1. 比对率与基因表达分布：课程总览与学习目标
啊，质控这件事。说起来很简单，但做起来门道很多。
我个人习惯把RNA-seq数据分析的第一步，看作是在侦探破案。手里一堆测序数据，你得先判断这些数据到底能不能用。怎么判断？比对率和基因表达分布，就是我最先看的两个核心指标。它们就像数据集的“身份证”，能直接告诉你这批数据的质量是好是坏。
这门课就是专门讲这两个指标的。我们从原理讲到实战，再从实战讲到各种坑。嗯，说白了，就是让你不再对着质控报告发愁，快速判断数据能不能往下走。
为什么先从比对率说起？
你想想看，一条读取的序列从测序仪出来，我们要把它“贴”到基因组上。这个“贴”的过程，就是比对。比对率，就是成功贴上去的读取占所有读取的比例。
那么，多少算合格？我在项目中见过各种情况。有些样本比对率能做到95%以上，有些可能只有60%。不到80%的，基本上就需要警惕了。
所以，比对率是我们数据质控的第一道关卡。接下来，我们看看基因表达分布又是怎么回事。
基因表达分布揭示的问题
比对完，我们会得到每个基因的计数。把这些计数的分布画出来，就是基因表达分布图。它能告诉你什么呢？
正常来说，一个样本里大多数基因表达量不会特别高，只有少数几个高表达的看家基因。如果分布出现异常，比如大部分基因都低表达，或者出现双峰，那就说明样本可能有问题了。
我记得有一次接手一个项目，基因表达分布图怎么看怎么不对劲。后来一查，原来是样品发生了降解。RNA都降解了，那些长基因自然测不到完整的读取，表达量就普遍偏低。
课程全景：你要学什么？
下面这张图，是我为你梳理的本章节知识体系。它把比对率和基因表达分布这两个核心概念串联了起来，让你一目了然。
课程的核心价值
学完这一章，你不仅要知道这两个指标是什么，更要搞清楚：
- 判断标准：比对率多少算合格？基因表达分布长什么样才算正常？
- 异常诊断：指标不合格了，问题出在哪儿？是样品的问题，还是流程的问题？
- 实战操作：怎么用代码和工具快速跑出这些报告，并解读它们。
实践环节：我们会做什么？
光说不练假把式。这一章我们安排了动手环节：
- 用STAR或HISAT2对真实数据进行比对，并记录比对率。
- 用featureCounts获取基因计数，然后画出表达分布直方图。
- 和标准数据对比，判断样本质量。
通常，我们会用一个示例数据集来演示。比如下面这个简单的命令，就能看到比对结果：
# 以STAR比对为例
STAR --genomeDir /ref/genome --readFilesIn sample1_R1.fq.gz sample1_R2.fq.gz --runThreadN 8
# 查看比对日志
grep "Uniquely mapped reads %" Log.final.out拿到比对率后，再用R语言画个基因表达分布图：
# R代码示例：绘制基因表达密度分布
library(ggplot2)
data <- read.table("gene_counts.tsv", header=TRUE)
ggplot(data, aes(x=log10(counts+1))) +
geom_density(fill="steelblue", alpha=0.7) +
labs(title="Gene Expression Distribution", x="log10(Counts+1)")学习目标总结
| 目标 | 说明 |
|---|---|
| 理解概念 | 比对率和基因表达分布的基本定义与生物学意义 |
| 掌握判断 | 能根据指标数值快速判断数据质量 |
| 动手实操 | 能独立完成比对、定量和可视化代码的运行 |
| 诊断问题 | 遇到异常指标，能推断出可能的原因并解决 |
好了，关于这门课的总体框架我们就聊到这儿。接下来，我们会一步步深入到具体的操作和解读中。别着急，跟着节奏走，你很快就能成为质控专家。