Mitochondrial DNA Quality Control    Field    The present disclosure is directed, in part, to meth ods of identifying unreliable  biological samples that may be mislabeled or contamin ated.    Background    For over 10 years, next‐generation sequencing (NGS)� �has become an important  component in biological and biomedical researches beca use it makes sequencing of large   batches of DNA or RNA samples feasible. NGS has bro ad applications, such as whole genome  and whole exome sequencing for large cohort genetic  investigation, bulk RNA‐seq for disease  gene expression signatures identification in clinical  evaluation, tissue biopsy sequencing in  tumor study/diagnostic and recently emerged single‐ce ll sequencing research, providing  answers and solutions to many different problems and� �questions. However, in the studies  involving large‐scale samples, sample identity compli cation is a common and almost inevitable  problem. The estimate sample identity error rate can� �range from 0.2% to 6% in practice (Pfeifer  et al., Amer. J. Clin. Pathol., 2013, 139, 93‐100;  Costello et al., BMC Genomics, 2018, 19, 332;  Lerner et al., Cancer Res., 2015, 75, Abstract P5‐ 02‐08; and Sehn et al., Amer. J. Clin. Pathol.,  2015. 144, 667‐674). The errors can happen at diff erent degrees: 1) a complete swapping   between samples, and/or 2) contamination of one sampl e with one or more other samples.  Various steps during the sample processing can introd uce the errors, such as sample  mislabeling during sample collection, material spillage  during pipetting, index swapping in  pooled libraries when performing sequencing and many  other unexpected situations. Sample  swapping/contamination will subsequently reduce the qua lity and accuracy of the downstream   analysis. For example, sample swapping in a whole tr anscriptome analysis may lead to false  discovery or lose power to detect differentially expr essed genes. In cancer studies, somatic  mutation identification is routinely used, given that� �many of those mutations were present at  very low frequency (<5%), thus even low levels (1 % to 5%) of contamination may result in false  positive mutation callings. For those reasons, accurat e detection of sample swapping and   contamination is an important quality control step in  large scale NGS studies.     Mitochondria are essential organelles in most eukaryot ic cells. Human mitochondrial  DNA (mtDNA) are 16.5 kb circular DNA molecules locat ed in mitochondria, and encode gene  products that are essential for mitochondrial function s. There are hundreds to thousands of  mtDNA copies within a single cell. mtDNA is maternal ly inherited with negligible recombination.  Because mtDNA is uniparentally inherited and undergoes  negligible recombination at a  population level, mutations acquired over time have s ubdivided the human population into   several discrete mtDNA haplogroups. On average, two r andom individuals will have 30 to 40  nucleotide differences in their mitochondrial genome ( Gunnarsdóttir et al., Nature Commun.,  2011, 2, 228; Slatkin et al., Genetics, 1991, 129,  555‐562; and Ye et al., Proc. Nat’l Acad. Sci.  USA, 2014, 111, E4548‐E4550). Because of its multi� ��copy nature, mtDNA mutations often only  present in a small proportion of the cell’s mtDNA,  a state termed as heteroplasmy. The   percentage of mtDNA carrying the mutation is referred  as heteroplasmy frequency. In contrast,  if a mutation is found in all mtDNA molecules, this  mutation will be termed as homoplasmy.  Previous studies demonstrated that in general healthy� �populations, most individuals will harbor  less than 5 heteroplasmies (with frequency > 1 to  2%) in their mitochondrial genome (Zhang et  al., BMC Genomics, 2017, 18, 890; and Ye et al., P roc. Nat’l Acad. Sci. USA, 2014, 111, 10654‐  10659). For a batch of samples, samples collected fr om the same individual should all belong to  the same haplogroup.    Summary    The present disclosure provides methods of identifying  an unreliable biological sample,   the method comprising: a) performing a nucleic acid  sequencing assay on each biological  sample of a plurality of biological samples obtained� �from a single individual to obtain  mitochondrial DNA (mtDNA) sequencing reads for each b iological sample; b) identifying a  heteroplasmy and a homoplasmy in the mtDNA sequencing  reads from the previous step for  each of the biological samples; and c) assigning a  primary mtDNA haplogroup to each biological   sample, wherein any biological sample having an assig ned primary mtDNA haplogroup that is  different than the primary mtDNA haplogroup assigned  to a majority of the biological samples  from the same individual is an unreliable biological� �sample that is a mislabeled biological  sample.    The present disclosure also provides methods of ident ifying an unreliable biological   sample, the method comprising: a) performing a nuclei c acid sequencing assay on each  biological sample of a plurality of biological sample s obtained from a single individual to obtain  mitochondrial DNA (mtDNA) sequencing reads for each b iological sample; b) identifying a  heteroplasmy and a homoplasmy in the mtDNA sequencing  reads from the previous step for  each of the biological samples; c) assigning a prima ry mtDNA haplogroup to each biological  sample; and d) determining the total heteroplasmy num ber for each biological sample, wherein  when a biological sample has a high heteroplasmy num ber, the biological sample is assigned a   secondary mtDNA haplogroup based on the minor alleles  in the heteroplasmy sites, wherein a  biological sample having an assigned secondary mtDNA  haplogroup that is different than the  assigned primary mtDNA haplogroup is an unreliable sa mple that is contaminated.    