fastqc结果判读（2018-05-25）

转自 https://blog.csdn.net/gateswell/article/details/78858579

使用的是raw date数据，数据质量还是比较好的，不过要进一步用还是需要过滤。

拿到原始数据后我们采用fastqC程序进行质控，看原始数据质量情况，fastqC会生成一个html结果报告，根据图形化界面，我们可以判断下机数据情况是否符合分析要求，fastqC总结如下：

FastqC有3种结果：绿色代表PASS；黄色代表WARN；红色代表FAIL。

当出现黄色时说明需要查看结果。

Basic statistics是该fastq一些基本信息，主要有

数据基本信息

Filename:文件名

File type: 文件类型

Encoding：测序平台的版本和相应的编码版本号，用于计算Phred反推error P时用

Total Sequences: 输入文本的reads的数量

Sequence length: 测序长度

%GC: GC含量，表示整体序列的GC含量，由于二代测序GC偏好性高，且深度越高，GC含量会越高。

数据质量

（最主要看得数据信息）

横轴为read长度，纵轴为质量得分，Q = -10*log10（error P）。

柱状表示该位置所有序列的测序质量的统计，柱状是25%~75%区间质量分布，error bar是10%~90%区间质量分布，蓝线表示平均数。一般要求所有位置的10%分位数大于20，即大于最多允许该位置10%的序列低于Q20。当任何碱基质量低于10，或者任何中位数低于25报WARN,需注意；当任何碱基质量低于5或者任何中位数低于20报FAIL。这个结果相对来说还是比较好的。

tail测序情况

每个tail测序情况，横轴表示碱基位置，纵轴表示tail的index编号，这个图主要是为了防止在测序过程中某些tail受到不可控因素的影响而出现测序质量偏低，蓝色表示测序质量很高，暖色表示测序质量不高。

当某些tail出现暖色，在后续的分析种把该tail测序结果全部去除。

横轴表示Q值，纵轴表示每个值对应的read数目，当测序结果主要集中在高分中，证明测序质量良好。

横轴为碱基长度分布，纵轴表示百分比，图中4条线分别代表A，C，T，G在每个位置上的平均含量。由于测序平台及测序长度不同，以及测序仪开始状态不稳定经常出现前后波动情况。

横轴表示GC含量，纵轴表示不同GC含量对应的read数，蓝色为程序根据经验分布给出的理论值，红色是真实值，当红色出现双峰是表示混入了其他DNA序列。

当出现测序仪不能分辨的碱基时会产生N，横轴为碱基分布，纵轴为N比率，当任一位置N的比率超过5%报WARN，超过20%报FAIL。

理论上每次测序仪测出的read长度时一致的，但是由于建库等因素通常会导致一些小片段，如果报FAIL，表明此次测序过程中产生的数据不可信。

统计序列完全一致的reads的频率，横轴表示重复的次数，纵轴表示重复的reads的数目。一般测序深度越高，越容易产生一定程度的重复序列。

当有某个序列大量出现时，超过总reads数的0.1%时报WARN，超过1%时报FAIL。

横轴表示碱基位置，纵轴表示百分比。当fastqc分析时没有选择参数-a adapter list时，默认使用图例中的4种通用adapter序列进行统计。若有adapter残留，后续必须去接头。

重复短序列出现的次数，这个是没有经过clean的数据。

具体可像原文所说，查看具体信息：http://www.bioinformatics.babraham.ac.uk/projects/fastqc/Help/