03-28 09:04 阅读 515

FASTQ格式详解

简介

FASTQ是基于文本的，保存生物序列（通常是核酸序列）和其测序质量信息的标准格式。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。

1 格式说明

FASTQ文件中每个序列通常有四行：

序列标识以及相关的描述信息，以‘@’开头；

第二行是序列

第三行以‘+’开头，后面是序列标示符、描述信息，或者什么也不加

第四行，是质量信息，和第二行的序列相对应，每一个序列都有一个质量评分，根据评分体系的不同，每个字符的含义表示的数字也不相同。

例如：

1 关于质量编码格式

质量评分指的是一个碱基的错误概率的对数值。其最初在Phred拼接软件中定义与使用，其后在许多软件中得到使用。其质量得分与错误概率的对应关系见下表：

除了Phred质量得分换算标准，还有就是Solexa标准：

两种换算标准的比较：

Relationship between Q and p using the Sanger (red)and Solexa (black) equations (described above). The vertical dotted lineindicates p = 0.05, or equivalently, Q ≈ 13.

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.sourceforge.net/questions.htm#illumina
Illumina 1.8+

下面是更为直观的表示：

1 文件后缀

没有特别的规定，通常使用.fq, .fastq, .txt等。

A FASTQ file normally uses four lines per sequence.Line 1 begins with a '@' character and is followed by a sequence identifier andan optional description (like a FASTA title line). Line 2 is the raw sequence letters. Line3 begins with a '+' character and is optionally followed by the samesequence identifier (and any description) again. Line 4 encodes the qualityvalues for the sequence in Line 2, and must contain the same number of symbolsas letters in the sequence.

FASTQ格式的序列一般都包含有四行，第一行由'@'开始，后面跟着序列的描述信息，这点跟FASTA格式是一样的。第二行是序列。第三行由'+'开始，后面也可以跟着序列的描述信息。第四行是第二行序列的质量评价（qualityvalues，注：应该是测序的质量评价），字符数跟第二行的序列是相等的。

FASTQ格式例子：

例如在NCBI看到的FASTQ格式如下：

参考链接：

http://en.wikipedia.org/wiki/FASTQ_format

Java