测序技术原理与数据产出

引言

所有生信分析的上游，都是一台测序仪把生物分子的化学信号转换成数字信号。理解这个转换过程，是理解下游所有数据特征的前提：为什么读段长度是 150 bp 而不是别的？为什么 FASTQ 里每个碱基都带一个质量值？为什么某些区域的覆盖度会异常高或异常低？这些问题的答案都藏在测序原理里。

很多工程师把测序数据当成「黑盒输入」，只关心格式对不对、能不能跑通工具。这在常规流程里没问题，但一旦数据出现异常（覆盖度不均、质量值崩塌、接头污染），缺乏原理认知的人只能盲目试错。相反，理解测序原理的人能立刻判断：这是文库制备的问题、测序仪的问题，还是数据本身就该如此。

这也是为什么理解测序原理是后续一切分析的地基——本文是 生物信息学工程全景 的展开，聚焦「数据从哪来」。掌握了它，你才能读懂下游 变异检测 里那些质量相关的字段为什么重要。

本文按「技术演进 → 测序原理 → 文库制备 → 数据格式 → 质量与深度 → 实验设计」的顺序展开。重点不是罗列所有测序平台，而是建立「化学信号 → 数字数据 → 质量指标」的因果链条。读完你应该能看懂一张测序报告的每一项指标，并判断它是否正常。

需要说明的是，测序技术迭代极快：Illumina 的 NovaSeq X 系列、Element 的 Aviti、华大智造的 DNBSEQ 都在快速演进。但底层原理（边合成边测序、质量值定义、接头结构）相对稳定，掌握原理比记住具体机型参数更有长期价值。

目录

1. 测序技术的三代演进
2. Illumina 边合成边测序原理
3. 文库制备与接头结构
4. 双端测序与插入片段
5. 质量值与 Phred 分数
6. 长读长测序：PacBio 与 Nanopore
7. 从 BCL 到 FASTQ 的数据产出
8. 测序深度、覆盖度与实验设计
9. 批次效应与常见测序异常

1. 测序技术的三代演进

测序技术按原理可分为三代，每一代解决上一代的特定瓶颈：

一代 Sanger 测序是 1977 年发明的，至今仍是验证金标准——临床上确认一个关键变异，仍会用 Sanger 复核。但它的通量太低（一次只能测一条序列），无法承担全基因组测序。

二代测序（NGS，Next-Generation Sequencing）的核心突破是「大规模并行」：把数百万条 DNA 片段同时固定在一个芯片上，边合成边读取，一次运行产出数十亿碱基。这带来了成本的指数级下降——人类全基因组测序成本从 2001 年的约 1 亿美元降到如今的约 200-600 美元，降幅超过 20 万倍，比摩尔定律还快。

三代测序（长读长）解决的是「短读无法跨越重复区」的问题。人类基因组约一半是重复序列，短读段无法确定它们来自哪一份拷贝，导致组装碎片化。长读长可以一次跨越几十 kb，直接穿越重复区，这是 2022 年 T2T（端粒到端粒）完成人类基因组最后 8% 空白的关键技术。

理解这三代的关系：不是替代，而是分工。高深度短读用于变异检测（准确、便宜），长读用于结构变异、组装、全长转录本（跨越重复、看全长）。

2. Illumina 边合成边测序原理

Illumina 是目前最主流的平台，其核心原理是「边合成边测序」（Sequencing By Synthesis, SBS）。整个过程可以拆成四步：

1. 建库：DNA 片段化 → 加接头 → 变性成单链
2. 成簇：单链结合到 flow cell，桥式扩增（bridge amplification）
        形成约 1000 个拷贝的克隆簇（cluster）
3. 测序：逐轮加入带荧光标记的可逆终止核苷酸
        每轮只掺入一个碱基 → 拍照 → 切荧光 → 继续
4. 读取：从荧光图像解析每个簇每轮的碱基，得到序列

关键在于「可逆终止子」这个化学设计：每个加入的核苷酸带一个可切除的荧光基团和一个可逆的阻断基团。阻断基团确保一轮只加一个碱基（保证读框），荧光基团让仪器能识别加了哪个碱基（A/T/C/G 四种颜色）。每轮结束后切掉荧光和阻断，进入下一轮。

