批次平均质量低于Q30的reads比例小于80%时，后续的体细胞突变检出的假阳性会明显上升。所以现在我拿到一个fastq文件，第一件事就是看Q30的比例。
质量分数分布怎么看？
你想想看，fastq文件里每个碱基后面跟了一个质量分数ASCII码。不过光看整体平均值不够，还得看分布——箱线图最能暴露问题。我常用这个命令快速检查：
fastqc sample_R1.fastq.gz -o ./qc_report打开生成的HTML报告，重点关注“Per base sequence quality”那一栏。如果两端质量掉得非常快，那就要警惕了。
避坑：我曾经遇到一批数据，平均Q30高达92%，但比对率却很低。查了半天才发现是质量分数编码方式用了Sanger（33）但软件默认读成了Illumina 1.3+（64）。编码不匹配导致质量分全部解析错误。所以拿到数据后，先用head -n 20 sample.fastq看一眼质量字符的范围，确认编码格式。
Q20/Q30在批次分析中的角色
批次分析里，Q20/Q30是最基础的质控指标。通常我们会列一个表，看每个样本的Q30比例有没有异常低值——那通常意味着建库失败或测序跑偏了。
- 阈值参考：我认为Q30比例低于75%的样本需要标记为警告，低于60%直接丢弃。
- 批次间比较：如果一批样本的Q30中位数比另一批低5%以上，就得排查试剂、仪器或操作流程差异。
- 与下游效果关联：我观察过，Q30比例每下降1%，SNP检出的一致性大约降低0.3%。
下面的图总结了质量分数、错误率和实际数据质量的关系：
通过FastQC快速评估
实际工作中，我不会手动算每个碱基的Q值。直接用FastQC生成报告，然后看这两列数据就够了：
# 从fastqc_data.txt提取Q20/Q30比例
grep -A 10 "Per tile sequence quality" sample_fastqc/fastqc_data.txt小技巧：写一个简单的Shell循环，批量扫描所有样本的Q30比例，一旦发现低于阈值的样本就自动通知。省得一个个打开网页看。
我建议新手先拿一个典型的fastq文件跑一遍FastQC，直观感受一下Q20和Q30在图形上长什么样。绿色区域是高质量（>Q30），黄色（Q20~30），红色（