NGS 数据分析入门：从 FASTQ 到变异检出

高通量测序（NGS）已经是分子生物学实验室的标配了。但从拿到测序数据到生成可用的分析结果，中间涉及多个处理步骤。本文整理了一个标准分析流程，适合刚开始接触 NGS 数据处理的同学。

第一步：理解 FASTQ 格式

测序仪下机的原始数据通常是 FASTQ 格式。一个 FASTQ 文件由四行一组构成：第一行是序列 ID（以 @ 开头），第二行是碱基序列，第三行是分隔符（+），第四行是质量分数（Phred score，编码为 ASCII 字符）。

拿到数据后第一件事是跑 FastQC，它会生成一份 HTML 报告，告诉你每碱基质量、GC 含量、接头污染情况等。这是判断数据好坏最重要的一步，不要跳过。

fastqc sample_R1.fastq.gz sample_R2.fastq.gz -o qc_reports/

第二步：接头去除与质控过滤

FastQC 报告通常会显示接头污染和低质量碱基的问题。使用 Trimmomatic 或 fastp 进行处理。我个人偏好 fastp，因为它快、输出的 JSON 报告方便后续做统计。

fastp -i sample_R1.fastq.gz -I sample_R2.fastq.gz \
      -o clean_R1.fastq.gz -O clean_R2.fastq.gz \
      --detect_adapter_for_pe -j fastp_report.json

第三步：参考基因组比对

将质控后的 reads 比对到参考基因组上。BWA 是最常用的比对工具，生成 SAM 格式的比对结果。然后用 samtools 转换为 BAM 并排序。人类基因组参考通常用 hg19（GRCh37）或 hg38（GRCh38），选择哪个取决于你的分析目的。

bwa mem -t 8 -R "@RG\tID:sample\tSM:sample" ref.fa \
      clean_R1.fastq.gz clean_R2.fastq.gz | \
    samtools sort -o sample.sorted.bam -

第四步：去重与重校准

PCR 扩增会引入重复 reads，导致变异等位基因频率计算偏差。用 Picard 或 samtools 的 markdup 功能标记（或移除）重复。GATK 的 BaseRecalibrator 可以对碱基质量分数进行经验性校正。

第五步：变异检出

根据不同应用场景选择不同工具：胚系变异用 GATK HaplotypeCaller 或 DeepVariant；体细胞变异用 Mutect2 或 VarScan2。检出后生成 VCF 文件，包含每个位点的基因型、等位基因频率和质量信息。

第六步：变异注释

VCF 文件里的变异信息很原始，需要用 Annovar 或 VEP（Variant Effect Predictor）进行注释，包括：该变异在哪个基因上、是否导致氨基酸改变、在人群数据库（gnomAD/1000G）中的频率、ClinVar 中的致病性分类等。

小结

NGS 分析是一个多步骤的管道工作，每一步都有多种工具可选。建议初学的时候先完整走一遍标准流程，理解每个步骤的目的和输出，再根据具体项目调整参数。别一上来就调参，先跑通再优化。