比对率与基因表达分布：质控指标应用案例
本章我们聊个很实际的话题。你跑完一个RNA-seq项目，面对一堆FASTQ文件，第一件事做什么？我个人的习惯是先看比对率，再看基因表达分布。这两个指标放在一起，能告诉你这批数据到底能不能用，或者哪里出了幺蛾子。
说白了，比对率反映的是你的测序片段有多少能「认祖归宗」，回到参考基因组上。基因表达分布则告诉你测序过程是不是公平——有没有某几个基因占掉绝大部分reads，其他基因都被埋没。两者结合，基本能判断数据质量是否过关。
比对率：你的数据与参考基因组有多「默契」
比对率这个概念很简单：成功比对到参考基因组的reads数占总reads数的百分比。但它的实际意义非常大。我在项目中遇到过几次比对率只有50%左右的样本，后来发现是参考基因组版本选错了，或者样本本身有严重污染。
一般来讲，对于人类等模式生物，如果使用合适的比对工具，比如STAR或Hisat2，比对率应该在80%到95%之间。低于70%就要引起警觉。当然，不同样本类型会有差异。我整理了一张常见的比对率预期范围表，方便你对照：
| 样本类型 | 比对工具 | 正常比对率范围 | 备注 |
|---|---|---|---|
| 人类组织（总RNA） | STAR | 85% - 95% | 视rRNA去除效率而定 |
| 人类细胞系（mRNA） | STAR | 90% - 98% | polyA捕获纯度影响大 |
| 小鼠组织（总RNA） | STAR | 82% - 92% | 与人类接近 |
| 细菌（全转录组） | Bowtie2 | 75% - 90% | 参考基因组完整性是关键 |
| 植物（总RNA） | STAR | 70% - 85% | 多倍体时比对率偏低 |
为什么会这样？因为总RNA中还有大量rRNA和tRNA片段，如果去rRNA失败，这些read会比对到重复区域或被丢弃。mRNA方法则只抓polyA尾的转录本，所以比对率通常更高。所以对比对率的判断，要结合你的建库策略来看。
基因表达分布：一次测序的「公平性」检查
比对率过关后我通常会立刻做一件事：看基因表达的整体分布。具体来说，就是检查每个基因的count数分布情况。如果一个样本中前10个高表达基因占到了所有reads的80%以上，你得小心了——这很可能是PCR扩增偏好或测序深度不足造成的表达假象。
我记得有一次，一个肿瘤对照项目的几个样本，表达分布呈现出极端「长尾」，大部分基因只有个位数count，但有两个基因的count突破了百万。后来排查发现，建库时那几个样本的PCR循环数调高了，导致扩增严重偏好。这个案例让我意识到，只看比对率根本不够，分布曲线会泄露更多信息。
通常我使用featureCounts得到count矩阵后，会跑一个简单的R脚本来检查分布：
# 假设count_matrix是基因x样本的data.frame
# 计算每个样本的top10基因占比
top10_ratio <- apply(count_matrix, 2, function(x) {
sorted <- sort(x, decreasing = TRUE)
sum(sorted[1:10]) / sum(x)
})
# 如果某个样本top10占比超过0.6，标记为红色flag
flagged <- which(top10_ratio > 0.6)
cat("异常样本索引：", flagged, "\n")这个脚本很简单，但非常实用。我在多个项目中用它快速筛选出有问题的样本。对了，还有一个常见的误区：不要只看单样本的分布，还要看样本间的一致性。同一处理的生物学重复，表达分布应该高度相似。如果出现一两个样本分布明显偏离，大概率是建库或测序过程出了问题。
重点理解：比对率告诉你「测到了多少」，基因表达分布告诉你「测得均不均匀」。两者缺一不可。只盯着比对率不看分布的，往往会在后续差异分析中发现假阳性——那些高表达基因其实只是PCR的「宠儿」。
两者联合诊断：一个实际案例
前面讲了些理论，现在我拿一个做过的RNA-seq质控项目当例子。这个项目有12个样本，来自人类肌肉组织，我们做的是全转录组分析。第一阶段跑完STAR比对后，有2个样本比对率分别为65%和68%，其余10个都在87%-92%之间。
我第一反应是：那两个样本可能有问题。但仔细看了比对日志后发现，它们的输入reads总数是其他样本的2倍，说明测序深度没问题。查了样品记录才发现，那2个样本在取样时被混入了少量细菌。处理方式是：重新提取RNA，重新建库。
如果你也碰到类似情况，我建议先跑一个FastQC，看看有没有接头污染或GC含量异常。然后对比基因表达分布。在我那个案例中，那2个异常样本还有另一个特征——基因表达分布中位数远高于其他样本。这是因为细菌的转录本对某些代谢基因有偏好，导致整体表达模式被带偏。
所以，当你看到比对率和表达分布都有异常时，几乎可以确定样本质量有问题。反过来，如果比对率正常但分布异常，那问题大概率出在建库或扩增环节。
常见陷阱与排查思路
总结一下我在多个项目中碰到的常见陷阱，以及对应的排查方法：
- 陷阱一：参考基因组版本不一致
- 现象：某个批次样本比对率突降10%以上
- 排查：检查比对日志中mapped和unmapped的比例分布
- 解决方案：统一参考基因组版本，重新比对
- 陷阱二：样本混合或交叉污染
- 现象：表达分布中出现不应该存在的组织特异性基因
- 排查：用基因表达谱做聚类分析，看异常样本是否单独成一簇
- 解决方案：重新取材建库
- 陷阱三：PCR扩增偏好导致的高表达基因膨胀
- 现象：前10个基因占据总reads的70%以上
- 排查：对比同一样本的不同扩增轮次是否稳定
- 解决方案：减少PCR循环数，或使用UMI扣除PCR duplicates
- 陷阱四：测序深度不均导致的部分基因缺失
- 现象：多数基因count为0，但少数基因count极高
- 排查：检查FastQC中的per-base质量分布，看末尾是否有低质量段
- 解决方案：增加测序数据量，或后期过滤低表达基因
如果实在拿不准，还有一种简单的方法：把每个样本的基因表达均值和中位数做散点图。正常样本会形成一个紧凑的椭圆区域，异常样本会明显偏离。这个技巧我屡试不爽。
另外，我记得刚入行时经常踩的一个坑是：以为比对率越高数据就越好。后来做过一次合成污染测试，就是把人类RNA和酵母RNA按不同比例混合，然后比对到人类参考基因组。结果显示，随着酵母RNA比例升高，比对率下降，但基因表达分布却出现了更多低表达的「噪声基因」。这说明，比对率无法告诉你library中有没有外来RNA，但表达分布可以。
所以，我的核心观点是：
- 比对率是第一道防线，用于快速筛选大面积异常。
- 基因表达分布是第二道防线，用于检测更隐蔽的建库偏倚和污染。
- 两道防线结合使用，能覆盖RNA-seq质控中的绝大多数问题场景。
最后，给你一个实际操作建议：建立一个固定的质控流程。每次拿到新数据，先跑比对率，再画基因表达分布图。整个过程用脚本自动化，方便批量处理。我个人的习惯是在项目目录下放一个qc_summary/文件夹，里面保存每个样本的比对率和分布图PDF，一个月后再回看，能帮你省下大量重采样的成本。
这张图展示了我推荐的联合质控流程。从原始FASTQ开始，先比对计算比对率，同时做表达定量得到count矩阵，然后评估表达分布。最后将两者的结果联合诊断，判断质控是否通过。图中的虚线反馈环是重点——当表达分布出现异常时，必须回看比对率，看是不是比对阶段出了问题。双向验证才是可靠的质控做法。