The present disclosure also provides methods of ident ifying an unreliable biological  sample, the method comprising: a) performing a nuclei c acid sequencing assay on each   biological sample of a plurality of biological sample s obtained from a single individual to obtain  mitochondrial DNA (mtDNA) raw sequencing reads for ea ch biological sample; b) processing the  mtDNA raw sequencing reads for quality control and a daptor sequence removal to produce  quality controlled mtDNA sequencing reads; c) mapping� �the quality controlled mtDNA  sequencing reads to a mitochondrial reference genome  to produce candidate mtDNA    sequencing reads; d) re‐mapping the candidate mtDNA� �sequencing reads to a human reference  genome and retaining the candidate mtDNA sequencing r eads when: i) the candidate mtDNA  sequencing read is uniquely mapped to the mitochondri al reference genome or has fewer  mismatches to the mitochondrial reference genome than� �to the human reference genome; and  ii) the alignment mismatch count of the candidate mt DNA sequencing read is less than 5; e)   performing post‐mapping processing of the retained c andidate mtDNA sequencing reads for  sorting and duplicate removal; f) identifying heteropl asmy and homoplasmy in the retained  candidate mtDNA sequencing reads for each of the bio logical samples; and g) assigning a  primary mtDNA haplogroup to each biological sample, w herein any biological sample having an  assigned primary mtDNA haplogroup that is different t han the primary mtDNA haplogroup   assigned to a majority of the biological samples fro m the same individual is an unreliable  biological sample that is a mislabeled biological sam ple.    The present disclosure also provides methods of ident ifying an unreliable biological  sample, the method comprising: a) performing a nuclei c acid sequencing assay on each  biological sample of a plurality of biological sample s obtained from a single individual to obtain   mitochondrial DNA (mtDNA) raw sequencing reads for ea ch biological sample; b) processing the  mtDNA raw sequencing reads for quality control and a daptor sequence removal to produce  quality controlled mtDNA sequencing reads; c) mapping� �the quality controlled mtDNA  sequencing reads to a mitochondrial reference genome  to produce candidate mtDNA  sequencing reads; d) re‐mapping the candidate mtDNA� �sequencing reads to a human reference  genome and retaining the candidate mtDNA sequencing r eads when: i) the candidate mtDNA  sequencing read is uniquely mapped to the mitochondri al reference genome or has fewer   mismatches to the mitochondrial reference genome than� �to the human reference genome; and  ii) the alignment mismatch count of the candidate mt DNA sequencing read is less than 5; e)  performing post‐mapping processing of the retained c andidate mtDNA sequencing reads for  sorting and duplicate removal; f) identifying heteropl asmy and homoplasmy in the retained  candidate mtDNA sequencing reads for each of the bio logical samples; g) assigning a primary   mtDNA haplogroup to each biological sample; and h) d etermining the total heteroplasmy  number for each biological sample, wherein when a bi ological sample has a high heteroplasmy  number, the biological sample is assigned a secondary  mtDNA haplogroup, wherein a biological  sample having an assigned secondary mtDNA haplogroup  that is different than the assigned  primary mtDNA haplogroup is an unreliable sample that  is contaminated.      Brief Description Of The Drawings    The patent or application file contains at least one  drawing executed in color. Copies of  this patent or patent application publication with co lor drawing(s) will be provided by the Office  upon request and payment of the necessary fee.      Figure 1 shows a representative schematic showing sui table steps for carrying out the  quality control analysis described herein. In Box 1,� �mtDNA homoplasmies and heteroplasmies  are identified from fastq files. An optional down sa mpling step can be applied for sample with  high mtDNA coverage. After reads QC, mtDNA reads are  selected by a two‐step mapping  strategy. mtDNA variants ware identified from the mtD NA mapping results and primary and   secondary mtDNA haplogroup are assigned to each sampl e based on the variants information.  In Box 2, sample swapping/mislabeling can be detected  by comparing haplogroup assignments  of samples from the given individual. In Box 3, sam ple contamination can be detected by  unusual high mtDNA heteroplamsy number and unmatched  primary and secondary haplogroup  groups.      Figure 2 shows the performance of the methods descri bed herein on virtual  contamination samples. Virtual contamination samples we re created by mixing two samples  from 1000 Genomes Project at different ratios. The X ‐axis indicates the theoretical  contamination level and the Y‐axis indicates the he teroplasmy frequencies identified from each  virtual contamination sample. Each colored dot represe nts one heteroplasmy, the black dots  represent the means of the heteroplasmy frequencies i n the samples and error bars represent  the frequency standard errors. The mean of the frequ encies is significantly correlated with   theoretical contamination level (Pearson correlation =� �0.996781, P value = 6.212e‐09).    Figure 3 shows results of contamination detection in� �virtual contamination samples.    Figure 4 shows results from sample swapping and cont amination detection in RNA‐seq  data 1.    Figure 5 shows results from sample swapping and cont amination detection in RNA‐seq   data 2.      Description Of Embodiments    Methods are presented herein for leveraging mtDNA seq uences information to detect  potential sample mislabeling and contaminations in NGS  data. mtDNA polymorphisms and   mutations can be used to infer the identity of a p articular biological sample, and act as an  indicator of sample mislabeling. In addition, when a� �biological sample is contaminated by  DNA/RNA from another biological sample, unusual mtDNA� �mutation patterns will be revealed,  which can help identify and further quantify the con taminant. Compared to nuclear DNA  mutation‐based approaches, the methods described here in allows for higher sensitivity even in   low coverage sequencing data.    