pacbio 原始下机数据h5 文件简介
pacbio 采用hdf5文件格式保存原始的下机数据，对于RS 测序系统而言，会产生一个 bas.h5 的文件;
以bas.h5 文件为例，看一下有下机数据中保存了那些信息
h5dump 工具可以用来查看h5 文件的内容：
我从HGAP的wiki 页面下载了一个测试用的h5文件，文件名为 m120729_040044_42134_c100384402550000001523033010171256_s1_p0.bas.h5
运行下面命令：
h5dump -n m120729_040044_42134_c100384402550000001523033010171256_s1_p0.bas.h5
可以看到这个文件中所有的group和dataset, 由于结果太多，只展示最上层的两个group；
group / group /PulseData group /ScanData
通过这个命令的运行结果，可以发现，这个h5文件中有两个大的group : PulseData 和 ScanData
其中ScanData 存储的是和仪器相关的一些设备信息，就不详细看了，重点看下PulseData group 下的信息；
group /PulseData group /PulseData/BaseCalls group /PulseData/ConsensusBaseCalls
在 PluseData group 下面又有两个subgroup, BaseCalls 和 ConsensusBaseCalls ;
其中BaseCalls 存放的是原始的碱基calling的结果，而ConsensusBaseCalls 存放的是环形一致性序列（ccs）的碱基calling的结果，
在这两个group下有一个相同名称的数据集 Basecall, 存放的就是碱基序列的信息
dataset /PulseData/BaseCalls/Basecall dataset /PulseData/ConsensusBaseCalls/Basecall
使用如下命令，查看该数据集的内容：
h5dump -d /PulseData/ConsensusBaseCalls/Basecall m120729_040044_42134_c100384402550000001523033010171256_s1_p0.bas.h5 > Basecall.info
由于文件内容太多，重定向到一个文件中；-d 参数指定你想要查看的数据集的名称
通过BaseCall.info 文件中的内容可以看到，如下的信息
DATA {
(0): 67, 71, 67, 67, 65, 71, 67, 71, 65, 65, 84, 71, 71, 67, 84, 71, 67,
(17): 71, 71, 71, 71, 65, 65, 71, 67, 65, 71, 65, 65, 65, 84, 84, 65, 84,
(34): 67, 67, 71, 84, 65, 65, 65, 67, 84, 71, 84, 84, 71, 67, 84, 71, 67,
(51): 67, 71, 65, 65, 65, 84, 71, 67, 67, 65, 71, 67, 71, 65, 84, 71, 67,
(68): 65, 71, 84, 71, 84, 67, 84, 71, 67, 65, 65, 67, 84, 71, 71, 67, 65,
这里的DATA 就是测序得到的碱基序列，只不过采用了ASCII 编码，A=> 65, C=> 67, G=>71, T=>84;
只有碱基序列还不够，我们还需要碱基质量的信息，对应的dataset的名称为 QualityValue
dataset /PulseData/BaseCalls/QualityValue dataset /PulseData/ConsensusBaseCalls/QualityValue
同样的方式查看碱基质量的数据：
h5dump -d /PulseData/ConsensusBaseCalls/QualityValue m120729_040044_42134_c100384402550000001523033010171256_s1_p0.bas.h5 > Basecall.quality
通过BaseCall.quality 文件中的内容可以看到，如下的信息
DATA {
(0): 51, 44, 42, 44, 24, 24, 51, 51, 51, 51, 50, 20, 20, 20, 50, 51, 51,
(17): 48, 48, 48, 47, 9, 9, 9, 51, 51, 46, 31, 31, 31, 31, 44, 51, 51, 30,
(35): 30, 51, 51, 7, 7, 7, 7, 51, 51, 44, 44, 44, 51, 51, 50, 27, 27, 26,
(53): 27, 27, 27, 27, 51, 36, 36, 30, 30, 51, 51, 49, 49, 51, 51, 51, 51,
(70): 51, 51, 51, 51, 51, 51, 49, 44, 31, 51, 51, 20, 20, 34, 48, 48, 31,
(87): 30, 34, 36, 23, 23, 51, 26, 26, 49, 50, 45, 45, 50, 44, 41, 43, 50,
(104): 50, 51, 37, 37, 50, 51, 25, 25, 44, 51, 51, 51, 37, 37, 37, 37, 51,
这里的DATA就是碱基质量值，pacbio的碱基质量值和illumina的碱基质量值一样的。
参考链接：http://files.pacb.com/software/instrument/2.0.0/bas.h5%20Reference%20Guide.pdf
