📚 课程目录第2章宏基因组数据获取与质量控制

2. 宏基因组数据获取与质量控制

宏基因组分析的第一步，说白了就是拿到可靠的数据。我见过不少项目，前期分析结果乱七八糟，最后追根溯源，问题都出在原始数据质量上。这一章，咱们就聊聊怎么把数据拿到手，并且确保它干净、可用。

2.1 数据从哪里来？公共数据库与本地测序

宏基因组数据的来源，无非两种：

公共数据库：像 NCBI 的 SRA、欧洲的 ENA，还有国内的 GSA。我自己最常用 NCBI SRA，数据全，但下载速度有时让人抓狂。
本地测序数据：自己送样给测序公司，拿回来的一般是 FASTQ 文件。这种情况，质量控制的责任完全在自己手里。

对于公共数据，我建议优先用 SRA Toolkit 里的 prefetch 配合 fasterq-dump 来下载。为啥？因为 prefetch 可以断点续传，网络不稳定时特别管用。

# 下载 SRA 文件
prefetch SRR12345678

# 转为 FASTQ 格式
fasterq-dump --split-files SRR12345678

小经验：我第一次下载 SRA 数据时，傻乎乎用 fastq-dump，慢得要命。后来换成 fasterq-dump，速度直接提升好几倍。这工具默认会用多线程，省时间。

2.2 质量控制的核心：你到底在查什么？

质量控制，说白了就是给你的数据做一次全面体检。主要查这几项：

碱基质量：每个碱基的测序准确度够不够高？
GC 含量：宏基因组样本的 GC 分布通常比较均匀，如果出现异常峰值，可能有污染。
接头污染：测序时留下的引物或接头序列，必须去掉。
重复序列：PCR 扩增导致的重复，反而可能影响下游分析。

检查工具我推荐 FastQC，简单粗暴。运行它只需要一行命令：

fastqc sample_R1.fastq sample_R2.fastq -o ./qc_reports

它会生成一个 HTML 报告，我用 Chrome 打开，扫一遍那十几个模块，重点关注“Per base sequence quality”和“Adapter Content”。

小技巧：如果样本数量多，别一个一个看报告。用 MultiQC 把结果汇总成一个页面，效率高得多。

2.3 清洗数据：用什么工具？怎么配参数？

质量检查完，就该动手清理了。我常用的工具有两个：

Trimmomatic：老牌工具，参数灵活，适合双端测序。
KneadData：专门为宏基因组设计，内置了去除宿主 DNA 的流程。

我个人习惯用 Trimmomatic 做基础清洗。它的参数看着多，其实核心就几个：

java -jar trimmomatic-0.39.jar PE \
  sample_R1.fastq sample_R2.fastq \
  sample_R1_clean.fastq sample_R1_unpaired.fastq \
  sample_R2_clean.fastq sample_R2_unpaired.fastq \
  ILLUMINACLIP:adapters.fa:2:30:10 \
  LEADING:3 TRAILING:3 SLIDINGWINDOW:4:15 MINLEN:36

这里解释一下参数的关键点：ILLUMINACLIP 去接头，SLIDINGWINDOW:4:15 切掉低质量区域，MINLEN:36 扔掉太短的序列。你想想看，如果不设 MINLEN，一堆几碱基的垃圾序列会拉低后续分析的准确度。

如果样本来自宿主组织（比如肠道内容物），我用 KneadData 进一步去除宿主 DNA：

kneaddata \
  --input1 sample_R1_clean.fastq \
  --input2 sample_R2_clean.fastq \
  --reference-db /path/to/human_genome \
  --output ./kneaddata_output \
  --trimmomatic /path/to/trimmomatic-0.39.jar

避坑指南：我曾经在去除宿主序列时，用了错误版本的参考基因组。结果呢？宿主污染根本没清干净，后续的物种注释里全是人的 reads。那滋味，别提多难受了。所以，参考数据库一定要核对版本和物种。

2.4 质量控制的完整流程：一张图说清楚

下面这张 SVG 图，把整个流程串起来了。从原始数据到最终可用于分析的高质量序列，每个环节都不可或缺。

这条流程，我在实际项目里跑了不下几十次。每次拿到新数据，我都会按这个步骤走一遍，心里才踏实。

2.5 质量控制的关键指标与决策门限

清洗之后，到底什么样的数据算“干净”？我整理了一个表格，你对照着看：

指标	理想范围	警戒线	建议操作
Q20 比例	> 90%	< 80%	重新评估测序质量或重做
Q30 比例	> 85%	< 70%	加大清洗力度
GC 含量	40% – 60%	偏离 > 10%	检查是否有污染
序列长度分布	集中在预期长度	出现大量短序列	调整 MINLEN 参数
宿主污染比例	< 5%	> 15%	检查数据库或重做去宿主步骤

记住，这些门限不是死的。比如粪便样本，宿主污染低到 1% 也不是不可能；而组织样本，10% 也可能是正常的。具体问题具体分析。

2.6 几个常见坑，我都替你踩过

坑一：只做 FastQC，不做 MultiQC。 几十个样本逐一打开报告，眼睛都看花。用 MultiQC 汇总，效率翻倍。
坑二：清洗参数照搬别人的。 不同测序平台、不同试剂，数据特点不一样。我在一个项目里碰到超低质量的 reads，Trimmomatic 的 SLIDINGWINDOW 窗口设成 4:5 才管用。自己多试几个参数组合。
坑三：忽略双端数据的配对关系。 清洗后一定要确保 R1 和 R2 的 reads 数量一致，否则后续组装会崩溃。用 repair.sh 这类工具修一下。
坑四：去宿主数据库选错。 用人类参考基因组时，注意 GRCh38 和 GRCh37 差异不小。我建议用 GRCh38 的最新版本，准确性更高。

嗯，这些坑说起来都是血泪史。但你只要记住，数据质量是宏基因组分析的基石，再怎么强调都不过分。