The methods described herein can take any NGS data  containing sufficient mtDNA  reads as input, identify mtDNA variants (heteroplamsy� �and homoplasmy) from the data, and  use the variants information to assign haplogroups to  each sample to detect potential sample  swapping or mislabeling. By evaluating the samples’� �heteroplasmy information, the methods   described herein can further detect cross‐individual� �contamination.     The terminology used herein is for the purpose of d escribing particular embodiments  only and is not intended to be limiting.    A human will have wild type (or reference) mtDNA mo lecules and may have mutant  mtDNA molecules. If a human has no mutant mtDNA mol ecules, such a human is considered to   be homoplasmic wild type (or homoplasmic reference).  If a human has no wild type mtDNA  molecules (i.e., only has mutant mtDNA), such a huma n is considered to be homoplasmic  mutant. Homoplasmy is, thus, a measure of possessing� �all or no copies of mutant mtDNA.    If a human possesses a mixture of wild type and mu tant mtDNA molecules, the human  is considered to possess a heteroplasmy. The fraction  of mutated copies is referred to herein as  the “heteroplasmy frequency.” For example, assuming  a human has 8 copies of mtDNA  molecules, and possesses a single copy of the eight� �mtDNA molecules that has a particular   mutation in gene A, such a human is considered to  have a heteroplasmy frequency of 12.5%  (i.e., 1/8). Heteroplasmy can be determined for each� �mutation within the mtDNA genome for a  particular individual. Thus, an individual having 2 m tDNA mutations (relative to wild type  mtDNA) can have two heteroplasmies. Each heteroplasmy� �is associated with its own  heteroplasmy frequency.      The present disclosure provides methods of identifying  an unreliable biological sample.  The methods comprise performing a nucleic acid sequen cing assay on each biological sample of  a plurality of biological samples obtained from a si ngle individual to obtain mitochondrial DNA  (mtDNA) sequencing reads for each biological sample.  The methods also comprise identifying  the presence of one or more heteroplasmies and homop lasmies in the mtDNA sequencing   reads for each of the biological samples. The method s also comprise assigning a primary mtDNA  haplogroup to each biological sample. A biological sa mple that has an assigned primary mtDNA  haplogroup that is different than the primary mtDNA  haplogroup assigned to a majority of the  biological samples from the same individual is an un reliable biological sample. Such an  unreliable biological sample may have been, for examp le, mislabeled or swapped with another   biological sample.     The nucleic acid sequencing assay is any nucleic aci d sequencing protocol. In some  embodiments, the sequencing assay comprises next gener ation sequencing (NGS). In some  embodiments, the NGS comprises whole genome sequencing . In some embodiments, the NGS  comprises whole exome sequencing. In some embodiments,  the NGS comprises RNA    sequencing. In some embodiments, the NGS comprises bi sulfite sequencing.    The nucleic acid sequencing assay is performed on ea ch biological sample of a plurality  of biological samples obtained from a single individu al. In some embodiments, the plurality of  biological samples can number from as low as 2 to  thousands of samples. In some  embodiments, the plurality of biological samples can  number from as low as 2 to hundreds of   samples. In some embodiments, the plurality of biolog ical samples is obtained from one or  more clinical studies. In some embodiments, the singl e individual’s plurality of biological  samples may be intermixed or batched with a pluralit y of biological samples from another  individual. mtDNA sequencing reads for each biological  sample are obtained.    The presence of one or more heteroplasmies and homop lasmies in the mtDNA  sequencing reads for each of the biological samples  is determined. Thus, for each mutation   identified in the mtDNA sequencing reads, the heterop lasmy and homoplasmy analysis is  performed. The sum of all the heteroplasmies is repr esented by the total heteroplasmy number  for a particular biological sample. The mtDNA sequenc ing read information for each mtDNA  mutational site is compiled to provide a summary of� �the sequencing information of mapped  reads at each single site. In some embodiments, the� �compiling can be carried out using, for   example, the samtools mpileup function (Li et al., B ioinformatics, 2009, 25, 2078‐2079). The  mtDNA sequencing read information for each mtDNA muta tional site is filtered by sequence  quality to, for example, remove sequencing bases with  low sequencing quality to reduce  sequencing errors. In some embodiments, a sequence qu ality score (Q) is determined, which is  a property that is logarithmically related to the se quencing error probability (Q = ‐10*log ₁₀ (P),   where P is the probability of a sequencing error).  In some embodiments, the sequence quality  Q is ≥ 20. When Q is 20, there is a 1% probabi lity of a sequencing error.     In some embodiments, the heteroplasmy is identified b y determining the sequencing  coverage, the presence of a minor allele, and minor� �allele frequency. The sequencing coverage  represents the number of reads that align to a know n mtDNA reference base. In some    embodiments, the sequencing coverage is ≥ 50. The  sequencing coverage is generated by  mpileup minus the bases with Q < 20. In some em bodiments, the minor allele frequency is ≥ 1%  for DNA sequencing data and ≥ 5% for RNA sequenci ng data. In some embodiments, the minor  allele is observed at least twice from each DNA str and, or the minor allele is observed at least  three times for RNA. For example, the following mtDN A sequencing reads may be obtained (the   first sequence is the reference sequence):            N1‐N2‐N3‐N4‐N5‐N6‐N7‐N8‐ G9‐N10‐N11‐N12‐N13‐N14‐N15‐N16‐N17‐N18‐N 19‐N20       5’‐N1‐N2‐N3‐N4‐N5‐N6‐N7‐N8‐A9� ��N10‐N11‐N12‐N13‐N14‐N15‐3’             3’‐N2‐N3‐N4‐N5‐N6‐N7‐N 8‐A9‐N10‐N11‐N12‐N13‐N14‐N15‐N16‐5’             5’‐N2‐N3‐N4‐N5‐N6‐N7‐N 8‐G9‐N10‐N11‐N12‐N13‐N14‐N15‐N16‐3’                     5’‐N3‐N4‐N5‐N6� �N7‐N8‐G9‐N10‐N11‐N12‐N13‐N14‐N15‐N16‐N1 7‐3’                   5’‐N3‐N4‐N5‐N6� �N7‐N8‐G9‐N10‐N11‐N12‐N13‐N14‐N15‐N16‐N1 7‐3’                   3’‐N3‐N4‐N5‐N6� �N7‐N8‐G9‐N10‐N11‐N12‐N13‐N14‐N15‐N16‐N1 7‐5’                          3’‐N4‐ N5‐N6‐N7‐N8‐G9‐N10‐N11‐N12‐N13‐N14‐N15� �N16‐N17‐N18‐5’                                              5’‐N7‐N8‐G9‐N10‐N11‐ N12‐N13‐N14‐N15‐N16‐N17‐N18‐N19‐N20‐3’  The heteroplasmy frequency for this candidate mtDNA h eteroplasmy site is 25% (2/8). In this  particular analysis, the sequencing quality is > 2 0 and the sequencing coverage is > 50. The   minor allele is observed in both strands of the DNA .  