FastQC详解

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。