CraigSD1. WGS全流程概览：从测序仪到生物学解读
全基因组测序（Whole Genome Sequencing, WGS）就像用超高倍显微镜扫描生命的天书。想象你拿到一本3亿字的小说（人类基因组），但书页被撕成无数150字的小纸条（测序reads），还夹杂着印刷错误（测序误差）。WGS流程就是把这些碎片重新拼回完整故事，并标出所有错别字（基因变异）的过程。
我在肿瘤研究所工作时，处理过上千例癌症样本。一个完整的WGS流程通常包含四大阶段：
- 原始数据质控：剔除模糊不清的"纸条"
- 数据预处理：把纸条按页码重新粘贴到参考书上
- 变异检测：用红笔圈出所有和参考书不同的字词
- 变异注释：解释这些错字是否会影响故事结局（致病性）
整个过程会产生三种关键文件格式：
bash复制FASTQ（原始数据） → BAM（比对结果） → VCF（变异结果）
提示：临床样本建议至少30X测序深度，科研样本建议50X以上。我曾遇到一个乳腺癌样本因20X深度导致关键突变漏检，后来补测到60X才找到真正的驱动突变。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 原始数据质控：给测序数据"体检"
2.1 FASTQ文件解构
刚从测序仪出来的数据就像刚冲洗的胶卷，可能有过曝（高错误率）或欠曝（低质量）区域。每个read在FASTQ文件中用四行表示：
python复制@仪器编号:测序坐标
ATCGATCG...（碱基序列）
+（可选的质量值标识符）
!''*((((...（ASCII编码的质量值）
去年处理的一批肝癌样本中，约15%因接头污染（adapter contamination）需要特殊处理。用FastQC查看时，如果看到各位置碱基组成不平衡（比如全是A），很可能是测序仪流动池故障。
2.2 质控实战技巧
我习惯用MultiQC生成综合报告，它能整合多个样本的FastQC结果。关键指标要盯紧：
- Q30比例：质量值≥30的碱基占比（临床要求≥80%）
- GC含量：人类基因组正常范围38-42%
- 重复序列率：>20%可能提示PCR过度扩增
这是我的常用过滤命令：
bash复制fastp -i raw_1.fq -I raw_2.fq -o clean_1.fq -O clean_2.f