Accordingly, this particular mutational site  (i.e., a candidate mtDNA heteroplasmy site) is a mtD NA heteroplasmy.    In some embodiments, the homoplasmy is identified by� �determining the sequencing  coverage and the presence of one or more alleles. A  homoplasmy is present when: i) the  sequencing coverage is ≥ 10; and ii) only one all ele is observed at a particular nucleic acid   mutation site and it is different than the correspon ding reference allele, or multiple alleles are  observed at a particular nucleic acid mutation site  and the major allele is different than the  corresponding reference allele, and the particular nuc leic acid site is not a heteroplasmy and  does not meet the heteroplasmy identification criteria .    In some embodiments, assigning the primary mtDNA hapl ogroup to each biological   sample comprises constructing a mtDNA sequence for ea ch biological sample. In some  embodiments, the mtDNA sequence for each biological s ample is constructed using the  homoplasmy and major alleles of the heteroplasmy. In� �some embodiments, the primary mtDNA  haplogroups are assigned based on the constructed mtD NA sequences using HaploGrep2  (Weissensteiner et al., Nuc. Acids Res., 2016, 44, W 58‐W63). HaploGrep2 is an algorithm   whereby the haplogroup is classified based on precalc ulated phylogenetic weights that  correspond to the mutation occurrence per position in  Phylotree. Similar tools for assigning  primary mtDNA haplogroups include mthap (world wide w eb at “dna.jameslick.com/mthap/”)  and haplofind (world wide web at “haplofind.unibo.it /”).    A biological sample that has an assigned primary mtD NA haplogroup that is different   than the primary mtDNA haplogroup assigned to a majo rity of the biological samples from the  same individual is an unreliable biological sample. I n some embodiments, the unreliable  biological sample has been mislabeled. In some embodi ments, the unreliable biological sample  has been swapped with another biological sample. In  some embodiments, the one or more  mislabeled samples are re‐labeled correctly. In some  embodiments, the one or more    mislabeled samples are discarded.     In some embodiments, the methods further comprise det ermining a heteroplasmy  number for each biological sample. In some embodiment s, the heteroplasmy frequency is  determined for each mutation identified in the mtDNA� �sequences for each biological sample.  When a biological sample has a high heteroplasmy num ber, the biological sample is assigned a  secondary mtDNA haplogroup. In some embodiments, a th reshold for having a high  heteroplasmy number is ≥ 10 heteroplasmies.       In some embodiments, assigning the secondary mtDNA ha plogroup comprises  constructing a secondary mtDNA sequence using the hom oplasmy and minor alleles of the  heteroplasmy. A biological sample having an assigned  secondary mtDNA haplogroup that is  different than the assigned primary mtDNA haplogroup  is an unreliable sample that is  contaminated. The choices for the primary haplogroup  are identical to the choices for the   secondary haplogroup.    In some embodiments, the methods further comprise det ermining the level of  contamination of a biological sample. In some embodim ents the level of contamination is  indicated by determining the median of the heteroplas my frequencies of all heteroplasmies in  the contaminated sample. The greater the median heter oplasmy frequency, the greater the   level of contamination. There is strong correlation b etween the real contamination percent and  heteroplasmy frequency median/mean. For example, if th e median heteroplasmy frequency is  6%, the contamination level is also about 6%.    In some embodiments, the methods further comprise pro cessing the mtDNA  sequencing reads obtained from the nucleic acid seque ncing assay for quality control and   adaptor sequence removal prior to identifying a heter oplasmy and a homoplasmy. In such  embodiments, the mtDNA sequencing reads obtained from� �the nucleic acid sequencing assay  are mtDNA raw sequencing reads. In carrying out the� �processing of the mtDNA raw sequencing  reads, quality controlled mtDNA sequencing reads are  produced. In some embodiments, the  processing of the mtDNA sequencing reads obtained fro m the nucleic acid sequencing assay for   quality control and adaptor sequence removal can be  carried out by using “Trimmomatic”  (Bolger et al., Bioinformatics, 2014, 30, 2114‐2120) . This processing step improves the accuracy  of the subsequent mtDNA variant identification. Anothe r tool that can be used for processing is  cutadpt (world wide web at “cutadapt.readthedocs.io/e n/stable/”).    In some embodiments, the method further comprises a  two‐step mapping process   prior to identifying a heteroplasmy and a homoplasmy.  In some embodiments, the mtDNA  sequencing reads obtained from the nucleic acid seque ncing assay can be used in the two‐step  mapping process. In some embodiments, the quality con trolled mtDNA sequencing reads  obtained from the quality control and adaptor sequenc e removal process can be used in the  two‐step mapping process. In these embodiments, the� �mtDNA sequencing reads (obtained  from the nucleic acid sequencing assay) or the quali ty controlled mtDNA sequencing reads  (obtained from the quality control and adaptor sequen ce removal process) are mapped to a   mitochondrial reference genome to produce candidate mt DNA sequencing reads. In some  embodiments, the mitochondrial reference genome is the  revised Cambridge Reference  Sequence (rCRS) for the mitochondrial genome. In some  embodiments, the mapping step can  be carried out using “bowtie2” (Langmead et al.,� �Nature Methods, 2012, 9, 357‐359) or bwa.  