17 RNA-seq 数据质控：解读 FastQC 报告中的“转录组特有信号”
17.1 【导语】万事之源：为何要这样做？
重要的事，再强调一遍，“垃圾进，垃圾出”。然而，在解读RNA-seq数据的质控报告时，我们必须建立一个更深层次的认知：与相对“纯粹”的全基因组测序（WGS）不同，转录组测序的文库构建过程——包括mRNA纯化、反转录、随机引物扩增等一系列生物化学反应——会不可避免地引入一系列“预期中的技术偏倚”。
因此，对RNA-seq数据进行质量控制，其核心任务不仅仅是检查测序仪在读长和碱基识别中产生的“技术错误”，更是一次对上游湿实验文库构建是否成功的“生物学侦察”。读懂FastQC报告中那些转录组特有的信号，是区分正常技术痕迹与真实数据质量问题的关键能力。
17.2 【核心实践】从原理到决策
17.2.1 【结果判读：Per base sequence content 的预期偏倚】
这是RNA-seq质控中最经典、最容易让新手陷入恐慌的“零踩坑”案例。
核心诊断指标：在一个标准的、基于随机引物扩增的RNA-seq文库中，FastQC报告的Per base sequence content图，通常会在前10到15个碱基位置，显示出四种碱基比例的剧烈波动与不均一性，甚至因此被FastQC软件标记为FAIL。
科学解释：这并非数据质量问题，而是一个由实验原理决定的“正常现象”。其根源在于，用于反转录第一链cDNA的随机六聚体引物（random hexamer primers），其与RNA模板的结合并非完全随机，而是存在一定的序列偏好性。这种偏好性导致了在测序读长的最前端（即引物结合端），我们观察到的碱基组成并非均等的25%，而是一种可预期的偏倚。看到这个“FAIL”，你不应恐慌，而应将其视为文库构建过程符合预期的信号之一。
17.2.2 【结果判读：Sequence Duplication Levels 的双重解读】
此图展示了在整个数据集中，序列完全一致的Reads的重复程度。对于这个指标的解读，必须结合生物学问题，避免一概而论。
指标解读：横轴代表重复水平，纵轴代表具有该重复水平的Reads的百分比。一条快速下降的曲线通常是理想的。
后果驱动：一个极高的序列重复率（例如，曲线在图的右侧依然很高，总重复率超过50%），可能暗示着两个潜在问题。其一是“文库复杂度低”，即初始的RNA样本量不足或降解严重，导致有效转录本分子种类少。其二是“PCR过度扩增”，在文库构建过程中进行了过多的PCR循环。这两种情况的直接后果，都是大量的测序资源被浪费在反复测定少数高表达基因的相同分子上，从而严重降低了对中低表达基因的检测能力。然而，在某些特殊情况下，例如靶向RNA-seq，由于只捕获特定的转录本，高重复率反而是预期的结果。
17.2.3 【结果判读：Overrepresented sequences 的“污染”信号】
此模块会列出在数据集中出现频率异常高的序列片段。它是一个直接的“污染”信号探测器。
核心诊断指标：这个列表中最常捕获到的“不速之客”，就是未能被完全去除干净的“测序接头”（Adapter）序列。如果列表中出现了已知的Adapter序列，且其占比很高，这便是一个明确的诊断信号：后续的数据清洗（Trimming）是绝对必要的。此外，在rRNA去除不彻底的文库中，这里也可能出现大量的核糖体RNA片段，这同样是需要警惕的信号。
17.3 【认知升维】常见的思维陷阱与对策
17.3.1 思维陷阱一：将RNA-seq的FastQC报告与WGS的生搬硬套
新手最常犯的错误，就是用解读WGS（全基因组测序）数据的标准，来评判RNA-seq的质控报告。他们看到Per base sequence content在前段出现偏倚并报FAIL，就草率地认为数据质量差，从而可能做出错误地过度修剪数据甚至丢弃数据的决定。
其对策是，必须建立“数据类型决定质控标准”的核心思维。要深刻理解，不同的高通量测序技术（WGS, RNA-seq, ChIP-seq, Bisulfite-seq等），由于其文库构建原理的根本不同，会在FastQC的各项指标上呈现出各自独特的、可预期的“正常模式”。
17.3.2 思维陷阱二：忽视rRNA污染
FastQC的Overrepresented sequences模块只能定性地提示可能存在rRNA污染，但它无法告诉你污染的严重程度。在真核生物细胞中，rRNA的丰度占总RNA的80%以上。如果rRNA去除步骤失败，那么你高达80%的测序数据量，都会浪费在这些没有生物学意义的分子上，这将极大地压缩你用于分析mRNA的有效数据量。
其对-策是，在完成初步的FastQC后，推荐使用RSeQC等更专业的RNA-seq质控工具，来对Reads在基因组不同元件（如外显子、内含子、基因间区、rRNA区域）上的分布进行定量评估。这是对rRNA污染程度进行精确诊断的必要补充。
17.4 【总结与拓展】构建你的思维框架
我们必须将RNA-seq数据质控的过程，视为一次严谨的“法医鉴定”。你不仅要像普通警察一样发现“伤口”（如低质量碱基、接头残留），更要像一位经验丰富的法医，能够根据“作案手法”（即文库构建的方法），来科学地解读那些看似异常、却完全在情理之中的“现场痕迹”（如预期的碱基偏倚）。这种基于实验原理的批判性解读能力，是区分新手与专家的重要标志。
基于此框架，请思考一个具有挑战性的启发性问题：如果你拿到的是一份靶向测序（Panel-based）的RNA-seq数据，即只针对几百个预先设计好的目标基因进行测序。你预期它的Sequence Duplication Levels会比我们今天讨论的普通mRNA-seq数据显著更高还是更低？为什么？基于这个预期，你又会如何调整你对这份特殊数据质控报告的整体解读策略？
探索生命科学前沿，提升实战技能！欢迎微信搜索并加入「生信实战圈」，获取最新技术干货、实战案例与行业动态。 点击关注，与同行一起成长！
