解读 FastQC 报告结构：从模块到结论

拿到一份 FastQC 报告，你看到的其实是 11 个独立的模块（加上左侧的导航栏）。每个模块盯着一个特定的质量维度。我第一次用 FastQC 时，直接看最下面的“Summary”就觉得行了，结果差点被一个批次数据的接头污染坑死。后来才明白，报告的结构本身就是质量控制的分步走流程，得按顺序扫一遍才算完。

说白了，FastQC 的报告设计思路非常清晰：先给全局统计，再逐个指标打勾（Pass/Warning/Failure）。你不需要记住每个模块的每一个细节，但得知道哪个模块管什么问题、什么样的情况可以忽略、什么样的情况必须停下手里的活儿排查。

报告的整体骨架

一份完整的 FastQC 报告包含三层结构：

  1. Summary（摘要） —— 11 个模块的绿灯/黄灯/红灯，一眼判断整条 Lane 的“健康度”。
  2. Basic Statistics（基本统计） —— 只做数据量、长度、GC 含量等硬性信息呈现，不判断好坏。
  3. 9 个指标模块 —— 从碱基质量到接头含量，每个模块给出图、表、违反阈值的标记。

我习惯先用 Summary 栏快速定位哪些模块“亮灯”，再逐个点进去看具体图表，省时间而且不容易漏。

我的小技巧： 多文件对比时，把每个文件的 Summary 截图拼在一起，用颜色标记 Warning/Failure，可以快速发现哪条 Lane、哪个文库有问题。这是我在项目中最常用的定位法。

模块逻辑分组

把 11 个模块按照它们检查的内容，可以分成四组。我个人认为这样分组后，解读流程会更清晰：

分组 包含模块 核心检查点
数据基础 Basic Statistics 总数、长度、GC、N 含量
测序质量 Per base quality, Per sequence quality, Per base N content 质量分数分布、低质量碱基比例、N 出现位置
文库偏差 Per sequence GC content, Sequence Duplication Levels, Overrepresented sequences, Adapter Content GC 偏差、PCR 重复、特异富集序列、接头含量
读长特征 Per base sequence content, Per base GC content, Kmer Content 碱基组成平衡性、GC 沿读长分布、短序列 motif 异常

你看，这样分组之后，每组的侧重点完全不同。测序质量组出问题，大概率是机器或试剂批次问题；文库偏差组出问题，多半是建库或样本污染带来的。我遇到过好几次情况：Per base quality 全绿，但 Per sequence GC content 亮红灯，最后查出来是 PCR 过度扩增造成的 GC 偏倚 —— 走了一遍完整分组排查才锁定。

从 Summary 到单模块的跳转逻辑

你知道 Summary 上的“小圆点”颜色是怎么判定的吗？FastQC 有一套内置阈值：

  • Green (Pass) —— 数据完全符合预期范围。
  • Yellow (Warning) —— 略微偏离预期，但通常可以接受。
  • Red (Failure) —— 明显偏离，建议调查。

这里有个容易踩的坑：有些模块 Warning 在特定条件下是正常的。比如单端快速 RNA-seq 在 Per base sequence content 第一第二个碱基会有强烈偏差，这是随机引物带来的，Warning 可以忽略。我一开始不知道，傻傻地把好几份 RNA-seq 数据给毙了，浪费了不少时间。

避坑指南： Per base sequence content 在 RNA-seq 的前 10 bp 出现波浪形偏差很常见，尤其在用随机六聚体建库时。不要因为两个 Warning 就判定整个文库不合格。我一般会结合实验方案评估：如果用的是链特异性建库，偏差幅度不超过 20% 通常可以接受。

SVG：FastQC 报告模块解读流程图

下面这张图是我自己画的逻辑流程，可以帮你快速建立“从报告模块到最终决策”的思维链条：

FastQC 报告解读决策流程 原始测序数据 (FASTQ) ✔ Basic Statistics（数据量、长度、GC） 测序质量组 Per base/seq quality, N content 文库偏差组 GC含量, 重复, 接头 读长特征组 碱基组成, Kmer, per base GC 综合判断：通过 / 修剪 / 丢弃

模块内部的图谱阅读要点

每个模块里的图，其实就两三种形态：折线图（如 Per base quality）、直方图（如 Per sequence quality）、柱状图（如 Sequence Duplication Levels）。你不需要成为可视化专家，但得知道怎么快速读结论。我说个简单的：

  • 折线图看趋势 —— 比如 Per base quality 如果中间的盒须落入红色区域，马上看是哪一端的碱基出问题，通常两端质量下降是正常的，如果中间也塌下去才要警惕。
  • 直方图看分布形状 —— GC content 直方图如果出现双峰，大概率有污染；单峰但偏离理论值，可能是建库偏倚。
  • 柱状图看峰值 —— Per sequence quality scores 如果主峰不在 30-40 区间，而是偏左，说明整体测序质量偏低，这对下游 SNP calling 影响很大。
实操建议： 打开一份报告后，我建议你先看 Per base sequence quality、Per sequence quality scores 和 Sequence Duplication Levels 这三个模块。它们几乎能覆盖 80% 的数据质量问题。Per base N content、Kmer Content 我通常只在其他模块亮红灯时才去深挖。

阈值理解的常见误区

FastQC 的内置阈值是 Illumina 通用数据定的，但它不是你项目的金标准。举个例子：你的目标位点在读长的末端，Per base quality 虽然在最后 10 bp 给了一个 Warning，但平均质量还在 Q30 以上，这种 Warning 往往可以忽略。反过来，如果 Per base quality 整体平均在 Q20 以下，就算 Summary 没亮红灯（很少见），你也得停止分析。

我记得有一次处理 FFPE 样本的 RNA-seq 数据，Per base quality 全线给 Failure，但因为是降解样本，这个结果是预期的。如果直接按 Failure 标注丢弃，就会丢掉宝贵的生物学信息。这时候我会结合 insert size 分布和比对率一起评估，而不是单看 FastQC 报告就下结论。

如何利用报告输出做自动化判断

FastQC 可以输出纯文本格式的汇总文件（运行 fastqc -t 4 *.fastq.gz --extract 或者加 -f fastq 参数），然后写一个简单的 shell 脚本或 Python 脚本来解析 Summary 文件。我经常这样用：

# 批量提取 Summary 结果
for f in *_fastqc.zip; do
    unzip -o $f -d fastqc_results/
done

# 用 grep 找出所有 Failure 模块
grep "FAIL" fastqc_results/*/summary.txt

这样可以在几十个文件里秒级定位异常。你还可以结合 R 的 ggplot2 直接画出质量分布的对比图，但那是另一个话题了。

注意： 自动解析脚本只适合做硬过滤筛选，不能取代人工看图。有时候图表展示的偏差（比如 Per base sequence content 前几个碱基的轻微波动）并不会触发 Warning/Failure，但手动一看就能判断是不是引物二聚体导致。我建议脚本打标 + 人工抽检双保险。

总结（不啰嗦版）

解读 FastQC 报告，核心就三条：

  1. 知道每个模块管什么 —— 先通过 Summary 定位问题模块。
  2. 知道哪些 Warning 是常见坑 —— 比如随机引物 RNA-seq 的序列偏差。
  3. 知道模块间的关联 —— 比如 GC 含量异常 + 重复率高，一起出现基本就是 PCR 偏倚。
← 上一章 📖 返回目录 下一章 →