The candidate mtDNA sequencing reads obtained from th e first mapping step are re‐mapped to   an entire human reference genome. In some embodiments , the human reference genome is  GRCh38 for the nuclear genome. In addition, GRCh37 c an also be used. In some embodiments,  the mapping step can be carried out using “bowtie2 ”.    Upon carrying out the two‐step mapping process, the  candidate mtDNA sequencing  reads are retained under two circumstances: 1) the c andidate mtDNA sequencing reads are   retained when the candidate mtDNA sequencing read is� �uniquely mapped to the mitochondrial  reference genome, or has fewer mismatches to the mit ochondrial reference genome than to  the human reference genome; and 2) the candidate mtD NA sequencing reads are retained  when the alignment mismatch count of the candidate m tDNA sequencing read is less than 5  mismatched bases.       In some embodiments, the methods further comprise pro cessing the mtDNA  sequencing reads (obtained from the nucleic acid sequ encing assay) for sorting and duplicate  removal. In some embodiments, the methods further com prise processing the quality  controlled mtDNA sequencing reads (obtained from the  quality control and adaptor sequence  removal process) for sorting and duplicate removal. I n some embodiments, the methods   further comprise performing post‐mapping processing o f the retained candidate mtDNA  sequencing read for sorting and duplicate removal. In  some embodiments, the processing for  sorting and duplicate removal can be carried out by� �using the “samtools toolkit” (Li et al.,  Bioinformatics, 2009, 25, 2078‐2079). These processin g steps are standard Next Generation  Sequencing (NGS) data processing steps. The GATK tool kit can also be used.      In some embodiments, the methods further comprise dow n‐sampling the mtDNA  sequencing reads obtained from the nucleic acid seque ncing assay to a desired depth prior to  identifying the heteroplasmy and the homoplasmy. In s ome embodiments, the methods further  comprise down‐sampling the mtDNA sequencing reads ob tained from the nucleic acid  sequencing assay to a desired depth prior to process ing the mtDNA raw sequencing reads for  quality control and adaptor sequence removal. In some  embodiments, the mtDNA raw  sequencing reads from a whole transcriptome data set� �can be down‐sampled to 10 million   reads. In some embodiments, the down‐sampling can b e carried out by using “seqtk” (world  wide web at “github.com/lh3/seqtk”). RNA seq data� �usually has very high mtDNA content.  Thus, not all of the sequences are required to perf orm the methodology described herein  because the greater the mtDNA coverage, the longer t he computational time will be. In some  embodiments, the desired depth is about 1000, but ca n be as low as about 200. Additional   tools that can be used include, for example, FASTQ� �SAMPLE (world wide web at  “homes.cs.washington.edu/~dcjones/fastq‐tools/fastq‐sa mple.html”).    In some embodiments, the methods described herein fur ther comprise obtaining the  plurality of biological samples from the individual p rior to performing the nucleic acid  sequencing assay on the plurality of samples. In som e embodiments, the biological samples are   blood, tissue, or tumor biopsy. In some embodiments,� �the methods described herein further  comprise amplifying nucleic acid molecules in the bio logical samples prior to performing the  nucleic acid sequencing assay on the plurality of sa mples.    The present disclosure also provides methods of ident ifying an unreliable biological  sample, the methods comprising: a) performing a nucle ic acid sequencing assay on each   biological sample of a plurality of biological sample s obtained from a single individual to obtain  DNA raw sequencing reads for each biological sample;� �b) processing the DNA raw sequencing  reads for quality control and adaptor sequence remova l to produce quality controlled DNA  sequencing reads; c) mapping the quality controlled D NA sequencing reads to a mitochondrial  reference genome to produce candidate mtDNA sequencing  reads; d) re‐mapping the    candidate mtDNA sequencing reads to a human reference  genome and retaining the candidate  mtDNA sequencing reads when: i) the candidate mtDNA  sequencing read is uniquely mapped  to the mitochondrial reference genome or has fewer m ismatches to the mitochondrial  reference genome than to the human reference genome;� �and ii) the alignment mismatch count  of the candidate mtDNA sequencing read is less than� �5; e) performing post‐mapping processing   of the retained candidate mtDNA sequencing reads for� �sorting and duplicate removal; f)  identifying heteroplasmy and homoplasmy in the retaine d candidate mtDNA sequencing reads  for each of the biological samples; and g) assigning  a primary mtDNA haplogroup to each  biological sample, wherein any biological sample havin g an assigned primary mtDNA  haplogroup that is different than the primary mtDNA  haplogroup assigned to a majority of the  biological samples from the same individual is an un reliable biological sample that is a  mislabeled biological sample. The steps of this metho d can be carried out by the processes   described herein.    