数据的质量控制软件——fastQC

Summary 概要

本部分就是整个 告的目录，整个 告分成若干个部分。合格会有个绿色的对勾，警告是黄色叹 ，不合格是红叉。

Basic Statistics 基本信息

用箱式图的方式展示数据质量，图中X轴每1个位置，都是该位置的所有序列的测序质量的统计。纵轴是质量得分，Q =-10*log10(p)，p为测错的概率。所以一条reads某位置出错概率0.01时，其quality就是20。横轴是测序序列的位置。蓝色线是各个位置的平均值的连线。一般要求此图中，所有位置的10%分位数大于20,也就是常说的Q20过滤。

所以上面的这个测序结果质量很好。如果任何碱基质量低于10,或者是任何中位数低于25 警，如果任何碱基质量低于5,或者是任何中位数低于20 错。

这是为了检测一部分质量特别差的reads，如果有则会在图上出现多个峰，如在测序仪边缘的reads。纵轴是reads数目，横轴是质量分数，代表不同Phred值对应了多少的reads。

本图中，测序结果主要集中在高分中，证明测序质量良好。当峰值小于27（错误率0.2%）时警 ，当峰值小于20（错误率1%）时不合格。

图中红色曲线是实际的测序GC含量分布图，而蓝色曲线则是理论分布（正态分布，不过均值不一定都是50%，而是由平均GC含量推断的）。如果红色曲线形状存在比较大的偏差，往往是由于文库污染造成的。红色曲线越平滑越好，越接近蓝色曲线越好。形状接近正态但偏离理论分布的情况提示我们可能有系统偏差。偏离理论分布的reads超过15%时发出警 ，超过30%时 不合格。

每次测序仪测出来的长度在理论上应该是完全相等的，但是总会有一些偏差，如此图中，40bp是主要的，但是还是有少量的39和41bp的长度，不过数量比较少，不影响后续分析，当测序的长度有很大不同时，则表明测序仪在此次测序过程中产生的数据不可信，但对于某些测序平台，具有不同的read长度是完全正常的。当reads长度不一致时警告，当有长度为0的read时不合格。

如果有某个序列大量出现，就叫做over-represented。标准是占全部reads的0.1%以上。但是因为用的是Duplicate sequences前200,000条数据，所以有可能over-represented reads不在里面，参考意义不大。

这个图统计的是，在序列中某些特征的短序列重复出现的次数，我们可以看到11-14bp的时候图例中的短序列出现了非常多的次数，一般来说，出现这种情况，要么是adapter没有去除干净，而又没有使用-a参数；要么就是序列本身可能重复度比较高，如建库PCR的时候出现了bias。

更多详细信息参考fastQC使用说明：http://www.bioinformatics.babraham.ac.uk/projects/fastqc/

学习16S扩增子、宏基因组科研思路和分析实战，关注“宏基因组”