生物信息分析中的reads是什么

由于受目前测序水平的限制，基因组测序时需要先将基因组打断成DNA片段，然后再建库测序。reads（读长）指的是测序仪单次测序所得到的碱基序列，也就是一连串的ATCGGGTA之类的，它不是基因组中的组成。不同的测序仪器，reads长度不一样。对整个基因组进行测序，就会产生成百上千万的reads。

---

测序得到的原始图像数据经 base calling 转化为序列数据，我们称之为 raw data 或 raw reads ，结果以 fastq 文件格式存储， fastq 文件为用户得到的最原始文件，里面存储 reads 的序列以及 reads 的测序质量。在 fastq 格式文件中每个 read 由四行描述：

@read ID
TGGCGGAGGGATTTGAACCC
+
bbbbbbbbabbbbbbbbbbb

• Single-end(SE)测序：1个fastq文件

• Pair-end(PE)测序：2个fastq文件分别存放read1和read2的数据

每个序列共有4行，第1行和第3行是序列名称(有的 fq 文件为了节省存储空间会省略第三行“＋”后面的序列名称)；第2行是序列；第4行是序列的测序质量，每个字符对应第2行每个碱基，第4行每个字符对应的 ASCII 值减去64，即为该碱基的测序质量值，比如 h 对应的 ASCII 值为104，那么其对应的碱基质量值是40。
碱基质量值范围为0到40。下表为 Solexa 测序错误率与测序质量值简明对应关系，具体计算公式如下：

Q = -10 log10P

Solexa测序错误率与测序质量值简明对应关系:

高通量测序时,在芯片上的每个反应,会读出一条序列,是比较短的,叫read,它们是原始数据；

有很多reads通过片段重叠,能够组装成一个更大的片段,称为contig；

多个contigs通过片段重叠,组成一个更长的scaffold；

一个contig被组成出来之后,鉴定发现它是编码蛋白质的基因,就叫singleton；
多个contigs组装成scaffold之后,鉴定发现它编码蛋白质的基因,叫unigene.