The present disclosure also provides methods of ident ifying an unreliable biological  sample, the methods comprising: a) performing a nucle ic acid sequencing assay on each  biological sample of a plurality of biological sample s obtained from a single individual to obtain  DNA raw sequencing reads for each biological sample;� �b) processing the DNA raw sequencing   reads for quality control and adaptor sequence remova l to produce quality controlled DNA  sequencing reads; c) mapping the quality controlled D NA sequencing reads to a mitochondrial  reference genome to produce candidate mtDNA sequencing  reads; d) re‐mapping the  candidate mtDNA sequencing reads to a human reference  genome and retaining the candidate  mtDNA sequencing reads when: i) the candidate mtDNA  sequencing read is uniquely mapped   to the mitochondrial reference genome or has fewer m ismatches to the mitochondrial  reference genome than to the human reference genome;� �and ii) the alignment mismatch count  of the candidate mtDNA sequencing read is less than� �5; e) performing post‐mapping processing  of the retained candidate mtDNA sequencing reads for� �sorting and duplicate removal; f)  identifying heteroplasmy and homoplasmy in the retaine d candidate mtDNA sequencing reads   for each of the biological samples; g) assigning a  primary mtDNA haplogroup to each biological  sample; and h) determining the total heteroplasmy num ber for each biological sample, wherein  when a biological sample has a high heteroplasmy num ber, the biological sample is assigned a  secondary mtDNA haplogroup, wherein a biological sampl e having an assigned secondary  mtDNA haplogroup that is different than the assigned� �primary mtDNA haplogroup is an   unreliable sample that is contaminated. The steps of� �this method can be carried out by the  processes described herein.    In some embodiments, the methods described herein can  be carried out as a  workflow. Numerous workflow management tools such as,� �for example, Pyflow (see, world  wide web at “github.com/Illumina/pyflow”), can be  used to streamline the steps together.     The methods described herein have several advantages.� �First, the methods do not  require any nuclear DNA (nDNA) variant information fo r each sample or at population allele  frequency level ‐‐ this kind of information is o ften not available for many studies, especially for  RNA‐seq studies. Second, the methods do not require  intensively preprocessed sequencing  data as input, such as whole genome mapped bam file s, whole genome variants VCF files. The  methods can directly take fastq files as input. Thir d, the methods can be applied to low‐ coverage sequencing data. nDNA variants‐based methods  usually need high coverage (>50X) to   detect low‐level contaminations. Due to multiple‐co py nature of mtDNA, even for the low  coverage data, for example, 2 to 4X for 1000 Genome s Project, mtDNA coverage still can be as  high as 1000 to 2000X, which is sufficient to detec t contamination level as low as 1%. Fourth,  the methods do not require high computational power,� �a typical sample with 1000X mtDNA  coverage can be processed in 10 to 20 minutes with� �a single processor and 4Gb memory.   Samples with high mtDNA contents can take longer to� �process but can be down‐sampled to  shorten the processing time. The methods can be easi ly incorporated into standard NGS data  processing pipelines and serve as an important qualit y control step by identifying problematic  samples and further improving the accuracy of downstr eam data analysis.    In order that the subject matter disclosed herein ma y be more efficiently understood,   examples are provided below. It should be understood� �that these examples are for illustrative  purposes only and are not to be construed as limiti ng the claimed subject matter in any  manner.     Examples    Example 1: mtDNA Variation Identification and Haplogro up Assignment  General Methodology    mtDNA variations (both homoplasmy and heteroplasmy) ar e identified from next  generation sequencing data by, for example, performing  an analysis represented in Figure 1  (see, Box 1). Upon performing a nucleic acid sequenc ing assay on a plurality of biological   samples, raw sequencing reads can be down‐sampled t o a desired depth to lower the  computational burden (see, Figure 1, Box 1, “Step0� ��) using “seqtk” that can be found at, for  example, the world wide web at “github.com/lh3/seqtk ”. This step is optional and need not be  performed.    The raw mtDNA sequencing reads obtained from the nuc leic acid sequencing assay,   optionally from the previous down‐sampling step, are  processed for quality control and adaptor  sequence removal by using “Trimmomatic” (Bolger et  al., Bioinformatics, 2014, 30, 2114‐2120)  (see, Figure 1, Box 1, “Step1”).    To retrieve candidate mtDNA sequencing reads, the qua lity controlled sequencing  reads are mapped to the mitochondrial reference genom e (revised Cambridge Reference  Sequence, rCRS) with “bowtie2” (Langmead et al.,  Nature Methods, 2012, 9, 357‐359) (see,  Figure 1, Box 1, “Step2”). Nuclear mitochondrial  DNA segments (NUMTs) in nuclear genome   may be mismapped to the mitochondrial genome and cou nted as mtDNA reads. To minimize  the effect of NUMTs, a second‐round mapping can be  performed whereby the mapped reads  from first round are re‐mapped to the entire human  reference genome, GRCh38 for the nuclear  genome and the revised Cambridge Reference Sequence ( rCRS) for the mitochondrial genome.  Reads (or read pairs) are retained if: a) reads (re ad pairs) are uniquely mapped to the    mitochondrial genome or have less mismatches to the  mitochondrial genome than to the  nuclear genome; and b) the alignment mismatch count  is less than 5.    The retained candidate mtDNA sequencing reads are fur ther processed by “samtools  toolkit” (Li et al., Bioinformatics, 2009, 25, 2078 ‐2079), including sam to bam conversion,  sorting and duplication removal (see, Figure 1, Box  1, “Step3”).      The retained candidate mtDNA sequencing reads for eac h mtDNA site are compiled  with “samtools mpileup function” (Li et al., Bioi nformatics, 2009, 25, 2078‐2079), and bases are  further filtered by sequencing quality (> = 20),  and heteroplasmies and homoplasmies are  identified (see, Figure 1, Box 1, “Step4”). Heter oplasmies are identified with the following  criteria: a) sequencing coverage >= 50; b) minor  allele frequency > = 1%; and c) for DNA data,� �a   minor allele must be observed at least twice from e ach strand, and for RNA data, a minor allele  must be observed at least three times. Homoplasmies  are identified with following criteria: a)  sequencing coverage > 10; and b1) only one allele  is observed at the given site and it is different   from the reference allele, or b2) multiple alleles a re observed and the major allele is different  from the reference, but the site fails heteroplasmy  criteria.      