这个设计带来几个重要特性：

• 读长由轮数决定：150 bp 读长意味着 150 轮循环。轮数越多，后面的簇越容易失活（信号衰减），所以读长与质量成反比——150 bp 读的末端质量通常低于开头。
• 质量值与信号强度相关：荧光信号清晰、四种颜色区分明显的碱基，质量值高；信号模糊、颜色串扰的碱基，质量值低。这就是 FASTQ 质量值波动的物理来源。
• 成簇密度有上限：簇太密会互相干扰（信号串扰），太疏则浪费芯片面积。NovaSeq 的 patterned flow cell 用纳米孔阵列精确控制簇位置，把密度推到物理极限。

Illumina 的循环数、读长与产出关系可以估算：

NovaSeq 6000 S4 流动池：
  每条 lane 约 10 亿簇（clusters）
  双端 150 bp（PE150）→ 每簇产出 300 bp
  单次运行（4 lanes）理论产出 ≈ 4 × 1e9 × 300 = 1.2 Tb
  换算成 30x 人类 WGS 样本数 ≈ 1.2e12 / (30 × 3.1e9) ≈ 12 个样本

这也是实验室排样的依据：一个 S4 流动池大约能装 10-12 个 30x 人类 WGS 样本，或者几十个 RNA-seq 样本。批次设计（哪些样本放同一批测）会直接影响后续的批次效应分析。

3. 文库制备与接头结构

测序仪不能直接测原始 DNA，必须先「建库」（library preparation）——把 DNA 处理成测序仪能识别的形式。标准步骤：

1. 片段化（fragmentation）：把长 DNA 打断成 200-600 bp 的小片段。方法有超声打断（Covaris）和酶切，前者更均匀。
2. 末端修复（end repair）：补平片段末端，加 A 尾（防止片段自连）。
3. 接头连接（adapter ligation）：在两端连接已知序列的接头。
4. PCR 扩增：选择性扩增带接头的片段，同时引入 index。
5. 纯化与质检：磁珠纯化去除游离接头，用 Agilent Bioanalyzer 或 Qubit 检查片段分布。

接头（adapter）结构是理解 FASTQ 数据的关键。一个典型的 Illumina 双端接头包含：

接头污染是最常见的测序问题之一。如果片段化不充分（片段太短）或接头纯化不彻底，测序会读到接头序列而非样本序列。表现是 FASTQ 末端出现固定序列（如 AGATCGGAAGAGC）。这类污染必须在下游分析前剪除，否则会导致比对失败或假变异。

还有一个相关概念是 UMI（Unique Molecular Identifier）：在接头中加入一段随机序列，为每个原始 DNA 分子打上唯一标签。这样即使经过 PCR 扩增，也能通过 UMI 区分「真实的多个分子」与「同一个分子的多个拷贝」，从而准确计数。低输入量建库（如单细胞、cfDNA 液体活检）几乎必用 UMI。

4. 双端测序与插入片段

双端测序（Paired-End, PE）指从片段的两端各读一段序列，得到 Read 1 和 Read 2。它与单端（Single-End, SE）的区别不是「读得更长」，而是「知道两端」。

5'----R1---->              <----R2----3'
      |<------ 插入片段 (insert size) ------>|

插入片段 = 300 bp 时：
  R1 (150 bp) + R2 (150 bp) 完全覆盖，两端重叠
插入片段 = 500 bp 时：
  R1 + R2 之间留 200 bp 空隙（未测区域）

双端测序的价值：

• 更好的比对唯一性：单个 150 bp 读段可能匹配基因组多处，但结合「两端相隔约 500 bp」的约束，可以唯一定位。这对重复序列区域至关重要。
• 检测结构变异：如果 R1 和 R2 比对到基因组的相距很远的两个位置，说明中间存在结构变异（缺失、倒位、易位）。这是短读检测 SV 的主要手段。
• 组装 scaffold：在基因组组装中，双端信息可以把 contig 连接成更长的 scaffold。

插入片段大小（insert size）由建库时的片段化决定，通常在 300-600 bp。这个参数必须与读长匹配：如果插入片段只有 200 bp 而读长 150 bp，R1 和 R2 会大量重叠（浪费测序量）；如果插入片段过长而读长太短，中间的空隙太大，比对约束会变弱。

