1.2 FASTQ 四行结构与 Phred 质量值

1.2 FASTQ 四行结构与 Phred 质量值

本节摘要：FASTQ 是测序数据的标准容器：四行一条记录，碱基行与质量行逐字符对应。本节拆解每行的含义，讲透 Phred 质量值的对数本质——Q20 等于 99% 的碱基正确率——并用脚本统计一份真实文件的长度分布与质量分布。

先看一条真实的记录

一份 FASTQ 打开来是这样四行：

@A00689:123:HTLKWDSX3:1:2101:1000:1000 1:N:0:ATCACG
GATCGGAAGAGCACACGTCTGAACTCCAGTCACTGACCATGATCTCGTATGCCGTCTTCTGCTTG
+
FFFFFFFF:FFFFFF,F:FFFFF:FFFFFFFFFFFFFFFFFF,F:FFFFFFFFFFFFFFFFFFF:F
​

四行的分工必须像背口诀一样清楚。行首 @ 加读长标识符：仪器编号、流动池编号、通道（lane）、坐标（tile、x、y），这套坐标能唯一定位一个簇，排查批次问题时非常有用；冒号后的 1:N:0:ATCACG 表示这是双端里的第一条、未通过过滤标记、控制位为零、样本条码是 ATCACG。第二行是碱基本体，只含 A、C、G、T 和 N（识别不出的碱基）。第三行以 + 开头，通常重复标识符，也可以只写一个加号。第四行是质量行，每个字符对应第二行同位置的一个碱基。

质量行的字符看着杂乱，是因为它把数字编码成了可见字符：把 Phred 分数加上 33，再取对应的 ASCII 字符。字符 F 的 ASCII 码是 70，减去 33 得到 37，即 Q37。

Phred 值：用对数刻度表达出错概率

Phred 质量值的定义是 Q = -10 × log10(P)，其中 P 是这个碱基判错的概率。对数刻度的好处是能用小范围的数字覆盖极大的概率跨度：Q10 对应 90% 正确率（十次错一次），Q20 对应 99%（百次错一次），Q30 对应 99.9%（千次错一次），Q40 对应 99.99%（万次错一次）。每提高 10 分，错误率降一个数量级。

行业里默认的及格线是 Q30：一条 150 bp 的读长若全部碱基达到 Q30，整条读长至少 86% 的概率完全无误。这就是为什么测序报告总把"Q30 比例"当核心指标——人类全基因组测序通常要求 85% 以上的碱基达到 Q30。变异检测对质量更敏感，低质量碱基混进来会直接变成假阳性位点。

图：一条读长的质量分布与 Phred 标尺

质量曲线为什么长这样

典型 Illumina 数据的质量分布有个固定形状：前几个位置质量很高但略有波动（簇生成刚结束时信号尚不稳定），中段缓慢下滑（荧光串扰与相位漂移逐轮累积），尾段加速下跌（试剂耗尽、信号衰减）。这个形状解释了两件事：其一，为什么质控总是盯着尾部——那里的碱基最不可靠；其二，为什么读长是平台设计出来的参数而不是越长越好——把读长从 150 加到 200，多出来的 50 个碱基大多落在低质量区，得不偿失。

Nanopore 的质量分布不同：整体偏低且均值多在 Q10 到 Q20 之间，但它靠多层一致序列（consensus）把最终精度拉回来。平台的质量模型不同，质控策略就不能照搬，这是 1.3 节平台对照的伏笔。

动手统计一份 FASTQ

光看不练记不住。用一段 Python 把上文的概念全算一遍——碱基长度分布、逐位置平均质量：

import gzip

lens, qual_sum, n = {}, [0]*150, 0
with gzip.open("sample_R1.fastq.gz", "rt") as fh:
    for i, line in enumerate(fh):
        if i % 4 == 1:                       # 碱基行
            lens[len(line.strip())] = lens.get(len(line.strip()), 0) + 1
        elif i % 4 == 3:                     # 质量行
            for j, ch in enumerate(line.strip()):
                qual_sum[j] += ord(ch) - 33  # ASCII 减 33 还原 Phred 值
            n += 1

print("读长长度分布(前5):", sorted(lens.items(), key=lambda x:-x[1])[:5])
print("逐位置平均质量(每30bp取样):",
      [round(q/n, 1) for q in qual_sum[::30]])
# 预期输出示例：
# 读长长度分布(前5): [(150, 2950423), (149, 8211), (148, 3120), ...]
# 逐位置平均质量(每30bp取样): [37.2, 36.8, 35.9, 33.4, 28.1] —— 尾段明显下滑
​

这段脚本就是 FastQC 这类质控工具的核心逻辑。跑一遍你会发现：长度分布通常高度集中在 150；平均质量从 37 一路滑到 28 上下。2.1 节会把这些统计扩展成完整的质控报告并决定怎么过滤。

容易踩的细节

FASTQ 有个历史遗留的格式分叉：老版 Sanger 标准里质量行从 33 起编码（Phred+33），早期 Solexa 标准从 64 起编码（Phred+64）。今天所有主流平台的交付都是 Phred+33，但网上下载的十几年前的旧数据可能还是 +64，直接混用会把 Q20 错算成 Q52 之类荒谬的数值。工具链里加一个格式探测步骤，成本极低，能省掉一天的排查。

另一个细节是质量行的字符不是"分数越高字符越靠字母表后面"那么直观——比如 # 是 Q2，I 是 Q40，~ 是 Q93。读报告时不用背表，记住 F 大约 37、尖括号区域低于 20 就够用。

两个补充细节：N 碱基与识别模型

碱基行里偶尔出现的 N（识别失败）也是信息。N 比例整体偏高说明信号层出了问题（弱簇、流动池气泡、试剂异常），逐位置统计 N 的分布还能定位具体的坏区域——比如某个通道的固定坐标反复出 N，基本可判是流动池局部缺陷。健康的人类全基因组数据 N 比例通常远低于千分之一，转录组数据略高也属正常。

另一个值得知道的底层事实：现代碱基识别已经从手工阈值进化成了深度学习模型——仪器厂商的识别软件用神经网络直接从原始信号（Illumina 的荧光图、Nanopore 的电流序列）解码出碱基与质量值，Nanopore 的碱基准确率近年从 92% 提到 99% 以上，主要就是靠识别模型的迭代重训，硬件几乎没动。这解释了一个现象：同一台老仪器配新版软件，数据质量能"免费"提升——质量值是模型的输出，不是物理常量。

下一节换一个维度：不同平台给出的读长差别有多大，又分别适合什么问题。