一、测序数据质控概述：为什么需要质控？FASTQ格式简介
大家好，我是今天这门课的主讲。做生物信息分析这些年，我踩过最大的坑，就是拿过来一组数据就直接跑流程。结果跑出来一堆莫名其妙的结论，然后再回头查原始数据……嗯，浪费了整整两周时间。
从那时起，我就养成了一个习惯：任何测序数据，第一步必须是质控。说白了，数据是垃圾，分析结果就是垃圾中的垃圾。这不是什么高深的理论，而是实实在在的经验。
为什么需要质控？
你想想看，测序仪不是神仙。它会产生各种各样的错误和偏差。我见过太多项目，因为忽略了这一步，最后在发表前被审稿人怼得哑口无言。
具体来说，质控要解决这么几个核心问题：
- 测序质量波动 —— 随着测序进行，试剂消耗，质量会逐渐下降
- 接头污染 —— 测序读长超过插入片段长度时，会读到人工接头序列
- N碱基比例过高 —— 测序仪无法判定的碱基用 "N" 表示，过多就是质量问题
- 重复序列 —— PCR扩增引入的duplicate，影响变异检测准确性
- GC含量偏差 —— 与理论分布偏差过大，可能提示文库污染或偏好性
我个人习惯：拿到任何FASTQ文件，第一件事就是跑FastQC。不跑就往下走？我不放心。为什么？因为直接拿有问题的数据做比对，map率低得离谱，你还以为是参考基因组版本选错了。
质控不是可有可无的步骤。它是整个分析流程的根基。根基不稳，上面的一切都是空中楼阁。
FASTQ格式简介
说完了为什么质控，咱们得先认识一下质控的对象——FASTQ文件。这个格式你可能已经接触过，但我敢打赌，很多人的理解停留在"知道它是存测序数据的"这个层面。
FASTQ是对FASTA格式的扩展。FASTA只有序列信息和ID行，而FASTQ额外增加了质量信息。为什么要加质量？因为测序仪知道每个碱基的读取可靠性，这种信心程度就是质量值。
一个完整的FASTQ记录由四行组成：
@SEQ_ID
GATTTGGGGTTCAAAGCAGTATCGATCAAATAGTAAATCCATTTGTTCAACTCACAGTTT
+
!''*((((***+))%%%++)(%%%%).1***-+*''))**55CCF>>>>>>CCCCCCC65这四行，缺一不可。
| 行号 | 标识符 | 内容说明 |
|---|---|---|
| 第1行 | @ |
序列标识符，包含测序仪信息、flowcell位置、坐标等元数据 |
| 第2行 | 序列 | 实际测得的碱基序列（A/T/C/G/N） |
| 第3行 | + |
分隔符，可选地包含与第1行相同的ID |
| 第4行 | 质量 | 与第2行碱基一一对应的质量得分（ASCII编码） |
一个小细节：第3行有时只写一个 "+"，不带ID。但有些流程要求严格，省略ID可能导致解析报错。我建议尽量保留完整的ID行。
质量值的编码规则
第四行的质量值，很多人第一次看到时一头雾水——为什么是一堆乱码一样的符号？
原因很简单：为了节省空间。质量得分是一个数字，范围通常是0到40。直接用数字写，每个碱基就要占2个字符。用ASCII字符表示，1个字符就够了。
目前主流有两种编码方式：
| 编码方式 | Phred质量公式 | ASCII偏移量 | 质量值范围 |
|---|---|---|---|
| Sanger / Illumina 1.8+ | Q = -10 × log₁₀(P) | +33 | 0 ~ 41（ASCII 33~74） |
| Illumina 1.3 ~ 1.7 | Q = -10 × log₁₀(P) | +64 | 0 ~ 40（ASCII 64~104） |
其中 P 是碱基错误的概率。Q=30 意味着错误率 1/1000，也就是碱基准确率 99.9%。
Q30 = -10 × log₁₀(0.001) = 30
Q20 = -10 × log₁₀(0.01) = 20
Q10 = -10 × log₁₀(0.1) = 10现在绝大多数测序平台都使用Sanger编码（Phred+33）。你可以用 ord 函数在Python中快速验证：
python3 -c "print(ord('!'), ord('5'), ord('I'))"
# 输出: 33 53 73
# 减去33后对应的质量值: 0 20 40我曾经遇到过一个项目，数据是Illumina 1.3时代的遗留数据，别人用+33编码去解，结果质量全部偏高，导致下游过滤阈值形同虚设。识别编码版本，是质控的第一步工作。
怎么判断编码？很简单。看质量字符串的第一个和最后一个字符的ASCII码范围。如果最小值 >= 64，那就是+64编码；如果最小值是33左右（通常是"!"），那就是+33编码。
一条FASTQ记录承载了哪些信息？
除了碱基和质量，ID行里还藏了很多东西。拿一条实际的Illumina数据举例：
@EAS139:136:FC706VJ:2:2104:15343:197393 1:Y:18:ATCACG这串看起来乱糟糟的东西，其实结构很清晰：
| 字段 | 值 | 含义 |
|---|---|---|
| 仪器 | EAS139 | 测序仪唯一标识 |
| 运行号 | 136 | 该仪器上的第几次运行 |
| Flowcell ID | FC706VJ | 所用的flowcell批次标识 |
| Lane | 2 | 该flowcell上的第几条泳道 |
| Tile | 2104 | 泳道内的物理块编号 |
| X坐标 | 15343 | 簇在tile中的X位置 |
| Y坐标 | 197393 | 簇在tile中的Y位置 |
| 配对信息 | 1 | 1=read1, 2=read2 |
| 过滤状态 | Y | Y=通过, N=未通过质量控制 |
| 索引号 | 18 | 多重索引编号 |
| Barcode | ATCACG | 样本barcode序列 |
这些元信息在做质控时非常有用。比如你可以按lane或tile分组看质量分布，定位某个run或flowcell是否存在系统性偏差。
质控的整体流程
有了上面的基础，我们来画一张图，把整个质控知识体系串起来。这样你可以在脑子里形成一张完整的地图，后面学每个具体环节就不会迷路。
这张图把整个质控流程分成了四层。从原始数据开始，先做质量评估，然后根据评估结果判断是否存在问题，最后决定是清洗数据还是直接进入下游。
你会从这门课中学到什么？
这门课一共30章，会带你掌握以下能力：
- 读懂质控报告 —— 不只是看"通过/警告/失败"，而是深刻理解每个指标的含义
- 熟练使用质控工具 —— FastQC、MultiQC、Trimmomatic、fastp、cutadapt 等
- 可视化复盘 —— 用Python和R把质控结果做成专业的图表
- 制定清洗策略 —— 针对不同数据特性，选择最合适的过滤参数
在进入下一节之前，我建议你动手做一件事：找一个真实的FASTQ文件（比如SRR号下载的公开数据），用 less 或者 head -n 20 看看它的四行结构。亲手解析一下每个碱基的质量值，算一圈Q30占比。纸上得来终觉浅，这个动作会让你对后面讲的每个指标都有了实感。