4、多样本批量质控的必要性：手工质控的局限，自动化批处理的优势

说实话，我刚入门时也觉得，一个一个看质控报告挺踏实的。鼠标点开一个 FastQC 结果，翻翻过表达序列，瞅瞅碱基质量箱线图，嗯，没问题，下一个。20 个样本，我花了整整一个下午。当时觉得自己特别认真。

直到有一天，我接手了一个 96 个肿瘤-正常配对样本的项目。那次让我彻底改了思路。为什么？因为当我手工检查到第 50 个样本时，我已经分不清哪个是哪个了。更可怕的是，第二天我发现昨天标记为“通过”的两个样本，其实是同一批上机时跑出来的重复加样——人眼在疲劳状态下，根本抓不住这种模式。

我个人习惯把批处理质控叫做“解放双眼的第一步”。你想想看，生信项目一旦跨过 20 个样本，手工就基本靠不住了。不是态度问题，是生理极限。

手工质控的几个硬伤

我曾经觉得自己“眼力好”，但事实证明，人在重复性劳动中犯错的概率呈指数上升。这里我总结下手工种常见的坑：

• 可扩展性差：10 个样本手工看还行，100 个呢？1000 个呢？一天不吃不喝也看不完。
• 人眼盲区：很多批量性问题，比如接头残留比例在 5% 上下波动，你在单个报告里根本看不出趋势。
• 记录散乱：我见过有人用 Excel 记样本编号和质控结论，结果不小心拖拽了一下公式，整列都错了。
• 注意力漂移：看到第 80 份报告时，你的大脑已经自动跳过红色警告框了。

自动化的核心优势

批处理，说白了就是让计算机替你干那些重复到令人发指的活儿。我个人习惯写一个万能的质控脚本，跑完后自动生成一个汇总表。为什么非要这么做？

1. 速度碾压：200 个样本的 FastQC 加上 MultiQC 汇总，10 分钟搞定。手工做？保守估计 8 小时。
2. 标准统一：判断规则写死在脚本里，不会因为凌晨三点手抖而改变。
3. 模式识别：批量生成的统计表可以直接画箱线图、热图，一眼看出异常批次。
4. 可复现：同样的脚本跑两遍，结果一模一样。手工复查，每次都可能不同。

质量指标的差异：手工 vs 自动化

我常拿一个指标举例：GC 含量分布。手工看 FastQC 报告时，你只会看那条曲线是不是“正常的单峰”。但自动化脚本可以计算每个样本的 GC 含量峰值位置，然后做一个密度分布图。

为什么会这样？因为人眼擅长识别突变，不擅长识别渐变。当批次里 30% 的样本 GC 峰值从 48% 漂移到 52% 时，你手工看 10 个报告根本觉察不到。

我整理了一个简单的对比表：

如何实现批量质控

我个人习惯用一个两步走的策略：

第一步：用 FastQC 扫描每个样本，结果统一放到一个目录。注意，FastQC 的默认输出文件名是编码过的，我建议在脚本里显式重命名，避免后续混淆。

# 批量运行 FastQC
mkdir -p fastqc_results
for sample in *.fastq.gz; do
    fastqc "$sample" -o fastqc_results/
done

第二步：用 MultiQC 汇总所有报告。这一步会把所有 HTML 图像和统计数值提取到一个页面。最关键的是，它会生成一个纯文本的统计数据表，可以直接喂给 R 或 Python 做进一步分析。

# 汇总所有 FastQC 报告
multiqc fastqc_results/ -o multiqc_report/

输出之后你会看到一个 multiqc_report.html，还有一个 multiqc_data/ 目录，里面有个 multiqc_fastqc.txt。嗯，这里要注意，别光看那个漂亮的 HTML 页面，真正有用的是那个 txt 文件。

multiqc fastqc_results/ --exclude fastqc_sequence_duplication

核心逻辑：从单个到批量的思维转变

为了讲清楚这个转变，我画了一张图。它展示的是从原始数据到批量质控再到快速迭代的流程。注意看中间那个“异常样本标记”环节——手工操作时经常忽略这一步，但自动化脚本会强制做。

这个流程里最核心的一点是：异常样本标记之后，下一步不是去手动翻报告，而是直接走统计报表。你想想看，如果一个批次的样本 GC 含量整体偏高，手工看 20 份报告只能得出“这批数据还行”这种模糊结论。但自动化的箱线图会告诉你：中位数偏了 2%，有 15% 的样本超出了正常范围。

我记得有一次做 384 孔板的全外显子捕获测序质控。如果让我手工看 384 份报告，我肯定崩溃。但我写了个脚本，把所有样本的捕获效率、中位数覆盖度、dup 率三个指标抽出来画了一个散点图矩阵。结果发现，整块板的右上角 48 个孔有明显异常——后来查出来是移液器在校准周期外工作。

这种模式，手工根本发现不了。你懂我意思吧？