Skip to content

分析流程 › RNA-seq › 02 FASTQ QC

FASTQ 品質控制與修剪 (FASTQ QC & Trimming) ​

從壓縮 FASTQ 開始,檢查 reads 是否完整、paired-end 是否成對、base quality 是否合理,以及是否需要 adapter trimming 或 quality trimming。

FASTQ 格式 ​

FASTQ 每條 read 四行(名稱、序列、+、品質字串),品質以 Phred+33 編碼:Q20 ≈ 1% 錯誤、Q30 ≈ 0.1%。格式細節見 FASTQ,品質分數見 鹼基品質分數。

原始資料檢查 ​

輸入資料:

  • *.fastq.gz
  • sequencing facility 提供的 md5 或 checksum
  • sample sheet 或 metadata

輸出資料:

  • read 前幾行檢查
  • 每個 FASTQ 的 read 數
  • checksum
  • paired-end read id 對應檢查
bash
# 看第一筆 read。zcat 適合 .fastq.gz。
zcat data/raw/sample_R1.fastq.gz | head -n 8

# FASTQ 行數應為 4 的倍數;read 數 = 行數 / 4。
zcat data/raw/sample_R1.fastq.gz | wc -l

# seqkit 可以更快整理每個 FASTQ 的 read count、length 與 GC。
seqkit stats data/raw/*.fastq.gz

# 完整性檢查:和資料來源提供的 md5 比對。
md5sum data/raw/*.fastq.gz > results/md5sum.txt

# paired-end 是否成對:R1/R2 read id 的主要部分應一致。
paste \
  <(zcat data/raw/sample_R1.fastq.gz | sed -n '1~4p' | sed 's/[ /].*//') \
  <(zcat data/raw/sample_R2.fastq.gz | sed -n '1~4p' | sed 's/[ /].*//') |
awk '$1 != $2 {print; exit 1}'

注意:FASTQ 檔案不完整常見症狀是 gzip EOF error、行數不是 4 的倍數、R1/R2 read 數不同,或 paired read id 不匹配。

FastQC 與 MultiQC ​

FastQC 對單一 FASTQ 產生 quality report;MultiQC 把多個 FastQC、fastp、samtools、STAR、featureCounts 等報告彙整成一份總覽。

完整 script:

bash
bash scripts/fastq_qc.sh data/raw results/01_fastq_qc

scripts/fastq_qc.sh 會建立:

  • results/01_fastq_qc/fastqc/*_fastqc.html
  • results/01_fastq_qc/fastqc/*_fastqc.zip
  • results/01_fastq_qc/multiqc/multiqc_report.html
  • results/01_fastq_qc/checksums/md5sum.txt

FastQC per-base sequence quality

圖 1. Per-base sequence quality 示意圖。RNA-seq read 末端品質下降很常見;若大量 base 低於 Q20,才需要考慮 quality trimming 或重新評估上機品質。

FastQC 模組判讀 ​

Module看什麼RNA-seq 常見情境何時需要處理
Per base sequence quality每個 read position 的 Q scoreread 末端下降常見長尾嚴重低品質、整體偏低
Per sequence quality scores每條 read 平均品質通常應集中在高分大量低品質 reads
Per base sequence contentA/C/G/T 是否在前幾個 cycles 偏移random priming 或 biased library 可能警告全長嚴重偏移需查 library
GC contentGC 分布物種與 transcriptome composition 會影響多峰、與預期物種差很多
Sequence duplicationduplicate level高表現基因會造成 RNA-seq duplication 偏高極端 duplication 需查 PCR 或低複雜度
Adapter contentadapter 是否出現短 insert library 常見明顯上升時 trimming
Overrepresented sequences高頻序列rRNA、adapter、poly-A 或高表現 transcriptadapter/rRNA 污染需處理
Sequence length distributionread 長度分布trimming 後會變寬未預期長度混合需追查
N contentN 比例通常很低高 N 表示 base calling 問題

Adapter content

圖 2. Adapter content 在 read 末端上升的示意圖。短 insert 或 read-through adapter 會讓 adapter content 隨 position 增加。

重點:FastQC 的 warning 不是自動失敗。RNA-seq 高 duplication、前端 sequence content bias 或 GC 分布偏移有時是 library 或 transcriptome 的正常特性;adapter、嚴重低品質、過多 N 與檔案不完整才通常需要明確處理。

Adapter 與品質修剪 ​

移除 adapter、低品質 tail、poly-G/poly-X artifacts,並保持 paired-end reads 同步。

ToolStrengthNotes
fastp一支工具完成 adapter detection、quality trimming、poly-G trimming、HTML/JSON report適合教學與一般 PE RNA-seq
Cutadaptadapter 指定彈性高,適合特殊 adapter 或小 RNA常搭配其他 QC 工具
Trim GaloreCutadapt + FastQC wrapper,參數簡潔常見於 Illumina adapter trimming

完整 fastp 範例:

bash
bash scripts/fastp_trim.sh data/sample_metadata.csv . results/02_fastp_trim

重要參數:

ParameterMeaning
--detect_adapter_for_pe自動偵測 paired-end adapter
--cut_front --cut_tail從 read 前後端依品質修剪
--cut_mean_quality 20sliding window 平均品質門檻
--length_required 30trimming 後 read 最短長度
--trim_poly_g --trim_poly_x移除 NextSeq/NovaSeq 常見 poly-G 與 poly-X tail

腳本以 metadata 逐列讀取 sample、R1、R2,為每個樣本產生同步修剪的 R1 / R2,報告放在 reports/ 再用 MultiQC 彙整。工具細節見 FastQC、fastp。

注意:trimming 不是越多越好。過度 trimming 會讓 reads 變短、mapping ambiguity 上升,也可能造成 gene body coverage 或 isoform quantification 偏差。若 adapter content 很低且品質良好,可以只做 QC 不 trimming。

常見問題 ​

ProblemSymptomAction
FASTQ corruptedgzip: unexpected end of file重新下載或要求資料來源重傳
R1/R2 not synchronizedaligner 報 paired reads 不一致用原始 read id 檢查,必要時重新整理 pairs
Adapter remainsFastQC adapter content 高fastp/Cutadapt/Trim Galore
Too aggressive trimmingread length distribution 過短放寬品質門檻或最低長度
Low complexityoverrepresented sequences 多查 adapter、rRNA、PCR duplication