lncRNA组装流程的软件介绍之FastQC

conda install fastqc

-o --outdir 输出目录，需自己创建目录

-f 指定输入文件的类型，支持fastq|bam|sam三种格式的文件，默认自动识别。

-t --threads选择程序运行的线程数，即同时处理的文件数目。

-c --contaminants，污染物选项，输入的是一个文件，格式是Name [Tab] Sequence，里面是可能的污染序列，如果有这个选项，FastQC会在计算时候评估污染的情况，并在统计的时候进行分析，一般用不到。

fastqc -t 6 -o ./02.fastqc/  ./01.raw_data/*fastq.gz 

-t 6 # 设置线程数为6
-o ./02.fastqc/ # 指定输出文件夹为./02.fastqc/
./01.raw_data/*fastq.gz  # 输入文件，01.raw_data文件夹下所有的以.fastq.gz 结尾的测序原始数据文件

Filename:文件名

File type: 文件类型

Encoding：测序平台的版本和相应的编码版本号，用于计算Phred反推error P时用

Total Sequences: 输入文本的reads的数量

Sequences flagged as poor quality：标记为差的碱基序列

Sequence length: 测序长度

%GC: GC含量，表示整体序列的GC含量，由于二代测序GC偏好性高，且深度越高，GC含量会越高，一般有物种特异性。

横轴为read长度，例如：测序列第1个碱基到第150个碱基

纵坐标表示每一bp所对应的测序质量值，
将该碱基判断错误概率值P取log10之后再乘以-10，
得到的结果再加上pherd值对应ASCII表所得到的值就是该碱基测序的质量量值；
Q = -10*log10（error P）
即20表示1%的错误率，30表示0.1%的错误率；

蓝⾊的细线是各个位置的质量值的平均值的连线；

每1个boxplot，都是该位置的所有序列列的测序质量量的⼀个统计，
上⾯面的bar是90%分位数；
下⾯面的bar是10%分位数；
箱⼦子的中间的横线是50%分位数；
箱体上缘是75%分位数；
箱体下缘是25%分位数；

横轴代表1到150bp；纵轴代表ATCG在该bp的百分比。

根据Wason-Crick配对原则，A和T应该相等，G和C应该相等；
但是一般测序的时候，刚开始测序仪状态不不稳定，很可能出现不不平衡的情况。
像这种情况，
如果测序的得分很高，可以不进行trim开始部分的序列列信息；
如果测序得分很低，需要进行trim开始部分的序列列信息。


当任一位置的A/T比例与G/C比例相差超过10%，报"WARN"；当任一位置的A/T比例与G/C比例相差超过20%，报"FAIL"。

横轴表示GC含量，纵轴表示不同GC含量对应的read数;

蓝线是理论分布（正态分布，通过从所测数据计算并构建理论分布），红色是实际情况，两个比较接近判为好的。

曲线形状的偏差往往是由于文库的污染或是部分reads构成的子集有偏差（overrepresented reads）；形状接近正态分布但偏离理论分布的情况提示我们可能有系统偏差；

如果出现两个或多个峰值，表明测序数据里可能有其他来源的DNA序列污染，或者有接头序列的二聚体污染。偏离理论分布的reads超过15%时，报"WARN"；偏离理论分布的reads超过30%时，报"FAIL"。

当出现测序仪不能分辨的碱基时会产生N，横轴为碱基分布，纵轴为N比率，当任一位置N的比率超过5%报WARN，超过20%报FAIL。我这里几乎没有。

理论上每次测序仪测出的read长度是一致的，但是由于建库等因素通常会导致一些小片段，如果报FAIL，表明此次测序过程中产生的数据不可信。

统计序列完全一致的reads的频率，横轴表示重复水平，纵轴表示重复⽔平序列列占所有序列的百分比。一般测序深度越高，越容易产生一定程度的重复序列。    

是选择的每一个⽂文件里前100,000条序列作为样本进行的计算，因为样本本身很⼤，前100,000已经能够代表样
本的重复性。

当有某个序列大量出现时，超过总reads数的0.1%时报WARN，超过1%时报FAIL。

横轴表示碱基位置，纵轴表示百分比。当fastqc分析时没有选择参数-a adapter list时，默认使用图例中的4种通用adapter序列进行统计。若有adapter残留，后续必须去接头。