FASTQ格式

FASQT格式是用于存储生物序列（通常是核苷酸序列）及其相应的碱基质量分数的一种文本格式。为简洁起见，序列字母和质量分数均使用单个ASCII字符进行编码。最初由Wellcome Trust Sanger Institute（桑格研究所）开发用于捆绑FASTA格式的序列和其碱基质量分数的，现在已成为存储Illumina Genome Analyzer（Illumina基因组分析仪）等高通量测序仪的标准输出格式。

FASTQ文件格式

第1行，以“@” 字符开头，后面跟着一个序列标识符和一个可选的描述（像FASTA格式标题行）。
第2行，原始序列字符。
第3行，以“+”字符开头，后面可选地跟着相同的序列标识符或者任何描述。
第4行，第2行序列每个碱基的质量编码值，包含与第2行字符数量相同的符号。

包含单个序列的FASTQ文件示例如下：

@SEQ_ID
GATTTGGGGTTCAAAGCAGTATCGATCAAATAGTAAATCCATTTGTTCAACTCACAGTTT
+
!''*((((***+))%%%++)(%%%%).1***-+*''))**55CCF>>>>>>CCCCCCC65

字符“！”和“~”分别代表最低和最高质量，下面是ASCII代表质量值从左到右顺序递增：

!"#$%&'()*+,-./0123456789:;<=>?@ABCDEFGHIJKLMNOPQRSTUVWXYZ[\]^_`abcdefghijklmnopqrstuvwxyz{|}~

Illumina序列标识符

来自Illumina软件的序列使用系统标识符：

@HWUSI-EAS100R:6:73:941:1973#0/1

HWUSI-EAS100R	the unique instrument name
6	flowcell lane
73	tile number within the flowcell lane
941	'x'-coordinate of the cluster within the tile
1973	'y'-coordinate of the cluster within the tile
#0	index number for a multiplexed sample (0 for no indexing)
/1	the member of a pair, /1 or /2 (paired-end or mate-pair reads only)

Illumina流程1.4版本以后，使用#NNNNNN代替#0作为多重ID，NNNNNN是多重标签的序列。

@EAS139:136:FC706VJ:2:2104:15343:197393 1:Y:18:ATCACG

EAS139	the unique instrument name
136	the run id
FC706VJ	the flowcell id
2	flowcell lane
2104	tile number within the flowcell lane
15343	'x'-coordinate of the cluster within the tile
197393	'y'-coordinate of the cluster within the tile
1	the member of a pair, 1 or 2 (paired-end or mate-pair reads only)
Y	Y if the read is filtered, N otherwise
18	0 when none of the control bits are on, otherwise it is an even number
ATCACG	index sequence

请注意，最新版本的Illumina软件会输出样本编号（从样本表中读取替代）代替索引序列。例如，以下情况可能出现在批次的第一个样本中：

@EAS139:136:FC706VJ:2:2104:15343:197393 1:N:18:1

NCBI SRA数据

来自NCBI/EBI SRA数据库的FASTQ文件通常包含如下一个描述：

@SRR001666.1 071112_SLXA-EAS1_s_7:5:1:817:345 length=36
GGGTGATGGCCGCTGCCGATGGCGTCAAATCCCACC
+SRR001666.1 071112_SLXA-EAS1_s_7:5:1:817:345 length=36
IIIIIIIIIIIIIIIIIIIIIIIIIIIIII9IG9IC

在本例中，由一个NCBI分配的标识符、描述保存Solexa/Illumina的原始标识符和read长度。测序是在双端模式下进行的（~500bp插入大小），详见SRR001666。值得注意的是，当使用带缺省参数设置的fastq-dump从SRA数据中提取数据时，fastq-dump将正向read和反向read的序列连接在一起，提取的序列具有双倍长度，丢失了双端测序信息。

$ /opt/sratoolkit.2.5.7-centos_linux64/bin/fastq-dump SRR001666
@SRR001666.1 071112_SLXA-EAS1_s_7:5:1:817:345 length=72
GGGTGATGGCCGCTGCCGATGGCGTCAAATCCCACCAAGTTACCCTTAACAACTTAAGGGTTTTCAAATAGA
+SRR001666.1 071112_SLXA-EAS1_s_7:5:1:817:345 length=72
IIIIIIIIIIIIIIIIIIIIIIIIIIIIII9IG9ICIIIIIIIIIIIIIIIIIIIIDIIIIIII>IIIIII/
@SRR001666.2 071112_SLXA-EAS1_s_7:5:1:801:338 length=72
GTTCAGGGATACGACGTTTGTATTTTAAGAATCTGAAGCAGAAGTCGATGATAATACGCGTCGTTTTATCAT
+SRR001666.2 071112_SLXA-EAS1_s_7:5:1:801:338 length=72
IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII6IBIIIIIIIIIIIIIIIIIIIIIIIGII>IIIII-I)8I

