第3章：原始数据处理——FastQC质量评估与Trimmomatic过滤

聊到RNA-seq数据分析，我总爱先讲原始数据处理。为什么？因为这一步决定了后续分析的生死。你想想看，从测序仪里出来的FASTQ文件，其实就是一堆带质量的字母。直接用这些原始数据做定量，那无异于把垃圾扔进分析流程——结果肯定糟心。

我个人习惯是，拿到任何测序数据后，第一件事就是跑FastQC。这工具就跟医院体检一样，先看看数据有没有“发烧感冒”。如果质量不错，那就简单处理一下。要是质量差，就得下猛药了。

3.1 为什么非做质量评估不可？

RNA-seq文库构建过程中，总会有各种问题：接头污染、GC bias、低质量碱基、重复序列……这些都是数据的“暗伤”。我在项目中遇到过这样的情况——有个样本的比对率特别低，但死活找不到原因。后来一查，原来是建库时接头加多了，大量reads都在读接头序列。

FastQC能帮我们把这些问题可视化出来。它不只是一个检查工具，更是你后续过滤策略的依据。数据该不该裁、裁多少、用什么参数，全凭FastQC那张图说了算。

3.2 FastQC的10个核心模块

FastQC输出一个HTML报告，里面包含10个模块。我整理了一份表格，方便你对号入座：

说实话，你不需要每个模块都看。但我建议重点关注这几个：Per Base Sequence Quality、Per Sequence Quality Scores、Adapter Content。大部分过滤决策都来自它们。

运行FastQC的命令非常简单：

fastqc sample_1.fastq.gz sample_2.fastq.gz -o ./qc_reports

输出是一个HTML文件，直接在浏览器打开就能看。绿色代表pass，黄色是warning，红色就是fail。嗯，这里要注意：fail不一定代表数据不能用，但至少是个警报信号。

3.3 Trimmomatic：RNA-seq数据的标配过滤器

如果说FastQC是体检，那Trimmomatic就是治病。它既能去接头，又能裁剪低质量碱基，还能过滤整条低质量的reads。

你可能会问：“为什么用Trimmomatic，而不用别的工具？”说白了，Trimmomatic对双端测序的支持是最成熟的。它能保持配对reads的顺序同步，这个功能在RNA-seq中特别重要——下游分析工具大多要求R1和R2成对输入。

Trimmomatic的双端处理命令长这样：

java -jar trimmomatic-0.39.jar PE \
    sample_R1.fastq.gz sample_R2.fastq.gz \
    sample_R1_paired.fastq.gz sample_R1_unpaired.fastq.gz \
    sample_R2_paired.fastq.gz sample_R2_unpaired.fastq.gz \
    ILLUMINACLIP:TruSeq3-PE.fa:2:30:10 \
    LEADING:3 TRAILING:3 \
    SLIDINGWINDOW:4:15 \
    MINLEN:36

这里每个参数都不是随便写的。我拆开来解释一下：

• PE：双端模式。单端用SE。
• ILLUMINACLIP：去接头。必须提供接头序列文件。2:30:10表示：允许2个错配、比对得分30、mask得分10。
• LEADING:3：切除read开头、质量低于3的碱基。
• TRAILING:3：切除read结尾、质量低于3的碱基。
• SLIDINGWINDOW:4:15：窗口大小为4个碱基，平均质量低于15时从该位置切除。
• MINLEN:36：过滤掉裁剪后长度低于36的reads。

我常用的参数组合是SLIDINGWINDOW:4:20加上MINLEN:50。为什么？因为RNA-seq的比对工具对短read不友好，保留长一些的片段反而能提高比对率。

3.4 实战：从FastQC到Trimmomatic的完整流程

让我用一个实际场景走一遍。假设你有两个样本，对照组和实验组，都是双端测序。你的操作步骤应该是：

1. 运行FastQC，查看原始数据质量。
2. 检查接头污染。如果Adapter Content模块亮红灯，Trimmomatic里必须加ILLUMINACLIP。
3. 确定裁剪参数。如果Per Base Sequence Quality显示末端质量下降，就用SLIDINGWINDOW裁剪。
4. 运行Trimmomatic，输出paired和unpaired文件。
5. 再次运行FastQC，检查过滤后的数据质量。

这一步很多人会忽略——过滤后不检查。但我告诉你，之前就有同事跳过这一步，结果去接头时误删了好多有效read。重新跑FastQC，能让你确认过滤策略是否合理。

3.5 避坑指南

做数据处理这行，坑是真的多。我整理了几个高频问题：

• 过滤太狠：你想想看，SLIDINGWINDOW窗口太小或质量阈值太高，可能会扔掉大量有用数据。我曾经把阈值的值设成28，结果80%的reads都被扔了。那叫一个惨。
• 忘了保存unpaired文件：有些分析工具只需要paired文件，但有些工具可能需要单端reads。保存unpaired文件，说不定哪天就用上了。
• 误删接头序列文件：ILLUMINACLIP用的接头序列文件，千万不要改文件名或删掉。每次跑之前检查路径是否存在。
• 忽略双端顺序同步：Trimmomatic处理双端数据后，R1和R2中未配对的reads会被移到unpaired文件。如果你后续用其他工具重新配对，一定要确保顺序一致。

还有一个细节：FastQC报告里的Kmer Content模块。如果你在这个模块发现大量异常Kmer，很可能说明接头污染没有被完全去除。这种情况，你可以调整ILLUMINACLIP的参数，或者换一个接头序列文件试试。

最后说一句：RNA-seq的数据处理，没有“标准参数”这回事。每个项目的文库构建方式、测序平台、read长度都不一样。你需要根据FastQC的报告，动态调整参数。这也是为什么我总是反复强调：**跑完Trimmomatic之后，一定要再跑一次FastQC**。