1. RNA-seq数据质量检查的必要性刚拿到测序数据时很多新手会迫不及待地直接开始差异表达分析。但根据我十年生信分析的经验跳过质量检查环节的RNA-seq分析90%都会在后期遇到各种诡异问题。上周就遇到一个案例用户抱怨DESeq2结果中基因数异常少最后发现是原始数据中存在大规模3端偏好性——这个问题如果在第一步做FastQC就能立即发现。RNA-seq数据检查的核心目标是识别三类问题测序质量问题如低质量碱基聚集实验设计问题如批次效应样本处理问题如rRNA污染2. 原始数据质量评估2.1 FastQC基础报告解读FastQC是最常用的初筛工具但很多人只会看通过/失败的标记。其实这些警告需要结合实验背景判断fastqc -o ./qc_report *.fastq.gz重点关注这些模块Per base sequence quality通常前几个cycle质量较低建库接头残留但若中间位置出现质量骤降如Q20以下可能需要截断处理Sequence duplication levels20%的重复率可能提示PCR过度扩增Overrepresented sequences高频序列可能是接头污染比对时需特别处理经验FastQC的HTML报告用MultiQC聚合查看更高效multiqc ./qc_report/ -o ./merged_report2.2 测序深度验证不同物种需要的reads数差异很大人类转录组通常需要30M reads/样本细菌转录组5-10M reads可能足够计算reads数的方法echo $(zcat sample.fastq.gz | wc -l)/4 | bc3. 比对质量评估3.1 比对率异常排查使用HISAT2比对后查看日志中的比对率76.32% overall alignment rate若比对率低于60%可能原因包括样本污染如细菌污染人类样本参考基因组版本不匹配大量接头序列未去除3.2 插入片段长度检查对于链特异性建库插入片段长度应符合预期分布。使用RSeQC工具检查geneBody_coverage.py -i bam_file -r hg38.bed -o output正常情况应呈现均匀覆盖若出现5或3端明显偏好可能提示RNA降解常见于临床样本建库过程中片段化不完全4. 表达矩阵质控4.1 样本间相关性检查推荐使用edgeR的CPM值做heatmaplibrary(edgeR) cpm - cpm(your_dge_object) cor_matrix - cor(cpm, methodspearman) heatmap(cpm)异常情况技术重复间相关性0.9 → 可能建库问题生物学重复间相关性0.99 → 可能样本混淆4.2 批次效应检测使用PCA图快速识别plotMDS(your_dge_object, colas.numeric(batch))若样本按批次明显聚类需要ComBat等工具校正5. 常见问题解决方案5.1 低质量碱基处理使用Trimmomatic动态修剪trimmomatic PE -phred33 \ input_1.fq.gz input_2.fq.gz \ output_1_clean.fq.gz output_1_unpaired.fq.gz \ output_2_clean.fq.gz output_2_unpaired.fq.gz \ LEADING:20 TRAILING:20 SLIDINGWINDOW:4:20 MINLEN:365.2 rRNA污染处理若发现30%的rRNA reads湿实验角度优化RNA提取流程如使用ribo-depletion试剂盒干实验角度先比对rRNA序列并过滤bowtie2 -x rRNA_index -1 sample_1.fq -2 sample_2.fq \ --un-conc-gz clean_reads_%.fq.gz /dev/null6. 实战案例小鼠肝脏转录组质检最近处理的一个真实案例数据原始数据6个样本平均25M readsFastQC显示3端质量普遍下降比对率82-85%正常范围PCA发现一个样本明显偏离其他重复处理过程使用cutadapt去除3端低质量部分该异常样本重新提取RNA并测序最终获得高质量差异表达结果关键教训质检阶段花费2天时间但避免了后续3周的重复实验和数据分析