更好的方法是保存原始材料并分成两个或三个文件（正向、反向、单个），例如：

$ /opt/sratoolkit.2.5.7-centos_linux64/bin/fastq-dump --origfmt --split-3 SRR001666
$ head SRR001666_1.fastq  SRR001666_2.fastq
==> SRR001666_1.fastq <==
@071112_SLXA-EAS1_s_7:5:1:817:345
GGGTGATGGCCGCTGCCGATGGCGTCAAATCCCACC
+071112_SLXA-EAS1_s_7:5:1:817:345
IIIIIIIIIIIIIIIIIIIIIIIIIIIIII9IG9IC
@071112_SLXA-EAS1_s_7:5:1:801:338
GTTCAGGGATACGACGTTTGTATTTTAAGAATCTGA
+071112_SLXA-EAS1_s_7:5:1:801:338
IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII6IBI

==> SRR001666_2.fastq <==
@071112_SLXA-EAS1_s_7:5:1:817:345
AAGTTACCCTTAACAACTTAAGGGTTTTCAAATAGA
+071112_SLXA-EAS1_s_7:5:1:817:345
IIIIIIIIIIIIIIIIIIIIDIIIIIII>IIIIII/
@071112_SLXA-EAS1_s_7:5:1:801:338
AGCAGAAGTCGATGATAATACGCGTCGTTTTATCAT
+071112_SLXA-EAS1_s_7:5:1:801:338
IIIIIIIIIIIIIIIIIIIIIIGII>IIIII-I)8I

另请注意，NCBI已将此FASTQ数据从原始Solexa/Illumina编码转换为Sanger标准（请参阅下面的编码）。

变动

质量

质量值Q是p的整数映射（即相应碱基判定不正确的概率），主要有两种不同的公式被使用。第一种是评估碱基判定的可靠性的不标准Sanger变体，也称为Phred质量分数：

Solexa流程（即与Illumina Genome Analyzer一起交付的软件）较早使用了不同的映射编码概率p/（1-p），而不是p：

虽然两个映射在更高质量值处渐近地相同，但它们在较低质量水平下不同（即，近似p> 0.05等同Q <13）。

使用Sanger（红色）和Solexa（黑色）方程（如上所述）的Q和p之间的关系。垂直虚线表示p = 0.05，或等同地Q≈13。

llumina流程1.4版用户指南（附录B，第122页）指出：“评分定义为：Q=10*log10(p/(1-p))，其中p是对应碱基判定的概率”。Illumina流程1.5版用户指南（第5页新增内容）对此进行了修改，“流程1.3版质量评分方案已更改为Phred评分方案，质量得分按Phred+64被转换为ASCII字符表示。”

编码

Sanger格式可以使用ASCII 33~126字符表示0~93的Phred质量分数（尽管在原始read数据中，Phred质量分数很少超过60，但在组装或比对中可能有更高的分数）。这种方法也用于SAM格式中。根据seqanswers.com 上的公告，到2011年2月底，Illumina最新版本（1.8）的CASAVA流程将直接产生Sanger格式的fastq文件。
Solexa/Illumina 1.0格式可以使用ASCII 59~126字符表示-5~62的Solexa/Illumina评分（原始read数据Solexa评分仅为-5~40）。
从Illumina 1.3版本开始，到Illumina 1.8版本，使用ASCII 64~126表示0~62的Phred质量分数（原始数据中Phred分数仅为0~40）。
从Illumina1.5版本开始，到Ilumina 1.8版本，Phred分数为0~2的含义略有不同。值0和1不在使用，值2（ASCII字符“B”）作为read片段结束的质量控制指示器。Illumina手册（第30页）内容：如果read以质量最差的一段（Q15或更低）结束，则片段中的所有质量值将被值2替换（ASCII字符“B”）…此Q2指标不能表示特定的错误率，而是表示read的特定最终部分不应用于进一步分析。此外，在Illumina 1.6版本之前，质量分数编码为“B”的碱基也可能在read内部发生，如下所示：

@HWI-EAS209_0006_FC706VJ:5:58:5894:21141#ATCACG/1
TTAATTGGTAAATAAATCTCCTAATAGCTTAGATNTTACCTTNNNNNNNNNNTAGTTTCTTGAGATTTGTTGGGGGAGACATTTTTGTGATTGCCTTGAT
+HWI-EAS209_0006_FC706VJ:5:58:5894:21141#ATCACG/1
efcfffffcfeefffcffffffddf`feed]`]_Ba_^__[YBBBBBBBBBBRTT\]][]dddd`ddd^dddadd^BBBBBBBBBBBBBBBBBBBBBBBB

对于原始的read，质量分数的范围取决于所使用的技术和碱基判定标准，但对于最新的Illumina流程，通常会达到41.由于最大观察质量分数以前仅为40，因此各种脚本工具在遇到质量值大于40的数据时会中断。而对于经过过处理的read，质量分数可能会更高。例如：Illumina的Long Read Sequencing Service（以前的Moleculo）中read的质量分数为45。

  SSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSS.....................................................
  ..........................XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX......................
  ...............................IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII......................
  .................................JJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJ.....................
  LLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLL....................................................
  !"#$%&'()*+,-./0123456789:;<=>?@ABCDEFGHIJKLMNOPQRSTUVWXYZ[\]^_`abcdefghijklmnopqrstuvwxyz{|}~
  |                         |    |        |                              |                     |
 33                        59   64       73                            104                   126
  0........................26...31.......40                                
                           -5....0........9.............................40 
                                 0........9.............................40 
                                    3.....9..............................41 
  0.2......................26...31........41                              

 S - Sanger        Phred+33,  raw reads typically (0, 40)
 X - Solexa        Solexa+64, raw reads typically (-5, 40)
 I - Illumina 1.3+ Phred+64,  raw reads typically (0, 40)
 J - Illumina 1.5+ Phred+64,  raw reads typically (3, 41)
     with 0=unused, 1=unused, 2=Read Segment Quality Control Indicator (bold) 
     (Note: See discussion above).
 L - Illumina 1.8+ Phred+33,  raw reads typically (0, 41)

色域

SOLiD数据，除了第一个位置，序列信息存储在色域中。质量值是Sanger格式的质量值，比对工具在质量值的首选版本上有所不同：其中一些包括主要和核苷酸的质量评分，而另一些则没有。序列read存档文件包含此质量分数。

模拟

FASTQ read模拟主要有以下几个工具：ART、XS。

压缩

质量分数占FASTQ格式所需磁盘空间（压缩前）的一般左右，因此压缩质量值可显著降低存储需求并加快测序数据的分析和传输。文献中提到的压缩方式主要无损和有损压缩。例如，有损压缩QualComp，无损压缩SCALCE、fastqz。

从Hiseq 2500开始，Illumina提供了将粗粒度质量输出到质量表的选项。分积分数直接从经验质量分数表中计算得出，该分数表与测序实验中所使用的硬件、软件和化学物质有关。

文件拓展名

FASTQ文件并没有标准的文件拓展名，但通常都是.fq或.fastq。

格式转换器

Biopython version 1.51 onwards (interconverts Sanger, Solexa and Illumina 1.3+)
EMBOSS version 6.1.0 patch 1 onwards (interconverts Sanger, Solexa and Illumina 1.3+)
BioPerl version 1.6.1 onwards (interconverts Sanger, Solexa and Illumina 1.3+)
BioRuby version 1.4.0 onwards (interconverts Sanger, Solexa and Illumina 1.3+)
BioJava version 1.7.1 onwards (interconverts Sanger, Solexa and Illumina 1.3+)
MAQ can convert from Solexa to Sanger (use this patch to support Illumina 1.3+ files).
fastx_toolkit The included fastq_quality_converter program can convert Illumina to Sanger

命令行转换

FASTQ to FASTA format:

zcat input_file.fastq.gz | awk 'NR%4==1{printf ">%s\n", substr($0,2)}NR%4==2{print}' > output_file.fa

Illumina FASTQ 1.8 to 1.3

sed -e '4~4y/!"#$%&'\''()*+,-.\/0123456789:;<=>?@ABCDEFGHIJ/@ABCDEFGHIJKLMNOPQRSTUVWXYZ[\\]^_`abcdefghi/' myfile.fastq   # add -i to save the result to the same input file

Illumina FASTQ 1.3 to 1.8

sed -e '4~4y/@ABCDEFGHIJKLMNOPQRSTUVWXYZ[\\]^_`abcdefghi/!"#$%&'\''()*+,-.\/0123456789:;<=>?@ABCDEFGHIJ/' myfile.fastq   # add -i to save the result to the same input file

Illumina FASTQ 1.8 raw quality to binned quality (HiSeq Qtable 2.10.1, HiSeq 4000 )

sed -e '4~4y/!"#$%&'\''()*+,-.\/0123456789:;<=>?@ABCDEFGHIJKL/))))))))))----------77777<<<<<AAAAAFFFFFJJJJ/' myfile.fastq   # add -i to save the result to the same input file

Illumina FASTQ 1.8 raw quality to clinto format (a visual block representation)

sed -e 'n;n;n;y/!"#$%&'\''()*+,-.\/0123456789:;<=>?@ABCDEFGHIJKL/▁▁▁▁▁▁▁▁▂▂▂▂▂▃▃▃▃▃▄▄▄▄▄▅▅▅▅▅▆▆▆▆▆▇▇▇▇▇██████/' myfile.fastq   # add -i to save the result to the same input file

参考资料

wiki FASTQ

转载请标明《http://www.cnblogs.com/yahengwang/p/8973948.html》

posted @ 2018-04-30 16:36 青蛙快飞阅读(7272) 评论(0) 编辑收藏举报

会员力量，点亮园子希望

刷新页面返回顶部

加载中......

生信小栈

亚恒的生信学习笔记