3. 低质量reads的定义及对下游分析的影响

说起低质量reads，我刚开始做测序的时候其实挺困惑的。测序仪产出的数据看上去都差不多，都是好几十G的fastq文件，到底哪些算低质量？怎么定义一个read是“垃圾”呢？后来吃了不少亏，才慢慢摸清楚这里面的门道。

3.1 低质量reads的常见类型

我个人习惯把低质量reads分成这几类，你对照看看以前的处理流程有没有遗漏：

• 低碱基质量分数：一条read中连续出现多个低Q值（比如Q＜20）的碱基，甚至整条read平均Q值低于阈值（通常是Q20或Q30）。
• 异常短或异常长：长度偏离正常文库插入片段范围，可能是测序错误或文库污染。
• 高序列重复度：完全相同的序列出现多次，比如PCR重复导致的无用reads。
• 接头/引物污染：没有被切除干净的接头序列，尤其是双端测序中reads间有overlap但未正确分离的情况。
• 高GC偏差：GC含量严重偏离物种基因组平均水平，常见于扩增偏好或污染。
• 含N比例过高：如果一条read里N碱基占比超过某个阈值（比如5%），基本上就是测序失败的。

这里有张图，帮你快速理清这些类型的关系：

3.2 定义阈值到底怎么定？

说实话，这个没有标准答案。不同测序平台、不同应用场景，阈值完全不一样。我整理了一个常用参考表：

指标	常见阈值	说明
平均碱基Q值	≥ Q20（错误率1%）或 ≥ Q30（错误率0.1%）	Illumina数据常要求Q30比例＞80%
最低碱基Q值	建议 ≥ Q10，序列开头或结尾允许短暂掉至Q5	超过连续3个Q＜10建议截断或丢弃
read长度	丢弃 < 全长50%的短read	例如150bp的读长，丢弃＜75bp的
N碱基比例	允许 < 2%~5%	超过则说明测序质量太差
GC含量	相对物种基因组均值偏差 < 20%	偏离太远提示污染或偏好
重复reads比例	去除PCR重复后保留唯一read	使用工具如fastp或bbduk标记重复

3.3 对下游分析的影响——避坑矩阵

低质量reads要是没过滤干净，后面每一步都可能出问题。我根据自己的踩坑经历，整理了一张影响矩阵：

下游分析类型	低质量reads带来的具体影响	我的建议
序列比对（Alignment）	比对率下降，错配率升高，产生大量软剪接或异常比对；还会增加计算量。	过滤后比对，能省50%以上CPU时间
基因组组装（Assembly）	引入错误kmer，导致contig断裂或错误连接；杂合假阳性SNP增多。	强烈建议先过滤再组装，特别是长读长数据
变异检测（Variant Calling）	假阳性SNP/InDel增多，特别是低覆盖区域；同时可能掩盖真实变异。	最好再做一遍BQSR根据碱基质量校准
基因表达定量（RNA-seq）	低质量reads可能比对到错误基因，导致表达量估计偏差。	建议使用双端过滤，并检查GC偏差
宏基因组分析	低质量序列容易分类错误，产生假阳性物种或比例失真。	要小心，虚假低质量reads可能来自非目标物种
甲基化分析	碱基质量影响甲基化call准确度，尤其CpG位点。	对Q值要求更高，建议Q25以上

3.4 实用过滤脚本示例

说了这么多理论，最后上个实战用的命令。我平时最常用的是 fastp，一行搞定大部分过滤需求：

fastp -i in.R1.fastq -I in.R2.fastq \
      -o out.R1.fastq -O out.R2.fastq \
      --cut_tail --cut_tail_mean_quality 20 \
      --length_required 50 \
      --n_base_limit 5 \
      --average_qual 20 \
      --correction \
      --html report.html

参数解释：

• --cut_tail --cut_tail_mean_quality 20：从3'端切掉平均质量低于20的区域。
• --length_required 50：丢弃长度小于50bp的read。
• --n_base_limit 5：如果一条read里N碱基数超过5个，整条丢弃。
• --average_qual 20：整条read平均Q值需≥20，否则丢弃。
• --correction：开启碱基校正（基于双端overlap），能纠正部分测序错误。

如果你用老牌工具 Trimmomatic，命令是这样：

java -jar trimmomatic-0.39.jar PE \
  in.R1.fastq in.R2.fastq \
  out.R1.paired.fastq out.R1.unpaired.fastq \
  out.R2.paired.fastq out.R2.unpaired.fastq \
  ILLUMINACLIP:adapters.fa:2:30:10 \
  LEADING:3 TRAILING:3 SLIDINGWINDOW:4:15 MINLEN:50

为什么我推荐fastp？因为它比Trimmomatic快不少，还能自动检测接头。当然，Trimmomatic是老牌经典，在某些极端情况下的过滤策略更细致。看个人习惯吧。

3.5 小结：过滤跑完，怎么看结果？

跑完过滤后，别急着直接扔进下游。我习惯先看一眼过滤报告里的统计：

• 原始reads数和过滤后reads数——如果去掉超过30%的数据，说明原始数据质量可能有问题，需要排查实验。
• Q30比例变化——过滤后应该明显提升。
• GC含量分布——检查是否出现双峰，提示可能的污染。
• 接头残留率——理想情况应该小于0.1%。

我个人偏好把过滤后的fastq再跑一遍FastQC，对比前后质量分布，心里才踏实。上面那张分类图已经把核心逻辑串起来了——你记住了常见类型和影响，过滤时就知道该重点看什么。