|
真金白银换来的测序文件拿到手，搞不清，读不懂，该怎么办？ 今天咱们就来聊聊测序文件那些事儿~~ 1 原始测序文件（*.fq或*.fastq）怎么打开呢？ 回答，不要试图双击打开，不要在windows系统打开，不要用写字板打开~ 为啥呢？ 因此原始测序文件一般都是很大很大的~ 一般一个菌的基因组测序文件在1Gb左右，宏基因组测序文件可能更大！如此大的文件，假如在windows系统下打开的话，死机无疑啊~~~ 2 正确的查看方式是什么呢？ 调用Linux系统，使用More或者head命令查看原始测序文件的一部分。这样既可以查看内容，又不会引起系统崩溃。 如果一定要在本地windows系统打开，且文件又相对较小的话（<10Mb）,也不能使用鼠标双击或笔记本等windows自带软件打开。建议安装Editplus或Ultraedit等专业的文本编辑器，使用鼠标右键选择打开方式的方法打开测序文件。 另一种方式，一般伴随着测序文件都会有一些说明文档或统计文件，这些文件是可以在本地直接打开的。 3 拿到的测序文件一般有两种格式（FastQ和Fasta）。这两种有何区别呢？ 回答：在对原始测序数据内容的传递上，FastQ和FastA的关系是这样的 FastA文件传递的是序列的名称和序列的内容，而FastQ格式在FastA基础上还额外具有了测序碱基的质量值。 因此，建议保存原始测序数据使用FastQ格式！ 最后，拿到测序文件的我们该怎么看呢？ (注：以下内容参考自公众号“生信技能树”，感谢分享!) Fastq格式 概念 FastQ格式是序列格式中常见的一种，它存储了生物序列以及相应的质量评价，其序列以及质量信息都是使用一个ASCII字符标示，最初由Sanger开发，目的是将FASTA序列与质量数据放到一起，目前已经成为高通量测序结果的事实标准。 格式说明 FASTQ文件中每个序列通常有四行： 1.第一行：必须以“@”开头，后面跟着唯一的序列ID标识符，然后跟着可选的序列描述内容，标识符与描述内容用空格分开; 2.第二行：序列字符(核酸为[AGCTN]+，蛋白为氨基酸字符); 3.第三行：必须以“+”开头，后面跟着可选的ID标识符和可选的描述内容，如果“+”后面有内容，该内容必须与第一行“@”后的内容相同; 4.第四行：碱基质量字符，每个字符对应第二行相应位置碱基或氨基酸的质量，该字符可以按一定规则转换为碱基质量得分，碱基质量得分可以反映该碱基的错误率。这一行的字符数与第二行中的字符数必须相同。   对于每个碱基的质量编码标示，不同的软件采用不同的方案，目前有5种方案：  其中P代表该碱基被测序错误的概率，如果该碱基测序出错的概率为0.001，则Q应该为30，那么30+33=63，那么63对应的ASCii码为“?”，则在第四行中该碱基对应的质量代表值即为“?”一般地，碱基质量从0-40，既ASCii码为从 “!”(0+33)到“I”(40+33)。以上是sanger中心采用记录read测序质量的方法，Illumina起初没有完全依照sanger中心的方法来定义测序质量，而是把P换成了p/(1-p). 其他完全按照sanger的定义来做。但是他这形式在某些情况下是不准确的，可以看出当测序质量很高的情况下两种形式几乎没区别，但低质量的碱基则有区别了。  对于每个碱基的质量编码标示，不同的软件采用不同的方案，目前有5种方案： Sanger，Phred quality score，值的范围从0到92，对应的ASCII码从33到126，但是对于测序数据(raw read data)质量得分通常小于60，序列拼接或者mapping可能用到更大的分数。 Solexa/Illumina 1.0, Solexa/Illumina quality score，值的范围从-5到63，对应的ASCII码从59到126，对于测序数据，得分一般在-5到40之间; Illumina 1.3+，Phred quality score，值的范围从0到62对应的ASCII码从64到126，低于测序数据，得分在0到40之间; Illumina 1.5+，Phred quality score，但是0到2作为另外的标示，详见http://solexaqa./questions.htm#illumina Illumina 1.8+  不同版本质量得分与质量字符ASCII值的关系 FastA格式 概念 在生物信息学中，FASTA格式(又称为Pearson格式)，是一种基于文本用于表示核苷酸序列或氨基酸序列的格式。在这种格式中碱基对或氨基酸用单个字母来编码，且允许在序列前添加序列名及注释。序列文件的第一行是由大于号">"或分号";"打头的任意文字说明(习惯常用">"作为起始)，用于序列标记。从第二行开始为序列本身，只允许使用既定的核苷酸或氨基酸编码符号。通常核苷酸符号大小写均可，而氨基酸常用大写字母。 格式说明 Fasta格式首先以大于号“>”开头，接着是序列的标识符，然后是序列的描述信息。换行后是序列信息，序列中允许空格，换行，空行，直到下一个大于号，表示该序列的结束。所有来源于NCBI的序列都有一个gi号“gi|gi_identifier”，gi号类似与数据库中的流水号，由数字组成，具有绝对唯一性。一条核酸或者蛋白质改变了，将赋予一个新的gi号(这时序列的接收号可能不变)。gi号后面是序列的标识符，标识符由序列来源标识、序列标识(如接收号、名称等)等几部分组成，他们之间用“|”隔开，如果某项缺失，可以留空但是“|”不能省略。 例子说明 >gi|187608668|ref|NM001043364.2| Bombyx mori moricin (Mor), mRNAAAACCGCGCAGTTATTTAAAATATGAATATTTTAAAACTTTTTGTGGCAATGTCTCTGGTGTCATGTAGTACAGCCGCTCC 大于号“>”开头，来源于NCBI的序列都有一个gi号“gi|gi_identifier”，gi号后面是序列的标识符，标识符由序列来源标识、序列标识(如接收号、名称等)等几部分组成，“ref|NM001043364.2|”表示序列来源于NCBI的参考序列库，接收号为“NM_001043364.2”。 微微碎碎念：数据是我们的好助手，摸透它的性格，了解它的特点，才能和它更好的合作。每一天的学习都让我们更了解自己的工作，也更了解自己的数据。 每一天获得一点微小的收获和进步。小确幸的科研也很好。与君共勉！ |
|
|