mtDNA sequences for each sample are constructed with� �the homoplasmy information  and the major alleles at heteroplasmy sites, and hap logroups are assigned based on the  constructed sequences using “HaploGrep2” (Weissenste iner et al., Nuc. Acids Res., 2016, 44,  W58‐W63) (see, Figure 1, Box 1, “Step5”). The  assigned haplogroup at this step is referred to as  the primary haplogroup for each sample.       If a particular sample has an unusual high heteropla smy number, a secondary mtDNA  sequence is constructed with the homoplasmy informatio n and the minor alleles at the  heteroplasmy sites, and a secondary haplogroup will b e assigned based on this secondary  mtDNA sequence. (see, Figure 1, Box 1, “Step6”).� �   Sample mislabeling/swap detection (see, Figure 1, Box� �2)      In a plurality of samples, each sample can be assig ned a primary haplogroup as  described herein. In the case where all samples are� �processed accurately, all samples from the  same individual will be assigned to the same haplogr oup. On the contrary, if two or more  haplogroups were assigned among these samples, the sa mple(s) with a minority haplogroup  assignment are considered haplogroup unmatched (i.e.,  mislabeled or swapped with another  sample). For example, in Table 1 below, sample 001  is considered to be swapped with sample  008.  Table 1    Sample contamination detection and quantification (see,  Figure 1, Box 3)    If an unusual high heteroplasmy number is observed i n a particular sample, the sample  is potentially contaminated. The primary and secondary  haplogroups are assigned to the  suspected sample based on the major alleles and mino r alleles on the heteroplasmy sites,  respectively (see, Figure 1, Box 1, “Step5” and  “Step6”). If the primary and secondary  haplogroups are different, the sample is considered t o be a contaminated sample.     When a sample is determined to be contaminated, the� �median of the frequencies of all the  heteroplasmies in the sample is used to represent th e contamination level.    Example 2: Use of mtDNA Haplogroup to Detect a Misl abled Sample    Samples are collected from several individuals and ea ch individual has multiple  samples. After obtaining RNA‐seq data for a batch  of clinical samples, mtDNA haplogroups are  assigned to each sample (see, Table 2). Samples coll ected from the same individual should   belong to the same mtDNA haplogroup. Unmatched mtDNA� �haplogroups suggests possible  sample mislabeling. The sample with the haplogroup L3 h1a1 should be considered a mislabeled  sample.  Table 2      Example 3: Use of mtDNA Heteroplasmy to Detect Sampl e Contamination  Virtual Contamination Sample Preparation    Whole genome sequencing fastq files of two individual s, HG00290 and NA19086, were  downloaded from 1000 Genome Project (see, ftp site a t “ftp.1000genomes.ebi.ac.uk/  vol1/ftp/”). Sequencing reads were sampled from the� �two individuals, and NA19086 reads were   mixed into HG00290 at different ratios (0.1%, 0.5%,  1%, 2%, 5%, 10%, 20%, 30%, and 40%) to  create virtual contamination samples.    Real‐World Datasets    DNA sequencing data were downloaded from 1000 Genome� �Project (see, ftp site at   “ftp.1000genomes.ebi.ac.uk/vol1/ftp/”). For each indi vidual, reads mapped to mitochondrial  genome were extracted by samtools (Li et al., Bioinf ormatics, 2009, 25, 2078‐2079) from the  bam file and subsequently converted to pair end fast q files. The fastq files were used as the  input for the methods described herein.     Fastq files of two RNA‐seq studies were downloaded� �from GEO at GSE81266 and   GSE127165. GSE81266 contained whole transcriptome data� �for 77 ileum and prepouch ileum  samples, including 61 pair end (2 x 75 bp) and 16� �single end (50 bp) samples. GSE127165  contained whole transcriptome data from 57 laryngeal  squamous cell carcinoma patients, each  patient had a tumor sample and an adjacent normal s ample. All samples were pair end with  150 bp read length.      Analytical Performance    Virtual contamination samples were analyzed. Whole gen ome sequencing data of two  individuals, HG00290 and NA19086, were downloaded from  1000 Genomes Project (Auton et  al., Nature, 2015, 526, 68‐74). HG00290 belonged to  haplogroup U5a2a1a and one    heteroplasmy was identified in this individual’s mtD NA genome (2610T>C 1.4%), while  NA19086 belonged to haplogroup D4b1a1 and two heterop lasmies were identified (1646T>C  2.1%, 12785T>T 21.3%). The two individuals had 45� �nucleotide differences in their  mitochondrial genome.    Virtual contamination samples were created by mixing  the sequencing reads from the   two samples at a series ratio, ranging from 0.1% to  40%. HG00290 was treated as the original  sample and NA19086 was treated as the contaminant. E ach contamination sample contained  50 million read pairs with read length 100 bp. The� �virtual contaminated samples were  processed by the methods described herein for contami nation analysis and the results are  summarized in Figure 3. When the contamination levels  were above 2%, 45‐46 heteroplasmies   were identified from the samples, much higher than t he normal range (1 to 2 heteroplasmies in  an individual). These heteroplasmies covered almost al l the expected sites (the 45 segregating  sites between the two individuals plus the original  heteroplasmy 2610 T>C in HG00290). Only  one expected site was missed in the 2% sample. The� �primary haplogroups were U5a2a1a for all  6 samples, which was same as the original sample HG 00290 and the secondary haplogroup was   D4b1a1, same as the contaminant. When the contaminati on level was 1%, 29 heteroplasmies  were detected. The 17 missing sites were manually ch ecked and it was determined that these  sites all showed some heteroplasmy signal, but becaus e the heteroplasmy frequency  identification cutoff was set at 1%, those sites did  not make the cutoff. The secondary  haplogroup of the 1% sample was correctly assigned t o D4b1a1. Only 1 and 11 heteroplasmies   were detected when the contamination levels were 0.1%  and 0.5%, and the secondary  haplogroups for these two samples were still U5a2a1a,  therefore, contamination cannot be  confidently detected in these low contamination level� �samples. These results indicate that by  combining the heteroplasmy number and secondary haplog roup assignment, contaminations as  low as 1% were able to be detected.    