数据质控概述：为什么需要质控？FastQC与Trimmomatic简介

为什么需要质控？

测序仪吐出来的数据，直接扔进分析流程？

我个人习惯，拿到任何一份原始测序数据，第一件事就是做质控。这不是流程要求，而是血的教训。我在一个肿瘤项目中，测序数据没有做质控就直接拼装，结果一堆假阳性。排查了三天，最后发现是接头污染和低质量碱基在捣乱。从那以后，我再也不敢跳过这一步了。

原始测序数据（Raw Data）里面藏着很多陷阱。你想想看，测序仪不是完美的机器，它会产生各种误差：

• 接头污染：建库时没切干净的接头序列，会混在读段里
• 低质量碱基：测序仪在高GC区域、读段末尾容易出错
• 重复序列：PCR扩增引入的大量重复，会干扰拷贝数估算
• N碱基过多：测序仪实在读不出来的地方，会给个'N'
• GC含量异常：可能是文库扩增偏好，也可能是污染

说白了，质控就两个目的：发现问题，修复问题。发现问题靠FastQC，修复问题靠Trimmomatic。这两个工具是生信人手里的“质检员”和“修理工”。

FastQC 是做什么的？

FastQC是一款快速QC工具，专门用来检查测序数据的质量。我常用的命令长这样：

fastqc sample_R1.fastq.gz -o ./qc_report

跑完后它会生成一个HTML报告，里面有11个模块的详细评估。我挑几个重点的说说：

Trimmomatic 又是谁？

FastQC发现问题了怎么办？洗干净。Trimmomatic就是干这个的。它专门用来切除低质量碱基、去掉接头、过滤短读段。

我分享一下我的常用处理流程：

java -jar trimmomatic-0.39.jar PE \
  input_R1.fastq.gz input_R2.fastq.gz \
  output_R1_paired.fastq.gz output_R1_unpaired.fastq.gz \
  output_R2_paired.fastq.gz output_R2_unpaired.fastq.gz \
  ILLUMINACLIP:adapters.fa:2:30:10 \
  LEADING:3 TRAILING:3 \
  SLIDINGWINDOW:4:15 \
  MINLEN:36

这个命令看起来长，其实逻辑很清晰。我拆开来讲：

• PE：双端测序，单端用SE
• ILLUMINACLIP：切接头，参数是“匹配率2：30：10”，保守点可以调成2:30:8
• LEADING/TRAILING：切除头尾质量低于3的碱基
• SLIDINGWINDOW：滑窗，4个碱基一组平均质量低于15就切掉
• MINLEN：切完后长度小于36bp的直接扔

核心逻辑流程图

我画了一张图，把整个质控流程串起来。这样你就能看清数据是怎么从低质量变成干净可用的。

流程其实不复杂：原始数据→FastQC检查→质量判断→不合格则Trimmomatic清洗→再次FastQC验证→合格后使用。我曾经在一个宏基因组项目中，这个循环跑了三轮才把所有数据洗干净。耐心点，质控做扎实了，下游分析才能稳。

什么时候可以跳过质控？

嗯，这里要注意。我知道有人会问：有时候能不能跳过这一步？

我的回答是：几乎不能。除非你有足够把握——比如测序平台非常稳定、建库流程极度标准化、并且你已经在这个平台处理过上百批数据都表现一致。即便如此，我仍然建议至少做一个快速检查。

FastQC 输出解读入门

我拿一个真实的FastQC报告片段来演示怎么看：

>>Basic Statistics
Measure    Value
Filename   sample_R1.fastq.gz
File type  Conventional base calls
Encoding   Illumina 1.9
Total Sequences  24567890
Filtered Sequences  0
Sequence length  150
%GC  48

这里看几个关键点：

• Total Sequences：读段总数，一般文库预期在2000万左右
• %GC：GC含量，人类基因组是42%左右，异常说明可能有污染
• Encoding：质量编码格式，Illumina 1.9是Phred+33
• Sequence length：读段长度，双端150bp是常规配置