2.1 下机先体检：FastQC 质控与读长清洗

2.1 下机先体检：FastQC 质控与读长清洗

本节摘要：垃圾进，垃圾出——比对与定量不会修正坏数据，只会放大它。本节以 FastQC 报告为主线，讲清每个模块在体检什么、哪些报警可以忽略、哪些必须处理，并用 Trim Galike 类工具完成清洗。

为什么体检排在第一位

第 1 章说过，质量与接头这些数据特征是实验动作的投影。质控的目的不是"让数据变好看"，而是在投入昂贵的计算之前，先确认数据能支撑你想要回答的问题。同样的报警在两类项目里结论完全相反：转录组项目里 3 端接头残留是常态，剪掉就行；而宏基因组项目里出现大量接头残留，可能意味着上机浓度异常，要回头找实验员核对。

FastQC 的输出是一份 HTML 报告，十来个模块。要记住一个原则：它把每个模块标成 PASS/WARN/FAIL，但这些标记只是经验阈值，不代表对与错。真正要练的是看懂每个模块的图在画什么，再结合项目类型判断。

报告里的重点模块

基础统计模块（Basic Statistics）先看四个数：读长条数是否达到预期产量、读长长度分布、GC 含量比例、总体 Q30 占比。人类全基因组样本 GC 应在 40% 上下，明显偏高要怀疑扩增偏好或污染。

逐碱基质量模块（Per base sequence quality）是 1.2 节那张质量曲线的正式版：箱线图逐位置画出质量分布。中位数跌破 Q20 的区域就是候选剪切区。它是最该看的图，因为它直接决定后面怎么剪。

接头污染模块（Adapter Content）画各位置上接头序列的累积比例。350 bp 插入片段配 150 bp 读长理论上不该读到接头，若曲线在 120 bp 后开始爬升，说明插入片段偏短，必须剪切。overrepresented 序列模块列出异常富集的序列，通常是接头、rRNA 或引物二聚体。

GC 分布模块把观测 GC 含量分布与理论分布叠画。理论曲线是正态状的单峰；出现双峰往往意味着样本混入了另一种生物的 DNA（比如人类样本混了细菌），这是污染排查的重要线索。

图：FastQC 逐碱基质量模块的典型形态

动手跑一次质控

FastQC 接受单文件也接受批量；跑完用 MultiQC 把几十个样本的报告汇总成一张表，批量项目里这是标准动作。

# 单样本质控
fastqc sample_R1.fastq.gz sample_R2.fastq.gz -o qc/
# 批量样本汇总：把所有报告合成一份交互式网页
multiqc qc/ -o multiqc_out/

# 读取报告要点（MultiQC 的 fastqc_data.txt 已含各模块数据）
grep -A3 "Total Sequences" qc/sample_R1_fastqc/fastqc_data.txt
​

对照报告定清洗策略，用 Trim Galore（底层是 cutadapt）执行：

# 自动探测接头；--quality 20 剪尾部 Q20 以下碱基；--length 25 丢弃剪后过短的读长
trim_galore --quality 20 --length 25 --paired \
    sample_R1.fastq.gz sample_R2.fastq.gz \
    -o trimmed/
# 输出：sample_R1_val_1.fq.gz 与 sample_R2_val_2.fq.gz
# 日志会给出两个关键数：剪掉的碱基比例、被丢弃的读长比例
​

清洗后再跑一遍 FastQC 复查，确认接头曲线归零、质量箱线图整体抬升。两次报告都要留档——发文章时的数据处理部分，审稿人会要这张"清洗前/清洗后"的对照。

哪些报警可以放过

不是所有 FAIL 都要处理。RNA-seq 的逐碱基质量在尾部 FAIL 是常态，剪到中位数 Q20 以上即可；序列重复度偏高在 PCR 深度扩增的甲基化数据里也常见，交给后续去重步骤。反过来，GC 分布双峰、总产量远低于合同约定、read 内容出现未知富集序列，这三类必须停下去查样本与实验记录，清洗救不了它们。

批量项目的质控管理

多样本项目里，逐个翻 FastQC 报告效率太低，MultiQC 的汇总表才是工作界面。汇总视图能把几十个样本的关键指标排成一列，异常样本一眼跳出来：产量明显低于同批的、GC 偏离群体中心的、接头比例独高的。批量的意义还在于"横向对比"本身——单看一个样本的质量分布很难判断是样本问题还是批次问题，同批样本整齐划一地偏，多半是上机批次或建库批次的锅。

质控记录本身就是项目资产。报告与清洗参数随流程仓库归档，半年后审稿人问起"数据如何处理"，这份记录连同命令一起回执。第 4 章的 MultiQC 集成与报告自动化，会把这些动作固化进工作流。

清洗参数的取舍逻辑

剪切参数不是越狠越好，每一刀都要有理由。硬剪（固定剪掉尾部若干碱基）简单粗暴，适合整批数据质量曲线形状一致的场景；滑窗修剪（窗口内平均质量低于阈值就从那里剪断）更贴合质量下滑的渐进形态，是多数项目的默认选择。剪后最短长度（如 25 bp）是另一道闸：剪得太短读长的定位能力骤降，MAPQ 不可信，不如整条丢弃——丢弃比例超过百分之几就要在方法学里写明并解释。

参数选择的验证方式是对比：清洗前后的比对率、唯一比对率、目标区间覆盖度各跑一遍。理想状态是清洗后比对质量明显改善而读长损失有限；如果清洗后关键指标不升反降，说明剪过头了（或者问题根本不在质量，清洗救不了）。质控环节的所有判断都该这样闭环——参数改了，指标要给出回应，没有回应的参数改动一律撤销。另外把最终选定的参数与两次报告一起归档，方法学部分的表述就有着落了。

💡 关键直觉：质控报告的作用不是打分，而是回答"这份数据能不能回答我的问题"。带着问题看图，比背模块阈值有用得多。