甲基化测序数据质量控制3步怎么做？

引言Introduction

甲基化测序数据质量控制，是甲基化研究能否进入下游分析的第一道门槛。原始数据里如果有低质量碱基、接头污染、样本混淆或位点偏倚，后面的差异甲基化分析都会失真。先做对质控，再谈甲基化结论。

1. 第一步：先看原始读段，确认数据是否可用

1.1 FASTQ格式和Q值是基础

甲基化测序数据通常从FASTQ文件开始。每条read由四行组成，包含序列信息和质量值。对这类数据，最先要看的是碱基质量。课程中强调，Q30代表准确率99.9%，是常用的质量判断线 。Q20则约为99%。

如果原始读段中低质量碱基比例高，后续比对会下降，甲基化位点也更容易产生假阳性。对科研人员来说，先确认文件格式完整、读段长度一致、质量值分布合理，是最基本的起点。

1.2 用FASTQC快速筛查核心问题

质量控制的第一步，通常是用FASTQC对原始FASTQ做批量检查。重点看这些指标：

• 序列长度分布
• GC含量
• 碱基质量分布
• 序列重复水平
• 接头污染
• N碱基比例

碱基质量图中绿色区域越稳定，说明数据越可靠。
如果发现某一端质量明显下降，说明可能需要在后续清洗中截断低质量片段。

1.3 不要忽视重复率和N含量

课程内容提到，sequence duplication levels经常会出现异常，但并不一定直接等于失败。甲基化测序本身也可能因为扩增偏倚产生较高重复率，因此不能只看单一指标下结论。

更值得关注的是：

1. N碱基过多，说明测序不确定性高。
2. 读段长度分布异常，可能提示建库或测序问题。
3. 接头污染明显，会影响比对和甲基化判定。

这一阶段的目标不是“美化数据”，而是判断数据是否值得进入下一步。

2. 第二步：过滤低质量序列，保留可分析读段

2.1 从raw data到clean data

甲基化测序数据质控不只是“看报告”，更重要的是清洗。课程提到，数据处理通常经历QC和filter两个阶段。也就是说，先检测，再过滤。

过滤时要去掉：

• 低质量碱基过多的read
• 含大量N的read
• 接头污染read
• 长度过短的read
• 明显异常的reads

这样才能把raw data转成clean data，为后续比对提供稳定输入。

2.2 甲基化数据对清洗更敏感

和普通转录组不同，甲基化测序数据往往还会涉及重亚硫酸盐转化。未甲基化的胞嘧啶会转化成尿嘧啶，PCR后表现为T；甲基化的C则保持不变。这个机制决定了，任何额外的测序误差都可能被误读成甲基化变化。

因此，清洗时要尽量保留真实信号，去除技术噪音。否则，下游看到的差异位点，可能只是质量问题，而不是生物学差异。

2.3 批量处理更适合真实项目

课程还提到，多样本FASTQ可以用循环命令批量质控，并通过参数指定输出路径和线程数。对实际项目来说，这一点很重要。因为甲基化课题通常样本量不止1个，批量化处理可以减少人工错误，也便于统一标准。

建议形成固定流程：

1. 统一命名样本文件。
2. 批量运行质控。
3. 汇总关键指标。
4. 记录过滤前后样本数量。

这样才能保证每个样本处于同一分析标准下。

3. 第三步：做样本层面的评估，排除离群和混淆

3.1 甲基化项目必须看样本结构

进入样本层面后，质控重点就从“读段”转向“样本”。在甲基化研究中，样本是否离群，往往比单个碱基质量更能影响结论。尤其是肿瘤与正常组织比较时，样本混淆会直接影响差异甲基化结果。

课程中的TCG测序数据质控部分，给出了一个很典型的思路：先过滤离群值样本，再检查剩余样本是否有配对关系，最后再进入可视化和聚类评估。

3.2 常用的样本评估方法

在样本层面，常见的评估手段包括：

• 箱线图，检查表达或甲基化分布是否整齐
• 密度图，查看分布是否一致
• PCA图，观察Tumor和Normal是否能分离
• 距离矩阵和聚类图，分析样本是否聚在合理组别

PCA是最直接的样本结构检查工具之一。
如果正常组和肿瘤组完全混在一起，先别急着解释生物学机制，应该先回头检查样本、批次和清洗流程。

3.3 结合样本信息做精细筛查

课程案例中还提到，要根据患者ID统计样本数量，保留有配对样本的数据。这对甲基化研究很关键。因为配对设计能减少个体差异，提高统计效率。

实际操作中，建议重点检查：

1. 样本分组是否清楚。
2. 是否存在重复样本或漏标。
3. 配对样本是否齐全。
4. 是否有离群样本需要剔除。

样本层面的质量控制，决定了后续差异甲基化分析是否可信。

4. 甲基化测序数据质控后，如何进入下游分析

4.1 质控通过后，再看位点和分布

当read质量、过滤流程和样本结构都没问题后，才适合进入比对、位点提取和差异分析。此时可进一步检查甲基化位点覆盖度、样本间一致性以及目标区域分布。

如果研究的是候选基因甲基化，通常会结合重亚硫酸盐测序、甲基化特异性PCR或焦磷酸测序。课程内容指出，焦磷酸测序常被视为甲基化检测中的金标准之一。
但无论哪种方法，前提都是前面3步质控要稳。

4.2 质量控制不是一次性动作

甲基化测序数据质量控制不是只做一次FASTQC就结束。它应当贯穿整个流程：

• 原始数据阶段看读段质量
• 清洗阶段看过滤效果
• 样本阶段看分组和聚类
• 下游阶段看覆盖度和一致性

这种层层把关，才能避免“前面省一步，后面全返工”。

4.3 让流程标准化，才更适合科研复现

对医学生、医生和科研人员来说，最有价值的不是某个单一工具，而是标准化流程。只要流程固定，结果就更容易复现，也更适合发表和答辩。

甲基化测序数据的核心，不是追求看起来“很干净”，而是保证每一步都能对应真实生物学信息。

总结Conclusion

甲基化测序数据质量控制可以概括为3步。第一步看原始FASTQ，确认碱基质量、接头污染和重复率。第二步做过滤，去掉低质量和异常读段，生成clean data。第三步看样本结构，通过箱线图、密度图、PCA和聚类图排除离群和混淆。只有这样，后续的甲基化位点分析才更可信。

如果你希望把这套流程直接落地到项目里，可以结合解螺旋品牌的课程和实战代码模板 ，把甲基化测序数据的质控、清洗和可视化一步步标准化，减少试错成本，提高分析效率。