测序reads是什么？5个核心要点解析

引言Introduction

测序reads是二代测序和单细胞分析中最基础的结果单位。很多初学者看得到reads数，却不知道它代表什么、能否直接比较、以及如何影响表达定量。理解测序reads，是读懂测序报告和后续分析的第一步。

1. 测序reads到底是什么

1.1 从“片段序列”理解reads

测序reads，本质上就是测序仪读出来的一段段短序列。 在二代测序中，样本先被打断成很多小片段，再进行测序。每一段被读取到的序列，都可以看作一个read。

在RNA测序里，reads来源于cDNA片段。RNA先去除rRNA，再打断mRNA，逆转录成cDNA，最后进入测序流程。对研究者来说，reads不是抽象概念，而是后续做比对、定量、差异分析的最小数据单元。

1.2 reads和表达量不是同一个概念

reads多，不等于真实表达一定高。 因为reads数量受多个因素影响，包括基因长度、测序深度、文库质量和比对效率。

例如，同一样本中，较长的基因往往会被打断成更多片段，产生更多reads。若不做标准化，直接比较不同基因的reads数量，容易得出偏差结论。

2. reads是怎么产生的

2.1 二代测序的核心原理

二代测序的核心是“边合成边测序”。在DNA合成过程中，系统通过荧光信号识别每次加入的碱基，从而得到序列信息。这个过程依赖大规模平行测序，所以能同时读取大量片段。

简而言之，reads是测序仪把样本片段“读出来”的结果。 这也是NGS高通量的基础。

2.2 从RNA到reads的完整路径

在RNA-Seq中，样本通常要经历以下步骤：

1. 去除rRNA。
2. 打断mRNA。
3. 随机引物逆转录成第一条cDNA。
4. 合成第二条DNA。
5. 加接头，完成建库。
6. 扩增并上机测序。
7. 生成原始reads。
8. 比对到参考基因组。
9. 进行表达定量。

这个流程决定了reads并不是“天然存在”的，而是实验和计算共同生成的结果。

3. 为什么reads不能直接拿来比较

3.1 基因长度会影响reads数量

同一个样本中，不同基因的reads数不能直接比较。原因很简单。基因越长，随机打断后得到的片段通常越多，被测到的概率也更高。

这意味着，一个reads更多的基因，不一定就是更高表达，只可能是它更长。

3.2 测序深度也会影响reads数量

同一个基因在不同样本中的reads数，也不能直接比较。因为样本间测序深度不同。深度越深，被随机抽中的机会越大，reads就可能更多。

因此，分析时通常需要做标准化处理。常见思路是同时校正基因长度和测序深度，再比较样本间表达差异。不校正就比较，结论往往不可靠。

3.3 文库质量也会改变reads分布

如果样本RNA完整性较差，建库效果会受影响。上游知识库提到，RIN值是判断RNA完整性的关键指标，通常RIN大于9，说明RNA降解较少，更适合建库测序。

样本质量决定reads质量。 这一点在临床样本、石蜡包埋样本和低起始量样本中尤其重要。

4. 读懂测序reads要看哪些核心指标

4.1 reads数只是第一步

很多人只看总reads数，但这远远不够。真正有分析价值的，是reads后的多个质量指标。

常见关注点包括：

• 原始reads数。
• 比对率。
• 唯一比对reads比例。
• 重复序列比例。
• 覆盖深度。
• 每个基因的read count。

总reads高，不代表结果一定好。 如果比对率低，或者大量reads落在低复杂度区域，数据仍可能不理想。

4.2 read count和表达定量的关系

在表达分析中，read count是最常见的定量结果。它表示某个基因被比对到的reads数量。随后还需要结合标准化方法，得到可比较的表达矩阵。

对于科研人员来说，这一步非常关键。因为后续差异表达、富集分析、细胞亚群比较，几乎都建立在read count或其标准化结果之上。

4.3 比对结果决定reads能否被利用

测序得到的短序列，需要比对到参考基因组或参考转录组。常用软件包括Hisat2和STAR。只有成功比对的reads，才真正进入后续定量和生物学解释。

如果比对率偏低，要优先排查参考基因组版本、样本污染、RNA质量和建库过程，而不是直接进入下游分析。

5. 测序reads在实际研究中怎么用

5.1 读取研究问题的入口

reads不是终点，而是入口。它帮助研究者回答三个基础问题：

• 样本里有哪些转录本被测到。
• 这些转录本大致有多少。
• 样本间表达差异是否存在。

对于单细胞测序，reads进一步支撑细胞类型注释、亚群识别和稀有细胞检测。对于bulk RNA-Seq，reads常用于差异表达和通路分析。

5.2 什么时候更应该关注reads质量

以下几类场景要特别关注：

1. 低丰度转录本检测。
2. 稀有细胞群识别。
3. 临床样本RNA质量不稳定。
4. 石蜡包埋组织分析。
5. 需要发现融合基因、SNP、INDEL等变异。

reads质量越稳定，结果越可信。 这也是高质量测序服务和规范化分析的重要价值。

5.3 测序与芯片的思路差异

上游知识库提到，RNA-Seq可检测新转录本、基因融合和多种变异，动态范围更大；而芯片在定量上更成熟，流程更简单。若研究目标是探索未知变化，测序更合适。若更强调成熟定量和简单流程，芯片也有优势。

这说明reads的价值，不只是“有多少”，更在于它能支持什么研究目标。

6. 研究者该如何正确看待测序reads

6.1 先看质量，再看数量

先看比对率、RIN值、文库质量，再看reads数量。 这是更专业的判断顺序。只盯着reads总数，很容易忽略前处理问题。

6.2 先做标准化，再做比较

无论是不同基因之间，还是不同样本之间，都要先校正长度和深度差异。否则reads高低的比较没有统计学意义。

6.3 结合研究目的解释结果

如果目的是找差异表达，就关注标准化后的表达矩阵。
如果目的是发现新转录本或融合事件，就要重视reads覆盖和比对模式。
如果目的是单细胞分群，就要关注每个细胞的有效reads和捕获效率。

reads的解读必须回到研究问题本身。 这才符合E-E-A-T意义上的专业分析。

总结Conclusion

测序reads是测序仪读取到的短序列片段，也是RNA-Seq和单细胞分析中最基础的数据单元。它能反映样本中的转录信息，但不能脱离基因长度、测序深度和样本质量单独解读 。真正专业的做法，是先看质控，再看比对，再做标准化定量。

如果你正在做测序设计、结果解读或论文写作，建议把reads理解成“起点”而不是“结论”。想更高效地完成测序数据分析，可以关注解螺旋 ，获取更适合科研场景的测序分析支持与品牌服务。