工程上，fastp 可以自动检测并报告插入片段分布，picard CollectInsertSizeMetrics 也能输出分布图。异常分布（如双峰、拖尾）通常提示建库问题。

一个常见的误区是「双端测序等于读长翻倍」。实际上，PE150 的单条读段仍是 150 bp，只是每个片段产生两条读段。当插入片段小于 2 倍读长（如插入 200 bp、读长 150 bp）时，R1 和 R2 会重叠 100 bp，这段重叠区等于「被测了两遍」，是一种浪费。理想的插入片段应在 1.5-2 倍读长之间，既能覆盖全长又不浪费。

此外，双端信息在「去重」时也有用。picard MarkDuplicates 判断两条读段是否来自同一个原始分子，依据就是 R1 和 R2 的起点与方向是否完全一致——这是 PCR 重复的特征。单端数据无法做这种精确判断，所以去重效果差很多。

5. 质量值与 Phred 分数

FASTQ 的每个碱基都带一个质量字符，编码的是「这个碱基测错的概率」。这个编码规则是 Phred 质量值（Phred Quality Score, Q）：

Q = -10 × log10(P_error)

Q20 → 错误率 1/100   (99% 正确)
Q30 → 错误率 1/1000  (99.9% 正确)
Q40 → 错误率 1/10000 (99.99% 正确)

质量值在 FASTQ 里用单个 ASCII 字符表示，编码方式是 Q + 33（Phred+33，现代标准）或 Q + 64（Phred+64，早期 Solexa/454）。例如：

字符 'I' 的 ASCII 码是 73
Phred+33: Q = 73 - 33 = 40  （高质量）
字符 '#' 的 ASCII 码是 35
Phred+33: Q = 35 - 33 = 2   （极低质量）

ASCII 33 到 126 对应 Q0 到 Q93，但实际质量值很少超过 41（受测序化学限制）。理解质量值有三个工程要点：

1. Q30 比例是最核心的质量指标：通常要求 ≥ 80%（Illumina 标准），低于 70% 说明测序有问题。这个比例是「质量值 ≥ 30 的碱基占总碱基的百分比」。
2. 质量值沿读段递减：读段开头（前几个循环化学不稳定）和末端（信号衰减）质量较低，中间最高。这是「两端剪裁」策略的依据。
3. 质量值不可直接平均：因为 Phred 是对数刻度，平均 Q30 和 Q20 不等于 Q25。正确做法是先转成错误概率再平均，samtools 的 -q 过滤也是按阈值而非平均值。

质量值与下游决策直接相关：比对工具会用质量值决定是否信任一个错配（低质量错配更可能是测序错误）；变异检测会综合质量值计算该位点是真变异的概率。所以质量值不是「装饰」，而是贯穿全流程的权重信息。

6. 长读长测序：PacBio 与 Nanopore

长读长测序解决短读的根本局限：无法跨越重复区、无法看全长转录本、难以检测大结构变异。两大技术路线：

PacBio（SMRT 测序）：用零模波导（ZMW）孔观察单个 DNA 聚合酶的实时合成。原始读长可达 10-25 kb，但单次准确率约 85-90%。通过「环化一致性测序」（Circular Consensus Sequencing, CCS），让同一个分子被测多次，取一致性得到 HiFi 读段：读长约 15 kb、准确率 > 99.9%。HiFi 是当前高精度长读的主流。

Oxford Nanopore（ONT）：让 DNA 单链穿过纳米孔，通过离子电流变化识别碱基。读长可以超过 100 kb，甚至达到 Mb 级，但原始准确率约 95-99%（取决于孔版本，R10.4.1 显著提升）。设备小巧（MinION 只有 U 盘大小），适合现场测序与实时分析。

长读长的工程挑战主要在数据处理：数据量大（单次运行上百 GB）、比对工具不同（minimap2 而非 BWA）、需要专门的变异检测工具（如 pbmm2 + DeepVariant，或 Sniffles 检测 SV）。此外长读的错误模式是「插入缺失为主」，与短读的「替换为主」不同，下游工具必须匹配。

