2. 测序数据质量指标介绍：测序深度、覆盖度、质量分数（Q值）的基本概念
做批次间监控，得先搞清楚我们在监控什么。测序深度、覆盖度、Q值，这三个指标就像汽车仪表盘上的时速、油量和发动机故障灯。你天天看它们，但真的理解它们的含义吗？
我个人习惯，每次开始一个新的批次监控项目，第一件事就是拉着团队把这三个概念重新对齐一遍。因为很多坑，其实就是概念模糊埋下的。
2.1 测序深度（Sequencing Depth）
测序深度，也叫覆盖深度。说白了，就是基因组上某个位点被测了多少次。
计算公式很简单：
Depth = 比对到参考基因组的碱基总数 / 参考基因组大小单位通常是 X。比如 30X，意思就是平均每个碱基被测了 30 遍。
深度的意义在哪？
- 统计可靠性：深度越高，测序错误导致的假阳性就越低。你想想看，一个位点测1次是A，可能是错的；测30次都是A，那基本可信了。
- 检测灵敏度：低频突变检测需要高深度。比如肿瘤样本，5% 的等位基因频率，没有 1000X 以上的深度，根本挖不出来。
- 批次间一致性：不同批次的深度波动，直接影响后续变异检测的敏感度。我记得有一次，一个批次深度突然掉了一半，结果变异数量也直接腰斩。那叫一个惨。
- 全基因组测序（WGS）：30-60X
- 全外显子组测序（WES）：100-200X
- 靶向深度测序（panel）：500-2000X
2.2 覆盖度（Coverage）
覆盖度，这个容易和深度搞混。覆盖度是一个广度概念，它说的是整个目标区域，被覆盖到的比例有多少。
我建议你这么区分：
- 深度：每个位置测了多少次（多深）
- 覆盖度：目标区域的多少比例被测到了（多广）
覆盖度又分两种：
- 基因覆盖度：所有目标基因中被至少读到1次的基因比例。
- 碱基覆盖度：目标区域中，被至少读到指定次数（比如 1X、10X、20X）的碱基比例。
举个例子：一个 1Mb 的目标区域，有 950Kb 的碱基至少被测到了 1 次，那 1X 覆盖度就是 95%。
批次监控的核心指标：
批次间覆盖度波动 不应超过 ±2%。我见过一个项目，两个批次的 20X 覆盖度差了 5%，结果同一批样本在两个批次的 Variant calling 结果，一致性只有 80%。
这里放一张图，帮你把深度和覆盖度的关系理清楚。
2.3 质量分数（Q值 / Quality Score / Q-score）
Q值，也叫 Phred quality score。它衡量的是测序仪对一个碱基判读的置信度。
核心公式：
Q = -10 × log₁₀(P)
其中 P 是碱基判读错误的概率。嗯，这里要注意，Q值越高，错误概率越低。我直接给你个对照表：
| Q值 | 错误概率 (P) | 碱基正确率 | 每N条 Reads 中可能错1个碱基 |
|---|---|---|---|
| Q10 | 1/10 | 90% | 每10个碱基错1个 |
| Q20 | 1/100 | 99% | 每100个碱基错1个 |
| Q30 | 1/1000 | 99.9% | 每1000个碱基错1个 |
| Q40 | 1/10000 | 99.99% | 每10000个碱基错1个 |
注意：Q20 和 Q30 是批次间监控的红线。我曾经在监控中发现某个批次的 Q30 比例从平时的 85% 掉到了 72%。一开始以为是正常的波动，结果一查，是测序仪的光学校准出了偏差。那批数据最后只能重测。
2.4 三个指标怎么配合着看？
我有个习惯，每次拿到一个新的批次，先用三个指标做一次快速体检：
- 看 Q30：低于 80% 的批次，直接亮红灯。不需要再往下看深度和覆盖度了，先排查测序质量。
- 看平均深度：和基线比。波动超过 ±10%，需要确认是不是文库浓度有问题。
- 看 20X 覆盖度：这个指标对变异检测最敏感。如果 20X 覆盖度掉到 90% 以下，我会建议项目组暂停分析。
你想想看，如果 Q30 很差，就算你深度堆到 1000X，出来的也是一堆错误的数据。反过来，Q30 很高但深度不够，也检测不到低频变异。这三个指标，缺一不可。
避坑指南：
我曾经在一个多批次项目中，只看平均深度发现都达标，结果后续分析出来的变异数量每一批都不一样。后来仔细排查，发现有一批样本的 reads 大部分集中在了某些高 GC 区域，导致其他区域覆盖度极低。所以，平均深度好看 ≠ 覆盖度均匀。批次监控一定要同时看深度分布直方图和覆盖度累加曲线。
2.5 一个小结
这一章我们把三个基础概念过了一遍。内容不多，但很关键。后续所有批次间的对比分析、异常检测、质量控制，都是建立在这些概念之上的。
记住三个关键词：
- 深度：测了多少遍，量化指标
- 覆盖度：测了多大比例，广度指标
- Q值：测得多准，置信度指标
三个指标联合监控，才能确保你的批次间数据是可比的、可靠的。