RNA-seq报告解读：原始数据以及数据产出统计

1、原始测序数据

高通量测序得到的原始图像数据文件经碱基识别（Base Calling）分析转化为原始测序序列，称之为 RawData 或 RawReads，结果以 FASTQ （简称为fq）文件格式存储，其中包含测序序列（reads）的序列信息以及其对应的测序质量信息。FASTQ 格式文件中每个 reads 有四行描述，如果测序错误率用 E 表示，Illumina 的碱基质量值用 Qphred 表示，通过公式 Qphred=-10*log10(e) 转化得到，e 表示碱基测序错误率。从测序仪下机的高通量测序数据存在部分测序错误的碱基，这是由测序仪本身、测序试剂、样本等多个因素共同作用导致的。通常测序片段前端几个碱基和末端的错误率会偏高，这是由于测序起始仪器不稳定及测序中化学试剂的消耗导致的。一般情况下，每个碱基位置的测序错误率都应该低于 1%，也就是 Phred 分值大于 Q20。

Illumina测序错误率与测序质量值简明对应关系表

2、数据产出统计

通过Illumina平台，得到了大量的样本双端测序数据。鉴于数据错误率对结果的影响，我们采用Trimmomatic软件对原始数据进行质量预处理，并对整个质控过程中的reads数进行统计汇总。   

质量预处理步骤：   

（1）去接头（Adaptor）；   

（2）去除低质量 Reads；   

（3）从3’端及5‘端以不同方式去除低质量碱基；   

（4）统计原始测序量，有效测序量， Q30， GC 含量，并进行综合评价。

测序数据质量预处理结果一览表如下：

表格说明：
（1）Sample：样本名称 ；
（2）raw_reads：原始reads数目；
（3）raw_bases：原始测序量，即碱基数目；对于绝大部分物种来说，转录组测序6G数据量，全转录组测序12G数据量即可。
（4）clean_reads：过滤后得到的clean reads数目；
（5）clean_bases：过滤后得到的测序量，碱基数目；
（6）valid_base：有效碱基百分比；
（7）Q30：raw_bases中Qphred数值大于30的碱基占总体碱基的百分比；Q30（即碱基错误识别率为0.1%）的值越大越好，一般不能低于80%。
（8）GC：clean bases中G和C的数量总和占总的碱基数量的百分比。