一个实用建议：混合组装（hybrid assembly）用长读做骨架、短读做纠错，兼顾长读的跨度与短读的准确度。这是很多高质量基因组组装的标准做法。

长读长的成本仍然显著高于短读（单位碱基约贵 5-10 倍），所以常见策略是「长读低深度 + 短读高深度」：用 15-20x 的长读跨越重复区、检测结构变异，用 30x+ 的短读做精确的碱基级变异检测。两者互补，总成本远低于用长读做到 30x。

需要提醒的是，长读长的碱基错误模式以「插入缺失」为主，这会让许多为短读设计的工具（默认只处理替换型错误）产生大量假阳性。使用长读数据时，必须选择明确支持长读错误模型的工具链，例如用 minimap2 的 map-hifi 预设比对 HiFi 数据，而非用 BWA。

7. 从 BCL 到 FASTQ 的数据产出

测序仪的原始输出不是 FASTQ，而是 BCL 格式（Base Call files）——按「循环 × 簇位置」组织的碱基调用结果。从 BCL 到 FASTQ 需要经过碱基识别（base calling）与拆分（demultiplexing）：

# Illumina 平台：bcl2fastq（旧）或 bcl-convert（新，NovaSeq X 用）
bcl-convert \
  --bcl-input-directory /runs/240101/Data/Intensities/BaseCalls \
  --output-directory /runs/240101/fastq \
  --sample-sheet /runs/240101/SampleSheet.csv \
  --no-lane-splitting true

# 输出：每个样本一对（或两对）FASTQ
# SampleA_S1_L001_R1_001.fastq.gz
# SampleA_S1_L001_R2_001.fastq.gz

关键点：

• SampleSheet.csv 决定拆分：它声明每个 index 对应哪个样本。index 写错会导致样本错配——这是「样本调包」事故的头号原因。
• index 测序质量：index 也要测序，如果 index 有 1 个碱基错读，样本可能被分到错误的组（index hopping）。双 index（unique dual index, UDI）能大幅降低这种风险。
• --no-lane-splitting：默认 bcl-convert 会按 lane 拆分，产生多个文件；合并成单个文件通常更方便下游。
• 数据量对账：产出后要核对实际数据量是否达到预期（如 30x 目标对应约 100 GB FASTQ），不足需补测。

从 FASTQ 的头部也能读出关键信息：

@A00123:45:HXXXXX:1:1101:1000:1000 1:N:0:ACGTACGT
                                             └── index 序列
                          └── tile/坐标（用于定位簇）
              └── flow cell ID

读段名（read name）中的坐标信息在排查「特定区域质量异常」时非常有用——可以定位到 flow cell 上的物理位置，判断是局部化学问题还是全局问题。

8. 测序深度、覆盖度与实验设计

测序深度（depth）是实验设计的核心参数。几个相关但不同的概念：

• 测序深度：总碱基数 / 基因组大小。30x 表示平均每个碱基被 30 条读段覆盖。
• 覆盖度（coverage）：实际被覆盖的碱基比例。由于覆盖度符合泊松分布，30x 平均深度下，仍有个别位点深度为 0（未被覆盖）。
• 目标深度：针对特定区域（如 WES 的捕获区、肿瘤的驱动基因）要求的最低深度。

深度与「检出能力」的关系可以用泊松分布估算：

import math
def p_uncovered(depth):
    """给定平均深度，某位点完全未被覆盖（深度=0）的概率"""
    return math.exp(-depth)

def p_min_depth(depth, k):
    """某位点深度至少为 k 的概率（用于判断能否可靠检出变异）"""
    return 1 - sum(math.exp(-depth) * depth**i / math.factorial(i)
                   for i in range(k))

# 30x 下约 6.9% 的位点深度为 0（无覆盖）
print(f"P(depth=0) @30x = {p_uncovered(30):.4f}")
# 杂合变异需要至少 10x 才能较可靠检出（避免等位基因丢失）
print(f"P(depth>=10) @30x = {p_min_depth(30, 10):.4f}")

实验设计要点：

1. 深度按目标定：胚系变异 30x、体细胞变异 100x+、宏基因组 5-10 Gb/样本、单细胞 20k-50k reads/细胞。深度不足会导致假阴性（漏检真变异），过高则浪费成本。
2. 生物学重复（biological replicate）：至少 3 个，用于统计推断。技术重复（同一文库测多次）不能替代生物学重复。
3. 对照样本：肿瘤研究需要「肿瘤 + 正常」配对，才能区分胚系与体细胞变异；处理组需要对照组。
4. 批次平衡：不同批次（不同流动池、不同日期）会引入批次效应，应把处理组与对照组均匀分布在各个批次，而非一批全是对照。

