A001测序数据质量控制

service

1. 测序数据质量分布

如果测序错误率用e表示, Illumina HiSeq 2000/Miseq的碱基质量值用$Q_{phred}$表示,则有:$Q_{phred}=-10log_{10}(e)$。Illumina Casava 1.8版本碱基识别与Phred分值之间的简明对应关系见下表:

对于第二代测序技术,测序错误率分布具有两个特点,具体见图 1:
(1) 测序错误率会随着测序序列(Sequenced Reads)的长度的增加而升高,这是由于测序过程中化学试剂的消耗而导致的,并且为Illumina高通量测序平台都具有的特征。
(2) 前6个碱基的位置也会发生较高的测序错误率,而这个长度也正好等于在RNA-seq建库过程中反转录所需要的随机引物的 长度。所以推测这部分碱基的测序错误率较高的原因为随机引物和RNA模版的不完全结合所致。一般情况下,单个碱基位置的测序错误率应该低于1%。（只适用于RNAseq）

图1 测序错误率分布图

横坐标为reads的碱基位置, 纵坐标为单碱基错误率

2. clean fastq统计数据

样品测序产出数据质量评估情况详见表1。

表1 数据产出质量情况一览表

Sample: 样品名。
Raw reads: 统计原始序列数据,以四行为一个单位,统计每个文件的测序序列的个数。
Clean Paired reads: 达到质量标准的Paried-end测序片段。
Clean reads: 计算方法同 Raw Reads, 只是统计的文件为过滤后的测序数据。后续的生物信息分析都是基于Clean reads。
Filtered reads: 未能达到质量标准的测序序列个数。
Clean reads (%): 达到质量标准测序数据的百分比。
GC content: 计算碱基G和C的数量总和占总的碱基数量的百分比。

3. 重复reads统计 (DNA会省去此部分，例如：ChIP-seq, Exome-seq, 重测序)

样品测序产出数据重复测序片段评估情况详见表2。

表2 重复测序片段情况一览表

Sample: 样品名。
Clean reads: 统计质量过滤后序列数据, 以四行为一个单位,统计每个文件的测序序列的个数。
Dup. reads: 在测序数据中的，来自PCR及测序过程optical的重复序列，这部分序列是人工造成的，不会用到后续分析。
Uniq. reads: 在测序文库中，序列唯一的测序序列个数。
Dup. rate (%): PCR及测序过程optical的重复序列占总序列的百分比。

注意：对于双端测序（paired-end sequencing），此分析只包含过滤后双端符合质量要求的数据。

4. 分析方法

分析方法包括3部分：方法描述（中文版），方法描述（英文版）和引用文献。这部分会正式数据分析报告提供。