质量评估的重要性：为什么测序数据必须质控？
很多新手拿到 FASTQ 文件后，第一反应就是直接跑比对、做拼接。我早年也这么干过，结果被下游分析结果狠狠坑了一次。后来才明白——测序数据天生就有噪声，不做质控就像用脏抹布擦玻璃，越擦越花。
这一节我们就聊聊：低质量数据到底会在比对、组装、变异检测上捅出什么篓子。
测序数据的「天生缺陷」
测序仪不是完美的。它会引入测序错误、碱基质量波动、接头残留、PCR 重复、GC 偏好……说白了，原始 FASTQ 里藏着不少「假信号」。这些东西如果不清理，下游分析就会把噪声当真相。
我记得有一次处理肿瘤样本，测序深度明明够了，结果变异检出全是假阳性。最后查了两个星期才发现——原来是 3' 端质量暴跌，大量低质量碱基被当成真实突变。
FastQC，看一眼碱基质量分布和接头含量，10 分钟就能避免几天的返工。
低质量数据对下游分析的冲击
下面这张图可以快速看出问题的全貌：
比对：当碱基无法「说完」
低质量读数在比对时的表现很典型：
- 比对率骤降 —— 大量低质量 read 无法唯一比对到参考基因组，变成 unmapped。
- 错误比对 —— 碱基错误会「骗」过比对软件，把 reads 映射到基因组上完全错误的区域。
- 多匹配增加 —— 低复杂度序列（如 poly-A、poly-N）会同时匹配到多个位置。
我做过一个 RNA-seq 项目，样本的 3' 端质量掉了。结果比对率只有 60%，而且大量 reads 都堆在 rRNA 区域。后来切掉低质量尾巴，比对率升到 92%，差异表达基因列表也变了。你说质控重不重要？
FastQC，注意看「Per base sequence quality」和「Adapter Content」。如果质量分在 100-150 bp 后掉到 Q20 以下，果断切除或使用 Trimmomatic / cutadapt 处理。
组装：碎片乱飞的噩梦
基因组组装对 reads 质量极其敏感。低质量 reads 会导致：
- contig 断裂 —— 低质量区域出现过多碱基错误，组装器无法确认重叠关系，被迫断开。
- 错误连接 —— 重复区污染或接头残留会让不同染色体片段被错误拼接在一起。
- GC 偏倚掩盖真实结构 —— 比如高 GC 区域的 reads 本来覆盖就低，再加上质量低，直接造成 gap。
我印象很深的一个案例：细菌基因组 de novo 组装，没用质控直接跑 SPAdes，N50 只有 50 Kb。同样的原始数据，先修剪低质量末端和接头，N50 直接翻到 350 Kb。差别就是一次 trim 命令的事。
变异检测：真假难辨
变异检测，说白了就是在噪声中找信号。低质量数据会让结果极不可靠：
| 问题类型 | 具体表现 | 对结果影响 |
|---|---|---|
| 假阳性突变 | 低质量碱基被误判为 SNP/indel | 基因列表膨胀，验证成本暴增 |
| 假阴性遗漏 | 真实变异因为低质量 reads 被过滤掉 | 漏掉关键致病突变 |
| 等位基因频率偏差 | 低质量区域偏向前期或后期测序错误 | 肿瘤异质性、克隆演化分析失真 |
| indel 误检测 | 接头残留产生虚假插入缺失 | 增加数百个不存在的 indels |
我记得有个肿瘤体细胞突变检测项目，原始数据质量分偏低，GATK 的 HaplotypeCaller 跑出来 500 多个候选变异。我们复核后发现，其中 80% 都是低质量 reads 引起的假阳性，而且有一部分正好落在肿瘤抑制基因上——差点误导了后续实验验证。
实战中的「快检指标」
我一般拿到 FASTQ 会先扫一眼 FastQC 报告里的四个关键指标：
- Per base sequence quality —— 整个读长的质量分布，特别是尾部。
- Per sequence GC content —— 是否出现异常峰形（GC 偏倚）。
- Adapter Content —— 接头残留比例，超过 5% 必须处理。
- Overrepresented sequences —— 是否存在大量重复或污染序列。
举个例子，如果某个样本的 GC 含量出现双峰，大概率是混入了某种污染（比如细菌或其他物种）。这种样本直接跑比对，结果会乱成什么样子，你想想看。嗯，我是吃过亏的。