9. 批次效应与常见测序异常

测序数据异常可粗分为「化学/仪器问题」与「生物学问题」，两者的排查方向完全不同：

批次效应（batch effect） 是实验设计层面最隐蔽的问题。不同批次的试剂、操作员、仪器状态都会引入系统性差异。如果处理组恰好都在批次 A、对照组都在批次 B，那么「处理效应」与「批次效应」就完全混淆（confounded），无法区分。这属于实验设计阶段就必须避免的错误，事后无法用统计方法补救。

GC 偏倚是另一个常见问题：某些 GC 含量高或低的区域扩增效率低，导致覆盖度系统性偏低。这在全基因组扩增（WGA，单细胞常用）中尤其严重。检测方法是画「GC 含量 vs 覆盖度」散点图，正常应接近水平线，有明显斜率则存在偏倚。

最后强调一个原则：测序质量指标要「随数据走」。每个样本的 Q30、比对率、重复率、覆盖度都应记录在元数据表里，与样本一起流转。这样当分析结果异常时，可以快速定位是不是某个低质量样本拖累了整体。

实践中最省事的做法是用 MultiQC 把所有样本的 QC 报告汇总成一张总表：一次运行就能看出哪个样本的 Q30 偏低、哪个样本的重复率异常、哪个样本的比对率掉队。这张表既是质控依据，也是后续统计模型里「协变量」的来源——把测序质量作为协变量纳入差异分析，能有效降低技术噪声对生物学结论的干扰。

权衡取舍

常见坑清单

1. index 写错导致样本调包：SampleSheet 里的 index 与实际不符，样本 A 的数据被当成样本 B；用双 index 并在拆分后做样本相关性校验。
2. 忽略接头污染：测到接头序列却直接比对，产生大量软剪切或假变异；建库质检 + fastp 自动去接头双保险。
3. 把技术重复当生物学重复：同一文库测两次不是重复，无法提供统计自由度；实验设计阶段就要规划独立的生物学样本。
4. 深度不足导致漏检：低深度下杂合位点可能只有一条读段支持，被误判为纯合；关键位点用 Sanger 或高深度验证。
5. 批次与处理混淆：所有处理组放一批、对照组放另一批，批次效应与处理效应无法分离；做批次平衡的随机化设计。
6. 质量值编码误判：Phred+33 与 Phred+64 混用导致质量阈值失效；用 fastqc 确认编码再设阈值。
7. 忽略插入片段分布：片段过短导致 R1/R2 大量重叠、浪费测序量；建库后检查片段分布是否与读长匹配。
8. 重测序用旧参考：新样本仍比对到 hg19，与团队其他数据不一致；统一参考版本并写入元数据。
9. 只看总数据量不看覆盖均匀性：总碱基数达标但覆盖度不均，关键区域仍有缺口；用 mosdepth 或 samtools depth 检查实际覆盖。
10. 不做样本性别校验：样本调包或污染时，性染色体覆盖度会暴露矛盾；用 samtools idxstats 快速核对 X/Y 覆盖比例。

小结

测序技术是生信数据链路的起点，理解它才能理解数据的「脾气」。Illumina 的边合成边测序决定了读长与质量的权衡，文库制备决定了接头与插入片段的特征，Phred 质量值决定了每个碱基的可信度，而实验设计决定了数据能否回答科学问题。这些不是可选的背景知识，而是排查问题的必备坐标系。

从工程视角看，测序环节最该建立的能力是「对账」：实际产出的数据量、质量、覆盖度是否与预期一致？index 是否正确？样本是否有交叉污染？把这些检查固化成流程的第一步（而非事后补查），能拦住大部分灾难性错误。接下来就该进入 FASTQ 质控与预处理 ，把这些检查变成自动化的过滤与剪裁。

需要记住的一句话是：测序数据的所有特征都是化学过程的产物，没有「随机噪声」，只有「尚未理解的系统性偏差」。当你看到异常时，先问「哪个化学或物理环节导致了它」，而不是直接调参重跑。