3. 质量分数可视化工具：FastQC安装与使用、质量箱线图解读、碱基分布曲线

3.1 FastQC：行业标准的质量可视化工具

做测序数据分析，你第一个接触的可视化工具，十有八九是FastQC。它不花哨，但很实用。说白了一句话：把FASTQ里的碱基质量和序列特征，变成了你一眼能看懂的图。

安装方法，我推荐这三种：

• Conda安装（最省事，建议用）：

conda install -c bioconda fastqc

• 直接下载二进制包（适合服务器没网的情况）：

wget https://www.bioinformatics.babraham.ac.uk/projects/fastqc/fastqc_v0.12.1.zip
unzip fastqc_v0.12.1.zip
cd FastQC
chmod +x fastqc
./fastqc --help

• Ubuntu apt安装（版本可能旧一点）：

sudo apt-get install fastqc

基本使用命令，很简单：

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

-o 指定输出目录，后面直接跟FASTQ文件，支持通配符，也支持gzip压缩格式。跑完之后每个样本会生成一个 .html 报告和一个 .zip 压缩包。

3.2 质量箱线图：一眼看穿数据质量

打开FastQC的HTML报告，你看到的第一个核心模块就是 "Per base sequence quality"。这就是我们常说的质量箱线图。

它长什么样？横坐标是碱基位置（1bp、2bp、3bp...），纵坐标是质量分数（Q值）。每个位置上，用箱线图展示所有reads在该位置的Q值分布。

具体怎么看，我总结了几条：

• 黄色箱体：代表该位置所有reads的Q值分布范围，箱体中间的红色线是中位数。
• 蓝色细线：表示上下四分位数以外的异常值范围。
• 背景色带：绿色区（Q≥28，质量很好）、橙色区（Q 20-28，一般）、红色区（Q＜20，质量差）。

箱线图整体越靠上，说明数据质量越好。正常来说，前几个碱基质量略低是正常的（测序仪刚开始不稳定），后面应该稳定在绿色区。

我建议你养成一个习惯： 每次拿到新批次数据，先扫一遍所有样本的箱线图。如果发现某个样本的箱体明显低于同批次其他样本，别急着往下分析，先标记出来。

3.3 碱基分布曲线：ATGC的平衡之道

第二个核心模块是 "Per base sequence content"，就是碱基分布曲线。它反映的是每个位置上四种碱基（A、T、G、C）的比例。

理论上，在随机文库中，每个位置A和T比例应该大致相等，G和C比例大致相等。而且四条曲线应该接近平行，波动不大。

实际解读要点：

• 正常情况：四条线在大部分位置上保持平稳，A≈T，G≈C，波动幅度在±5%以内。
• 前10bp有分离：这是建库时随机引物或酶切偏好导致的，属于常见现象，只要后面恢复稳定就没问题。
• 全长的AT/GC不平衡：比如A一直比T高8%，或者G一直比C高，这往往提示文库有污染、PCR扩增偏好、或者参考基因组有偏差。

你想想看，如果一批12个样本，其中3个样本的碱基分布曲线在相同位置出现同样的异常模式，那基本可以断定是实验批次效应。这就是我们做批次关联分析时要用到的重要线索。

3.4 综合应用：批次关联分析中的可视化管理

箱线图和碱基分布曲线，单独看一个样本意义有限。真正的价值在于：把整批样本放在一起对比。

我在做大规模测序项目管理时，有一个固定流程：每个批次跑完FastQC后，把所有样本的箱线图和碱基分布曲线截图，整合到一张汇总表里。然后做三件事：

1. 标记异常样本：箱线图整体下移、或碱基曲线明显偏离的样本，标红。
2. 查找批次模式：同一批上机的样本是否出现相同的异常特征？是→实验批次问题；否→单个样本问题。
3. 决定是否重测：异常样本占批次比例超过15%，我建议整批重新建库测序。

下面这张图是FastQC质量分析流程的总结，帮你理清从原始数据到批次报告的核心路径：

这张图把从原始数据到批次报告的路径串起来了。你在做批次关联分析时，核心就是关注箱线图和碱基分布曲线这两条支线，然后把异常信号汇总到批次报告中，判断是随机波动还是系统偏差。