4. 质量分数统计指标：平均质量、中位质量、低质量比例、GC含量与质量关系
拿到一批FASTQ数据，我们总不能只靠肉眼扫一遍就下结论。质量分数这玩意儿，必须用量化的指标来评估。我习惯先看几个核心指标，它们能快速暴露数据里藏着的问题。
今天咱们就聊聊这四个统计指标：平均质量、中位质量、低质量比例，还有 GC 含量与质量的关系。说白了，就是一套组合拳，把批次数据的好坏摸透。
4.1 平均质量分数——最直接的“体温计”
平均质量，就是个老生常谈的指标。简单，也容易理解。把一个Read中所有碱基的Q值加起来，除以碱基总数，就得到这个Read的平均质量。
计算方式：
平均质量 = sum(Q1, Q2, ..., Qn) / n嗯，但这里有个坑。我遇到过不少新手，直接用所有碱基的Q值求算术平均。其实也没错，但在批量对比时，我更喜欢用质量加权平均，或者直接看每碱基平均质量的分布曲线。
举个例子。我曾经处理一批肿瘤样本，平均质量都在Q30以上。数据经理很满意，觉得可以直接往下走。我没急着点头，把平均质量的逐循环分布图拉出来一看——前10个循环质量好得离谱，后100个循环直接跌到Q20以下。你想想看，整体平均质量被前几个循环硬生生拉高了。这个所谓“好批次”，其实后半段数据基本是废的。
所以我个人习惯：平均质量要看整体，更要看分布。一个完美的平均质量值，不代表每个位置都靠谱。
4.2 中位质量分数——比平均更抗噪
平均质量容易被极端值带偏。这时候，中位质量就派上用场了。
中位质量，就是把一个Read所有碱基的Q值排序，取中间那个值。它不受少数极差或极好的碱基影响，能更稳定地反映Read的“普遍质量水平”。
为什么要关注它？我给你们说个真实案例。有次我在评估一个低深度测序项目，发现平均质量掉到了Q28，但中位质量还在Q34。当时我挺疑惑的，拉出质量分布图一看——原来Read的5'端有几段很差的接头残留，拉低了平均值，但Read的主体部分质量其实不错。如果只看平均质量，我可能会把这个批次直接毙掉。但中位质量告诉我：别急，数据还能救。
我的建议：
计算中位质量时，最好用降序排列的Q值文件来快速获取。很多工具(如Seqtk)都能做到。我一般会写个小脚本，批量统计每个样本的中位质量，做成散点图，一眼就能看出哪些样本是“虚胖的高分”。
# 一个简单的Python片段，计算每条Read的中位质量
import numpy as np
def median_quality(qual_scores):
"""
qual_scores: 整数列表，比如 [30, 35, 28, ...]
"""
sorted_scores = sorted(qual_scores)
n = len(sorted_scores)
if n % 2 == 0:
return (sorted_scores[n//2 - 1] + sorted_scores[n//2]) / 2
else:
return sorted_scores[n//2]
# 示例
read_scores = [30, 35, 38, 22, 40, 28]
print(f"中位质量: {median_quality(read_scores)}")
4.3 低质量比例——揪出数据里的“老鼠屎”
平均和中位都看完了，接下来就得问问：数据里到底有多少“烂碱基”？这就是低质量比例要回答的问题。
通常我们把Q值低于某个阈值(比如Q20)的碱基标记为低质量。然后统计整个文库或每条Read中，低质量碱基占总碱基数的比例。
注意：
低质量比例不像平均质量那么好糊弄。一条Read如果前半段全是Q40，后半段全是Q5，平均质量可能还不错，但低质量比例会直接告诉你——这条Read后半段不能用了。我在做变异检测时，尤其看重这个指标，因为它直接影响假阳性率。
我举个例子。一个WGS样本，平均质量Q32，中位质量Q34，看起来都还行。但仔细一看，低质量比例(Q<20)竟然高达8%。这意味着1亿条Read里，有800万条是“残次品”。这些Read在比对时会乱飘，产生大量配对异常和重复标记问题。
我曾经因为没留意这个指标，跑完变异检测后发现有大量假阳性位点。回头看，那些位点对应的Read基本都是低质量区间里的。从那以后，低质量比例就是我的必查项，而且我习惯用碱基数的权重而不是Read数的权重来算，更准确。
# 用碱基权重计算低质量比例
total_bases = 150 * 1000000 # 假设100万条150bp的Read
low_qual_bases = 9500000 # 低质量碱基数
low_qual_ratio = low_qual_bases / total_bases * 100
print(f"低质量比例(碱基权重): {low_qual_ratio:.2f}%")
4.4 GC含量与质量的关系——隐藏的“质量密码”
这个点很多人会忽略。GC含量跟质量有关系吗？我告诉你，关系大了去了。
先看一个现象。我在处理不同批次数据时发现，有些批次GC含量在45%~55%之间，质量曲线特别平滑。而GC含量偏低(比如低于35%)或偏高(比如高于65%)的Read，质量往往断崖式下跌。为什么会这样？
原因主要有两个：
- 文库构建偏差：PCR扩增阶段，GC含量极端区域更容易出现扩增偏好或失败，导致这些Read的覆盖深度骤减，测序质量也随之下降。
- 测序化学特性：测序时的荧光信号强度跟碱基组成有关。GC含量过高或过低都会导致信号解析困难，产生更多错误。
我记得有次跑一个宏基因组建库，样本来自极端环境，GC含量普遍偏高。跑完一看，质量分布图上出现了一个奇怪的“双峰”：40%的Read质量很好(Q35+)，60%的Read质量很差(Q20左右)。后来一查，高质量的Read恰恰是GC含量正常的区间，低质量的Read都被高GC区间占据。这就是典型的GC偏差导致的质量分化。
实操检查方法：
我通常会绘制GC含量 vs 平均质量的散点图。横轴是每条Read的GC百分比，纵轴是平均质量。如果看到一条明显的“倒U型”曲线，中间高两边低，那就说明GC含量跟质量脱不了干系。这时候就要考虑是否需要调整文库构建方案或使用GC校正的比对工具。
指标汇总与批次关联思路
好了，四个指标都聊完了。现在把它们串起来，看看怎么用它们做批次关联分析。
| 指标 | 作用 | 批次关联应用场景 |
|---|---|---|
| 平均质量 | 反映整体质量水平 | 对比不同批次的基础质量差异 |
| 中位质量 | 抗极端值，反映普遍质量 | 快速筛选批次中的“异常Read” |
| 低质量比例 | 量化不合格碱基占比 | 判断批次是否需要过滤、裁剪 |
| GC含量-质量关系 | 揭示文库偏差导致的质量问题 | 识别批次是否为特定类型样本建库 |
在实际工作中，我一般会这样操作：先算每个样本的这四个指标，然后按批次汇总。看看不同批次间的平均质量和中位质量有没有系统性偏差。再对比低质量比例，如果某个批次的比例比其他批次高出一截，那就得警惕了。
GC含量与质量的关系我通常放在最后做，因为它的计算量略大。但一旦发现，往往能精准定位到建库环节的问题。我知道，有时一批样本质量下降，并不是测序仪的问题，而是样本本身GC含量太极端。
嗯，总结一下。这四个指标就像四把尺子，从不同维度量测数据的健康度。平均质量给个大概印象，中位质量稳住重心，低质量比例揪出坏账，GC含量关系揭示深层原因。
你搞懂了它们，批次之间的质量差异就逃不出你的眼睛。说到底，数据分析的很多问题，根源都在这些最基本的质量统计上。