4. Basic Statistics模块解读：基础统计指标

FastQC跑完之后，第一个跳出来的就是Basic Statistics。很多新手扫一眼就直接跳过，觉得不就是些数字嘛。我个人习惯是，每次拿到测序数据，必须先把这页看完再做后续分析。说白了，这一页就是数据的“身份证”。

它不告诉你数据好不好，但告诉你是谁、从哪里来、大概长什么样。这些信息能帮你提前发现很多低级错误。

4.1 总序列数（Total Sequences）

这个指标记录测序仪器一共输出了多少条reads。对于单端测序，它直接对应文库中的分子数；对于双端测序，R1和R2分别统计。

我记得有一次，合作方给了我一组数据，总序列数只有预期的十分之一。一开始以为建库失败，后来发现是测序仪器跑了一半就停了。这种失误，看一眼Basic Statistics就能揪出来。

4.2 序列长度（Sequence Length）

这里记录的是测序读长。它可能是一个固定值，比如150bp、250bp，也可能是长度范围，比如35-150bp。为什么会这样？取决于测序平台和文库构建方式。

如果看到序列长度范围很宽，比如从35bp到150bp都有分布，那你得小心了。我在项目中遇到过这种情况，结果发现文库片段长度筛选没做好，短片段大量混入。

模式	含义	应对
固定长度（如150bp）	测序完成，常规	无需特殊处理
长度范围（如35-150bp）	文库有问题	检查文库构建
长度与预期不符	测序未完成或参数错	联系测序服务商

4.3 %GC含量（%GC）

GC含量是基因组的基本特征。不同物种的GC含量差异很大：人类基因组大约41%，大肠杆菌约50%，而一些细菌可以达到70%以上。

这个指标的问题往往出在偏差上。如果实际测得的GC含量严重偏离物种理论值，意味着什么？可能有两种情况：

• 测序过程中产生了GC偏好性
• 样本污染——混入了其他物种的DNA

我曾遇到一个案例：一组人源样本测出了65%的GC含量。一开始以为数据有问题，后来发现样本被细菌污染了。

4.4 平均质量分数（Mean Quality Score）

这个指标是所有碱基质量分数的平均值。注意，它是平均值，这意味着即使整体看起来不错，也可能有局部质量很差的reads。

常见的Q值范围：Q20（准确率99%）、Q30（准确率99.9%）、Q40（准确率99.99%）。一般来说，平均Q值在30以上就算不错。

嗯，这里要注意：平均Q值高不代表所有位置都好。有一种情况是序列开头质量极高，末尾急剧下降——平均值看起来还不错，但你用real数据跑比对时就会发现大量低质量比对。

4.5 实战：如何用命令行快速获取这些指标

虽然FastQC的HTML报告很直观，但当你需要批量处理几十个文件时，一个一个打开看太慢了。我习惯用命令行提取关键信息：

# 直接从fastqc_data.txt中提取
unzip -p sample_fastqc.zip fastqc_data.txt | head -n 20

# 或者用grep过滤
unzip -p sample_fastqc.zip fastqc_data.txt | grep -E "^(Total|Sequence|%GC|Average)"

# 输出示例：
# Total Sequences	15237456
# Sequence length	151
# %GC	48
# Average quality score	36.8

这样你可以在一个shell脚本里批量检查所有样本的Basic Statistics指标，一旦发现异常值就自动报警。

4.6 知识结构图

为了方便理解，我把Basic Statistics的四个核心指标以及它们之间的关系整理成了一张图：

4.7 常见问题解答

Q: 总序列数比预期多很多，是好是坏？

A: 不好说。如果只多10-20%，可能是正常波动。如果多出一倍以上，很可能是有重复的序列或者文库被混合了。

Q: 序列长度不是整数怎么办？

A: 有些FastQC版本会显示带小数的平均长度。这时候你要看Per Base Sequence Content模块，那里能告诉你实际长度的分布情况。

Q: GC含量偏差多少算严重？

A: 我个人的标准是：和理论值偏差在5%以内算正常，5-10%需要警惕，超过10%基本可以判断数据有问题。