RNA-seq数据产生原理与常见建库方式
好，咱们正式进入 RNA-seq 的世界。很多人一上来就怼着数据跑流程，其实最该先搞明白的是手里的数据到底怎么来的。你想想看，同样叫 RNA-seq，不同建库方式出来的数据，差异大得就像用不同语言写同一篇文章。搞清楚了这个，后面的质控才有依据。
核心原理：从 RNA 到测序片段
说白了，RNA-seq 就是把细胞里所有的 RNA 分子，转化成可以上机测序的 DNA 文库。这一步很关键，因为测序仪只认 DNA，不认 RNA。我早期带团队时就踩过这个坑——样品送出去，测序回来发现 GC 含量异常，排查半天才发现是反转录酶失效了。
整个转化过程可以拆成几步：
- RNA 提取与片段化：先把总 RNA 抽出来，然后用化学或物理方法打断成短片段。片段长度一般控制在 200-500 bp 之间。
- 反转录（RT）：以 RNA 为模板，用随机六聚体引物或 Oligo-dT 引物，合成第一链 cDNA。
- 第二链合成：在 DNA 聚合酶作用下，把第一链 cDNA 变成双链 DNA。这一步使用的是 dUTP 替代 dTTP，为后续链特异性标记做准备。
- 末端修复与加 A：把双链 cDNA 的末端修平，并在 3' 端加一个腺嘌呤（A）尾巴。
- 接头连接：把带有 T 碱基突出的 Y 型接头连上去。Y 型接头能保证每个片段两端都接上不同的索引。
- PCR 扩增：对连接好的文库进行有限循环扩增，保证测序时有足够的模板量。
记住一点：每一步的效率都会影响最终数据质量。我常用 Qubit 搭配 Bioanalyzer 在每步后取样，确保没有“一步错、步步错”。
常见建库方式对比
市面上主流的建库方式就那么几种。我自己的习惯是，先搞清楚客户要解决什么问题，再选建库方案。这里我把最常见的几种对比如下：
| 建库方式 | 适用场景 | 关键特点 | 常见质控指标 |
|---|---|---|---|
| Illumina TruSeq Stranded Total RNA | 全转录组分析，包括 lncRNA | 保留链方向信息；rRNA 去除 | 比对率、rRNA 残留率、链特异性率 |
| Illumina TruSeq Stranded mRNA | mRNA 表达谱分析 | PolyA 捕获富集 mRNA | 比对率、3′/5′ 覆盖偏差 |
| SMART-seq2 | 单细胞或低起始量样品 | 全长转录本；模板转换法 | 基因检出数、median CV |
| 10x Genomics | 大规模单细胞转录组 | 细胞条形码 + UMI | 细胞数、UMI 中位数、饱和度 |
| NEBNext Ultra II Directional RNA | 低质量或降解 RNA 样品 | 高灵敏度；定向建库 | 插入片段分布、duplication rate |
我个人的习惯是：如果样品是 FFPE 提取的，优先考虑 NEBNext 系列。普通细胞或组织样品，用 TruSeq Stranded Total RNA 就够了。单细胞的话，不用想，10x 平台标配。
链特异性建库的关键点
这个我得单独拎出来讲。很多生信分析报告里会写“链特异性建库”，但到底怎么个特法？很多初学者甚至做了好几年的人都未必清楚。
常规建库在第二链合成时用 dTTP，最终双链 DNA 中无法区分哪条是原始 RNA 链。链特异性建库在第二链合成时用 dUTP 替换 dTTP，这样在 PCR 前用 UDG 酶把第二链降解掉。最终测到的 read 方向就与原始 RNA 方向一致了。
为什么要这么费劲？因为方向信息能帮助判断：
- 基因是否在反义链上有转录本
- lncRNA 的转录方向是否与注释一致
- 融合基因的断点方向是否正确
我曾经踩过一个大坑：有一批 public 数据，跑表达定量时发现 80% 的 reads 落在基因组负链上。排查了三天，才意识到这批数据用的是链特异性建库，而我的比对参数设成了“非链特异性”。方向一错，表达量就全乱了。
建库过程中的质控节点
在实际项目中，建库阶段不做质控，等测完序再发现问题，那只能自认倒霉。我总结了几条实用经验：
- RNA 完整性（RIN 值）：RIN > 7 才建议做 Total RNA 建库；RIN < 5 的样品，只能用 NEBNext 这类高灵敏度试剂盒。
- cDNA 产量：反转录后跑一次 Qubit，产量低于 10 ng 的最好不要进下一步。
- 文库片段分布：用 Bioanalyzer 高灵敏度 DNA 芯片检测，文库大小应该在 250-600 bp 之间，太集中或太分散都是问题。
- 接头二聚体：如果 Bioanalyzer 图谱在 100 bp 以下有峰，说明接头没洗干净，需要重新纯化。
- qPCR 定量：上机前必须用 Qubit 或 qPCR 精确测定文库浓度。我见过太多因为浓度虚高导致的簇密度异常。
嗯，这里有个判断的小技巧。如果文库在 Bioanalyzer 上出现异常峰，我一般会先跑个 1% 琼脂糖胶验证。有时候是毛细管电泳的气泡问题，改跑琼脂糖胶就能看明白。
一张图看懂 RNA-seq 建库全流程
下面这张 SVG 图总结了从 RNA 到测序文库的完整流程，以及各节点的质控要点：
这张图把建库分成了标准化的八个步骤。我最想强调的是中间的质控节点——建库不是“做完就行”，而是“做一步，查一步”。
实际项目中的常见问题
我在实际项目中碰过的坑，随便列几个给大家提个醒：
- polyA 捕获偏好：mRNA 富集时，如果洗脱条件太严格，3' 端会过度富集。表现就是比对结果 3' 端覆盖度远高于 5' 端。解决办法：调整 polyA 磁珠的洗脱温度和时间。
- rRNA 残留：总 RNA 建库中，rRNA 去除效率直接决定有用数据比例。我有个项目用 Ribo-Zero 试剂盒，反复试了 3 次 rRNA 残留还是 > 15%，后来换用 RiboCop 才解决。
- 接头污染：文库纯化后如果 Bioanalyzer 图谱在 70-90 bp 处有尖峰，那就是接头二聚体。我用 AMPure XP 磁珠二次纯化，磁珠比例从 1.0x 降低到 0.8x 可以有效减少二聚体。
一个小经验：建库流程中每步都用 Qubit 定量，不要只依赖 Nanodrop。Nanodrop 会高估 DNA 浓度，尤其是降解严重的样品。我吃过这个亏，现在只用 Qubit 做建库中的定量决策。
好了，关于 RNA-seq 数据怎么来的、建库方式有哪些差异，我们就聊到这儿。理解这些原理，后续看比对率、看基因表达分布的时候，你心里才真正有底。