The heteroplasmy frequencies in the artificial contami nation samples were further  evaluated. There were some fluctuations of the hetero plasmy frequencies in each sample, but   the mean and median of the frequencies were signific antly correlated with theoretical  contamination level (see, Figure 2, and Figure 3; Pe arson correlation = 0.996781, 0.9979935, P  value = 6.212e‐09, 1.189e‐09 for mean and median,  respectively). Therefore, when a given  sample is detected as contaminated by the methods de scribed herein, the contamination level  can be relatively quantified by the mean/median of t he heteroplasmy frequencies in the   sample.     Real‐World Data Application: RNA‐seq Data     There are several factors that can make the low‐fr equency (<5%) heteroplasmies  identification more challenging in RNA‐seq data than  that in DNA‐seq data: 1) errors introduced   during reverse transcription step; 2) RNA editing/modi fication; and/or 3) uneven coverage  across the mtDNA genome due to varied gene expressio n levels. Therefore, to reduce the false  positive heteroplasmies, only heteroplasmies with frequ ency > 5% was considered as reliable  heteroplasmies in RNA data. In addition, three well  defined mtDNA editing sites: 295, 2617 and  13710 (Bar‐Yaacov et al., Genome Res., 2013, 23, 1 789‐1796; and Hodgkinson et al., Science,   2014, 344, 413‐415) were excluded.    The methods described herein were applied to two bul k RNA‐seq datasets to evaluate  different disease or tissue type context. First, the� �methods described herein were applied to a  dataset with 77 samples from 25 subjects (Huang et  al., Inflamm. Bowel Dis., 2017, 23, 366‐ 378). Most subjects in this study had samples from  different tissues (ileum and prepouch ileum)   and/or at different biopsy time points (4 months, 8� �months, 12 months etc.). 16 samples in this  dataset were single end samples with 50 bp read len gth and 61 were pair end samples with 75  read length. For each sample, 10 million reads (pair s) were randomly sampled to test. The  primary haplogroup assignments to the samples were fi rst evaluated. In this dataset, samples  from the same subject were all assigned to the same  mtDNA haplogroup (see, Figure 4),   indicating that there was no sample swapping. Potenti al contaminations in those samples was  evaluated next. At 5% heteroplasmy frequency cutoff,  except sample SRR3493833, all other  samples had at most 6 heteroplasmies and the seconda ry haplogroup assignments were the  same as the primary haplogroup (see, Figure 4). In  sample SRR3493833, 29 heteroplasmies  were identified, much higher than the normal range,  and the median frequency of the  heteroplasmies was 14.8%. The secondary haplogroup of� �this sample was J1c8a, which was also  different from the primary haplogroup U5b2a1a. These  results indicated that sample  SRR3493833 was potentially contaminated by another sam ple from J1 haplogroup and the  contamination level was about 14.8%.     The methods described herein were also applied to a� �dataset involving tumor samples  (Wu et al., Molec. Cancer, 2020, 19, 99). This data set contained samples from 57 laryngeal  squamous cell carcinoma patients, each has a tumor s ample and a paired adjacent normal   mucosa sample. In this dataset, the paired tumor sam ple and adjacent normal sample from the  same patient were all assigned to the same haplogrou p (see, Figure 5), no sample swap was  detected. All samples have low heteroplasmy numbers a nd same primary and secondary  haplogroup assignment ‐‐ therefore, there was also  no detectable contamination. By this  dataset, the methods described herein were demonstrate d to be able to identify tumor sample   identities.     Early and accurate sample swapping and contamination  detection is a critical quality  control step for large scale NGS data, since it can  filter out suspected samples and improve the  quality for subsequent analysis. In these examples, a n efficient method is presented to detect  sample swapping and cross‐individual contamination by  using mtDNA variations identified from   the NGS data. The methodology can take demultiplexed� �fastq files as input without any data  preprocessing. It will first detect any sample swappi ng for individual with multiple samples. It  will further detect and quantify potential contaminati on then suggest the source sample of the  contaminants. Although whole genome DNA sequencing dat a from 1000 Genomes Project and  two bulk RNA‐seq datasets were used as working exa mples for these examples, the methods   described herein can be generalized to any NGS datas et containing mtDNA reads, such as whole  exome sequencing data with offsites mtDNA reads, sing le cell RNA‐seq, ATAC‐seq data, etc. The  simulation results described herein show that the met hods described herein effectively  detected contamination as low as 1%.             Various modifications of the described subject matter,  in addition to those described  herein, will be apparent to those skilled in the ar t from the foregoing description. Such  modifications are also intended to fall within the s cope of the appended claims. Each reference  (including, but not limited to, journal articles, U.S . and non‐U.S. patents, patent application  publications, international patent application publicati ons, gene bank accession numbers, and  the like) cited in the present application is incorp orated herein by reference in its entirety.