一、FastQC简介
FastQC是一款快速、高效的质控工具,可帮助我们评估测序数据的质量并识别潜在问题。它是以Java编写的,可以接收针对Illumina,Ion Torrent和PacBio平台的fastq格式数据文件作为输入数据。
其主要评估几个方面:
- 每个碱基的质量值分布情况
- 序列数及序列长度的分布
- 含有低质量序列的数量和比例
- 序列中存在的复杂序列(如接头、引物等)
- 碱基组成
FastQC评估后将生成一个HTML文件,我们可以通过可视化页面来查看各项统计值、图表和直方图,以便进行数据质量控制和处理。
二、安装与使用
FastQC是一个开源工具,可以从其官网(http://www.bioinformatics.babraham.ac.uk/projects/fastqc/)下载并安装。在Windows系统上,仅需使用双击安装。在Linux系统中,您可以使用命令行安装,在命令行输入:
wget https://www.bioinformatics.babraham.ac.uk/projects/fastqc/fastqc_v0.11.9.zip
unzip fastqc_v0.11.9.zip
chmod 755 FastQC/fastqc
sudo ln -s /path/to/FastQC/fastqc /usr/local/bin/
安装后,在Linux中可以使用以下命令运行FastQC:
fastqc input_file.fastq
其中,input_file.fastq是要进行质量控制的数据文件。对于Windows用户,可以使用图形用户界面(GUI)。
三、FastQC报告解读
1、序列质量分析
序列质量分析主要评估每个碱基的质量得分,并以直方图和误差率图表现出来(Phred质量得分越高代表越好)。FastQC报告中一些常见的输出图表包括:
- 碱基质量分布曲线:该图表显示每个碱基的平均质量值,并用不同颜色的方块表示质量的不同水平,以便预测序列中的错误率。
- 碱基质量箱形图:该图表显示每个碱基质量值分布的范围,可以帮助检测到低质量碱基,通常标记为红色。
2、序列长度分析
序列长度分析绘制序列长度的直方图,该直方图显示序列在数据集中的长度分布。如果序列长度差距很大,则可能存在样品污染、文库制备问题或其他技术问题。
3、错误分析
错误分析检测存在可疑碱基和错误类型,以及检测到的序列和碱基的分段,突变及其长度。FastQC包括一个序列错误分类表,其中列出了四种可能的错误类型:替换错误、插入错误、删除错误和N错误。
四、FastQC使用示例
1、下载数据集并进行解压
wget https://ftp.sra.ebi.ac.uk/vol1/fastq/SRR097/SRR097977/SRR097977_1.fastq.gz
gunzip SRR097977_1.fastq.gz
2、安装FastQC
Linux下安装过程请见第二部分的说明。
3、运行并生成HTML质量报告
fastqc SRR097977_1.fastq
FastQC将生成一个HTML报告,可以用任何浏览器打开。
总结
FastQC是评估测序数据质量的最好工具之一,它提供了方便的可视化报告。我们可以根据报告来决定是否需要进行后续的数据质量控制和处理。