生信小白第11天-质控第二部

测试开头

今天是生信星球陪你的第11天

　你想找辆共享单车，发现满街都是别家车，没有一辆你能骑。

　　你想学点生信，搜了“初学者教程”，满眼尽是高大上，没有一句能看懂。

　　终于你跨越茫茫宇宙，来到生信星球，发现了初学者的新大陆！

前两天的海岛游让豆豆和花花放松了一下，接下来准备投入学习咯！为了心中的一个理想生活，拼一下~ 你问我家在向何方，我指着海岛的方向。

我们之前已经大概了解了质控的框架，包括原始数据如何质控，质控的意义，今天呢，我们来再次探讨一下质控中的种种解释。 [p.s. 很抱歉今天在火车上由于网络不好，不能放图解说]
我们使用fastqc得到的结果包括以下几部分：

Basic Statistics 基本统计
（我们通过看Encoding这一项能够知道数据采用何种方式编码：现在Illumina测序都采用了Phred33，因此会显示Illumina 1.8 +; 另外一般在它之前还显示Sanger是因为Sanger也是用的Phred 33模式）
(我们也可以看到测序的reads数，序列长度，GC含量主要信息)
Per base sequence quality 每个位置的碱基质量情况
(给我们一个直观的描述质量情况，但是要注意哦~这里显示的并不是一条read的情况，而是全部的综合描述)
Per sequence quality scores reads每个碱基平均质量频率分布
(只要大部分大于20就比较正常，一般比较好用的测序结果要求Q20 > 95%， Q30 > 85%)
Per base sequence content 每个位置上碱基比例分布
(小伙伴们都知道AT， CG配对吧，所以每个区间上的A应该接近T，C应该接近G，有差别的话也不能超过1%)
Per sequence GC content read的GC含量频率分布
(我们测序的操作是啥，不就是将DNA随机打断？所以测序越随机测的就越准确。GC含量就能够反应这一点。人类的GC含量一般为40%左右，如果发现了明显的偏差，那么就说明测序中有一些序列被反复测了太多次~这不行啊！让其他群众有意见啊！这样一来，下面的变异检测就要受到影响哦)
Per base N content 每个位置碱基是N的数量
(测序仪面对碱基，一脸懵懵的时候就是N，一般N在开头数量还是蛮多的，毕竟测序仪刚开始接触ATCG有点陌生)
Sequence length distribution 长度分布
Sequence duplication levels 序列重复
Overrepresented sequences
Adapter content 接头含量
（接头是测序是构建测序文库的时候加上的，目的有两个，一是能够带着目的测序序列结合到flowcell上，二是能在同时测定量大的起到区分的作用。当我们测的长度超过了待测片段长度时，位于待测片段两侧的接头就会被测到，这种情况多出现在RNA测序，因为RNA测序片段比较短）
Kmer content Kmer含量