## Illumina 测序：从文库到碱基的质量
聊测序数据处理之前，我们得先搞清楚数据是怎么来的。就好比你要分析一张照片的噪点，总得先知道相机是怎么成像的。Illumina 的测序流程，说白了就三步：在芯片上“种”出 DNA 簇 → 边合成边拍照 → 把荧光信号转成碱基和质量分数。
### 桥式PCR扩增——在芯片上“种”出簇
你有没有想过，一台机器怎么同时测几亿条 DNA 片段？答案就是——让每一条 DNA 都被“复制”成一个小簇，这样荧光信号才够亮。
具体怎么做的？文库两端的接头（adaptor）会跟 flow cell 表面的寡核苷酸互补结合。然后聚合酶会从那个固定的引物开始，把 DNA 的另一条链合成出来。合成完后，变性，新链的末端又会跟 flow cell 上另一个互补的寡核苷酸结合。你想象一下，桥式结构就这么形成了——一条链搭在两个“根”之间。然后不断重复，一个 DNA 分子就变成几百到几千个拷贝的簇。
**一个重要的坑：** 簇密度不能太高。我记得第一次独立上机时，图省事把模板浓度多加了20%，结果出来全是重叠的簇——根本没法做碱基识别。嗯，从那以后我养成了先用荧光显微镜预检簇分布的习惯。
### 边合成边测序（SBS）——每次只加一个碱基
簇长好了，接下来就是读序列。Illumina 的核心亮点是**可逆终止子**。什么概念？每轮只加一个碱基，加了就“锁住”，拍完荧光照片再把终止基团和荧光基团切掉，接着加下一个。
具体流程：
1. 引物退火到模板链上。
2. 加入四种带不同荧光和可逆终止基团的 dNTP，以及 DNA 聚合酶。
3. 聚合酶只加一个碱基，合成停止。
4. 激光激发，相机拍照（四通道或两通道）。
5. 切断终止基团和荧光基团，去封闭，准备下一轮。
我遇到过最头疼的问题是**相位滞后**。简单说，有的链没加上碱基，有的链多加了，导致后面的信号越来越乱。我自己调试参数时发现，如果簇质量不好或者酶失效，相位滞后的比例会飙升到2%以上——那整个 lane 的数据基本就废了。
### 测序错误类型：替换、插入、缺失
做完碱基识别之后，我们拿到的不是完美序列。Illumina 的错误类型非常偏科——**绝大多数是替换错误**（substitution），插入和缺失很少。
为什么？因为边合成边测序的机制决定了：只要荧光信号判断错一个通道，就会把 A 换成 G 或者 T 换成 C。而插入/缺失主要发生在 homopolymer 区域（连续同样碱基，比如 AAAAA）。为什么？”每轮只加一个碱基“这个机制在 homopolymer 区域容易产生滑脱，导致真正加了两个但机器只看到一个，或者漏加一个。
| 错误类型 | 典型原因 | 通常比例 |
|---------|----------|----------|
| 替换 | 荧光串扰、信号衰减、相位误差 | 95%以上 |
| 插入 | homopolymer 滑脱、碱基加成错误 | 约2-3% |
| 缺失 | homopolymer 漏加、切除不完全 | 约1-2% |
这个比例我亲测过。有一次做细菌全基因组重测序，InDel 率突然升到5%，一开始以为是样本问题，后来发现是 flow cell 用了过期的试剂，导致切除效率下降。可见控制试剂质量有多重要。
### 质量分数 Phred Q Score——量化碱基可信度
机器给了我们一个碱基，我们怎么知道它有多可靠？Illumina 用 **Phred Quality Score**（简称 Q 值）表示。公式很简单：
Q = -10 × log₁₀(P)
其中 P 是碱基识别错误的概率。
例如：
P = 0.001 → Q = 30
P = 0.0001 → Q = 40
P = 0.01 → Q = 20
换算成常见阈值：
| Q 值 | 错误概率 | 准确度 | 日常说法 |
|------|----------|--------|----------|
| Q10 | 1/10 | 90% | 灰常差 |
| Q20 | 1/100 | 99% | 还行 |
| Q30 | 1/1000 | 99.9% | 好 |
| Q40 | 1/10000 | 99.99% | 优秀 |
我个人的习惯是，做 RNA-seq 时至少要求 **Q30 比例在 85% 以上**。如果低于 80%，我会重新检查建库步骤——可能是打断过度或者接头污染了。
在 FASTQ 文件里，Q 值会被编码成一个 ASCII 字符（加 33 偏移），不过那是下一章的内容。现在你只需要记住：**Q30 是公认的通用过滤门槛**。
---
这张 SVG 图就是这个章节的结构总结。你一眼就能看清：从 flow cell 上的桥式 PCR 簇，到 SBS 每轮加一个碱基并拍照，再到碱基识别和质量分数计算。错误类型和质量分数之间的关系，也画在了最后。
实用建议： 下载一个真实的 FASTQ 文件，用 head -n 8 看看每一行。你会看到第四行是一串看似随机的字符——那些就是 Q 值编码。
记住：理解测序原理，才能真正理解质控指标。比如你看到某条 read 在 5' 端 Q 值突然掉得很厉害，别急着怪样本——很可能是因为桥式 PCR 时那个簇长得太拥挤，导致第一轮荧光信号就不够亮。