4. 测序读段质量控制与过滤工程

原始 FASTQ 文件里的读段并不等于可以直接用于比对的“干净数据”。一次典型的 Illumina 双端测序产出中，读段末端质量会随循环数下降，接头（adapter）会因插入片段短于读长而读入，低复杂度或 rRNA 来源的污染序列也会混入。读段质量控制与过滤工程的目标，就是把这些系统性缺陷在比对之前处理掉，同时尽量不损失真实生物学信号。本章围绕“修剪—过滤—去接头—去污染”这条主线，比较 Trimmomatic、cutadapt、fastp 三类主流工具的策略与参数，并给出可复现的标准流程。

一、读段质量问题的来源与判读

FASTQ 每条记录由四行组成：以 @ 开头的标识行、碱基序列行、以 + 开头的分隔行、以及用 ASCII 字符编码的 Phred 质量行。Phred 质量 Q 与错误率 P 的关系为 Q = −10·log₁₀P，即 Q20 对应 1% 错误率，Q30 对应 0.1%。判断数据是否需要修剪，通常先看三类信号：

  • 质量沿读段位置的分布：若 3′ 端质量在某个循环后系统性跌破 Q20，说明该区段应修剪。
  • 接头含量：短插入片段会让读段尾部出现已知接头序列，如 Illumina TruSeq 的 AGATCGGAAGAGC。
  • 碱基组成偏移：接头或污染会造成特定位置碱基比例异常，例如 G 含量突增。

FastQC 或 fastp 自带的 HTML 报告可给出上述曲线。需要强调的是，质量过滤不是“越狠越好”：过度修剪会缩短读段、降低可比对率，甚至引入比对偏好。因此参数设定应基于报告中的实际拐点，而非套用固定阈值。

读段质量控制与过滤工程流程 从原始 FASTQ 到可比对干净读段的处理链与关键判据 原始 FASTQ R1 / R2 双端 质控报告判读 质量沿位置曲线 接头 / 碱基偏移 ① 去接头 识别已知 adapter 序列 允许错配 / 部分匹配 ② 质量修剪 滑窗 / 逐碱基切除 3′ 端低质量区段 ③ 过滤与去污染 长度 / N 比例 / 复杂度 rRNA、PhiX 等污染 三类工具策略对比 Trimmomatic Java 实现，滑窗质量修剪 + 接头库 SLIDINGWINDOW:4:20 / MINLEN:36 cutadapt Python，接头匹配精度高，支持多接头 -a ADAPTER -q 20 -m 36 fastp C++，一体化质控 + 过滤 + 报告 --detect_adapter_for_pe -q 20 -l 36 干净读段 clean R1 / R2 再评估 关键判据 Q30 比例 ≥ 85% 接头残留 < 1% 读长 ≥ 36 bp

二、去接头：先识别，再切除

接头去除的核心是“匹配—切除”。以 cutadapt 为例，单端数据可用 -a 指定 3′ 接头，双端数据分别用 -a 和 -A。匹配允许一定错配率，默认约 10%，可通过 -e 调整。对于插入片段短于读长的情况，接头会出现在读段内部，此时应使用 --times 允许多次切除，或对双端数据启用 --pair-filter=any 保证成对一致性。

cutadapt -j 8 \
  -a AGATCGGAAGAGCACACGTCTGAACTCCAGTCA \
  -A AGATCGGAAGAGCGTCGTGTAGGGAAAGAGTGT \
  -q 20 -m 36 -e 0.1 \
  -o clean_R1.fq.gz -p clean_R2.fq.gz \
  raw_R1.fq.gz raw_R2.fq.gz

fastp 则更进一步，可用 --detect_adapter_for_pe 自动检测双端接头，无需手工提供序列，适合接头未知或多样本混合的场景。但自动检测依赖足够多的短插入片段，若文库插入片段普遍偏长，检测灵敏度会下降，此时仍建议显式指定接头序列。

三、质量修剪：滑窗与逐碱基两种策略

Trimmomatic 的 SLIDINGWINDOW:4:20 表示以 4 bp 为窗口沿读段滑动，当窗口平均质量低于 Q20 时，从窗口起点切除其后所有碱基。这种策略对 3′ 端质量骤降非常有效，但窗口大小和阈值需要根据报告调整：窗口过小会因局部波动误切，过大则定位不精确。另一种策略是 LEADING 与 TRAILING，分别从 5′ 和 3′ 端逐碱基切除低于阈值的碱基，适合处理两端零星的低质量碱基。

fastp 默认启用滑窗修剪，窗口为 4、阈值为 Q15，可通过 -q 与 --cut_window_size 调整。其优势在于把质量过滤、长度过滤、接头去除和 polyG/polyX 修剪整合在一次遍历中，减少 I/O 开销。对于 NovaSeq 等平台常见的 polyG 伪影，fastp 的 --trim_poly_g 可自动识别并切除读段末端的连续 G。

四、过滤与去污染：把不合格读段挡在门外

修剪之后仍需过滤。常用判据包括：读段长度低于阈值（如 36 bp）、N 碱基比例过高（如 > 5%）、平均质量过低、以及低复杂度序列。Trimmomatic 用 MINLEN 控制最短长度，cutadapt 用 -m，fastp 用 -l。对于污染，若样本中混有 PhiX 对照或 rRNA，可用 bowtie2 或 bwa 将读段比对到污染参考，再剔除比对上的读段；也可用 sortmeRNA 专门去除 rRNA。去污染应在去接头和质量修剪之后进行，避免接头序列干扰比对判断。

参数设定建议：先跑一轮不修剪的 fastp 生成报告，观察质量拐点和接头含量，再据此确定 -q、-l 和接头参数。不要直接套用他人流程中的固定值。

五、标准流程与结果判读

一个可复现的标准流程如下：

  1. 用 FastQC 或 fastp 对原始数据做质控，记录 Q30 比例、接头含量、读长分布。
  2. 去接头：优先用 fastp 自动检测，或 cutadapt 显式指定接头。
  3. 质量修剪：滑窗阈值 Q20，窗口 4；必要时补充 LEADING/TRAILING。
  4. 长度与 N 过滤：最短读长 36 bp，N 比例上限 5%。
  5. 去污染：比对到 PhiX/rRNA 参考，剔除命中读段。
  6. 再次质控，确认 Q30 比例提升、接头残留低于 1%、读长分布合理。

结果判读时，重点看三个指标的变化：过滤后 Q30 比例应显著上升；接头残留应降至 1% 以下；可比对率不应因过度修剪而明显下降。若过滤后读段数骤减超过 30%，需回查阈值是否过严。最终产出的 clean FASTQ 应保留原始读段标识，便于后续比对和定量时追溯。

常见误区：把质量过滤等同于“全部切到 Q30”。实际上，Q20 已能满足多数比对工具的要求，过度追求高 Q 值会大量截短读段，反而降低有效数据量。参数应服务于下游分析目标，而非追求单一指标最优。

综上，读段质量控制与过滤工程的关键不在于记住某个工具的固定命令，而在于理解“接头—质量—长度—污染”四类问题的成因与判据，并根据质控报告动态调整参数。Trimmomatic 适合已有成熟流程的批量处理，cutadapt 在接头匹配上更精细，fastp 则以一体化和速度见长。三者可单独使用，也可组合成“fastp 初筛 + cutadapt 精修 + 去污染”的流水线，具体取决于数据特征与分析需求。

← 上一章 📖 返回目录 下一章 →