1. 组学数据质量控制工程导论

组学数据质量控制工程，是把“数据质量”从一句口号变成一套可设计、可执行、可验证、可追溯的工程体系。它研究的对象不是某一次实验的成败，而是从样本采集到最终生物学结论之间，所有可能引入误差、偏差与不确定性的环节，以及如何用工程手段对这些环节进行约束、监测与修正。理解这门课，首先要建立一个基本判断：组学数据的高质量不是“检测出来的”，而是“设计出来的”，并在全流程中被持续守护。

一、它和生物信息学、数据科学是什么关系

很多人把组学质控等同于“跑一下 FastQC 看看报告”，这是对学科边界的误解。生物信息学关注的是如何从测序或质谱信号中还原生物学信息，例如比对、定量、变异检测、差异表达分析；数据科学关注的是从数据中提取模式、建立预测与推断的方法论，例如统计建模、机器学习、可视化。质量控制工程则位于两者之前和之间：它为生物信息学提供“可信输入”，为数据科学提供“可信样本”，同时把两者的方法反过来用于质量评估。

可以用一个三层关系来理解：底层是测量与实验层，决定原始信号的信噪比；中间是数据工程层，负责格式规范、元数据完整、批次可追踪、流程可复现；上层是统计与推断层，负责识别异常、校正偏差、评估不确定性。质量控制工程贯穿三层，既包含湿实验的对照设置与样本处理规范，也包含干实验的过滤阈值、归一化策略与批次效应校正。它不替代生物信息学，而是让生物信息学的结论具备可辩护性。

二、全流程质量观：每个环节都在“投票”

组学数据的最终结论，是整条链路共同投票的结果。任何一个环节的偏差，都可能在统计推断层被放大成“显著差异”。因此，质量控制工程强调全流程质量观：不把质控局限在测序仪下机之后，而是从实验设计阶段就开始。

以转录组测序为例，一个典型的全流程质量关注点包括：样本层面，RNA 完整性（RIN 值）、样本是否降解、分组是否均衡；文库层面，插入片段分布、接头污染、文库复杂度；测序层面，Q30 比例、GC 分布、重复率、rRNA 残留；比对与定量层面，比对率、唯一比对率、基因覆盖均一性；统计层面，样本间相关性、批次效应、离群样本。这些指标不是孤立的，而是相互印证。例如，Q30 很高但比对率很低，往往提示污染或接头问题；比对率正常但样本间相关性异常，则要怀疑批次效应或样本标签错配。

三、质量控制工程的核心任务

从工程实现角度，质量控制工程可以拆解为四项核心任务。第一，定义质量指标：针对不同组学类型（基因组、转录组、蛋白质组、代谢组）确定可量化、可比较、可追溯的指标集合。第二，建立基线：用历史数据或对照样本建立正常波动范围，而不是凭经验拍脑袋设阈值。第三，设计过滤与校正策略：明确哪些样本剔除、哪些位点过滤、哪些批次需要校正，并记录决策依据。第四，保证可复现：所有质控步骤、参数、版本、输入输出都必须可追溯，使他人能够复现同一结论。

这四项任务对应到实际操作中，通常体现为一份质控计划。下面给出一个转录组项目的质控计划示例，参数为教学假设值，实际项目应根据物种、组织、测序策略调整。

项目：人源肝组织转录组测序（示例）
样本数：24（对照组12，处理组12）
测序策略：PE150，目标数据量 6 Gb/样本

质控层级与阈值（示例）：
1. 样本层：RIN ≥ 7.0；RNA 浓度 ≥ 50 ng/μL；A260/280 在 1.9–2.1
2. 原始数据层：Q30 ≥ 85%；接头污染率 ≤ 5%；rRNA 占比 ≤ 10%
3. 比对层：比对率 ≥ 80%；唯一比对率 ≥ 70%；外显子区域占比 ≥ 60%
4. 表达矩阵层：样本间 Pearson 相关 ≥ 0.85；PCA 无显著批次分离
5. 决策规则：任一指标超出阈值 → 标记为“待复核”；
   两项及以上超标 → 剔除或重新建库，并记录原因

这份计划的价值不在于阈值本身，而在于它把“质量”变成了可执行、可检查、可追责的工程对象。每个阈值背后都应有依据：来自历史数据分布、来自对照样本、来自方法学文献，或来自预实验。没有依据的阈值，只是数字。

四、常见误区与工程边界

第一个误区是“质控等于过滤”。过滤只是质控的一个动作，真正的质控还包括实验设计、对照设置、批次管理与结果验证。第二个误区是“阈值越严越好”。过严的阈值会剔除真实生物学变异，导致样本量不足、统计功效下降。第三个误区是“质控只在分析前做一次”。实际上，质控应贯穿数据生成、处理、分析和解释全过程，并在发现异常时回溯上游。

需要明确的是，质量控制工程不能替代实验设计，也不能凭空修复严重损坏的样本。它的边界是：在数据可用的前提下，最大化结论的可信度；在数据不可用时，尽早发现并阻止错误结论的产生。这正是工程思维与纯分析思维的区别——前者关注系统可靠性，后者关注单次计算结果的正确性。