阅读 56 SEO

FastQC

A quality control tool for high throughput sequence data.

FastQC是JAVA语言编写的能够对高通量测序数据进行质控的软件。

其主要提供如下功能:

1. 可以快速的评估测序质量,并以丰富的图表形式展示。

2. 线下操作,参数简单,直接生成HTML版结果报告。

3. 输入文件格式丰富,BAM、SAM、FastQ等。

文档地址:http://www.bioinformatics.babraham.ac.uk/projects/fastqc/Help/


首先看一下官方给出的结果文件示例(Illumina结果示例),同时官方给出了不同测序文件的结果示例(结果示例

重点说明一下:不同测序得到的结果也不一样,结果中reads或是碱基的组成和分布也不一样,应该根据具体问题具体分析。

【下面的运行结果示例是按照人重WGS的分析结果进行展示的】


fastqc的运行命令

fastqc seqfile1 seqfile2 .. seqfileN

fastqc [-o output dir] [--(no)extract] [-f fastq|bam|sam] [-c contaminant file] seqfile1 .. seqfileN

-o 结果输出目录,需要预先创建,程序不会自动创建,-f 指定文件格式,默认程序自动检测,-c 指定可以污染序列,文件需要预先建立,后面指定输入文件。-q  quiet 运行提示要不要显示。

运行结束后,保存至输入文件的命名的zip文件中

解压后,目录文件如下图所示:


其中 fastqc_data.txt里面保留了运行过程中计算得到的指标参数,summary.txt中保留了每个运行指标的通过情况

查看html格式的结果报告。结果分为如下几项:


summary

结果绿色的"PASS",黄色的"WARN"和红色的"FAIL"。

1. Basic statistics(基本统计)

如下面例子所示:


2. Per base sequence quality(每个碱基序列的质量)

quality就是Fred值,-10*log10(p),p为测错的概率。所以一条reads某位置出错概率为0.01时,其quality就是20。quality越高,其出错概率越低,结果如下图:


 Per base sequence quality

横轴代表read中碱基位置,纵轴quality。若任一位置的下四分位数低于10或中位数低于25,报"WARN";若任一位置的下四分位数低于5或中位数低于20,报"FAIL".

3 .Per Sequence Quality Scores

每条reads的quality的均值的分布:


横轴为quality,纵轴是reads数目。当出现上图的情况时,我们就会知道有一部分reads具有比较差的质量。当峰值小于27(错误率0.2%)时报"WARN",当峰值小于20(错误率1%)时报"FAIL"。

4 .Per Base Sequence Content

对所有reads的每一个位置,统计ATCG四种碱基(正常情况)的分布:


横轴为reads碱基位置,纵轴为含量百分比。 正常情况下四种碱基的出现频率应该是接近的,而且没有位置差异。因此好的样本中四条线应该平行且接近。当部分位置碱基的比例出现bias时,即四条线在某些位置纷乱交织,往往提示我们有overrepresented sequence的污染。当所有位置的碱基比例一致的表现出bias时,即四条线平行但分开,往往代表文库有bias (建库过程或本身特点),或者是测序中的系统误差。此处可以大致看出WES、WGS、RNA-Seq、WGBS等碱基的组成差异。当任一位置的A/T比例与G/C比例相差超过10%,报"WARN";当任一位置的A/T比例与G/C比例相差超过20%,报"FAIL"。

5 .Per Sequence GC Content

reads的平均GC含量的分布。

红线是实际情况,蓝线是理论分布(正态分布,均值不一定在50%,而是由平均GC含量推断的)。 曲线形状的偏差往往是由于文库的污染或是部分reads构成的子集有偏差(overrepresented reads)。形状接近正态但偏离理论分布的情况提示我们可能有系统偏差。偏离理论分布的reads超过15%时,报"WARN";偏离理论分布的reads超过30%时,报"FAIL"。

6 .Per Base N Content

当测序仪器不能辨别某条reads的某个位置到底是什么碱基时,就会产生“N”。对所有reads的每个位置,统计N的比率:

正常情况下N的比例是很小的,所以图上常常看到一条直线,当Y轴在0%-100%的范围内也能看到“突起”时,说明测序系统出了问题。当任意位置的N的比例超过5%,报"WARN";当任意位置的N的比例超过20%,报"FAIL"。

7 .Sequence Length Distribution


当reads长度不一致时报"WARN";当有长度为0的read时报“FAIL”。

8. Duplicate Sequences

统计序列完全一样的reads的频率。测序深度越高,越容易产生一定程度的duplication,这是正常的现象,但如果duplication的程度很高,就提示我们可能有bias的存在(如建库过程中的PCR duplication)。

横坐标是duplication的次数,纵坐标是duplicated reads的数目。当非unique的reads占总数的比例大于20%时,报"WARN";当非unique的reads占总数的比例大于50%时,报"FAIL“。

fastuniq可以帮助去除测序结果中的重复的reads,由此可以减少后续分析(variant calling)的假阳性结果。作为对比,处理之后的重复分布情况如下图



9. Overrepresented Sequences

如果有某个序列出现次数“太多”,就叫做over-represented。为了计算方便,只取了fq数据的前200K条reads进行统计,所以有可能over-represented reads不在里面。而且只取50bp。如果命令行中加入了-c contaminant file,出现的over-represented sequence会从contaminant_file里面找匹配的hit(至少20bp且最多一个mismatch),可以给我们一些线索。当发现超过总reads数0.1%的reads时报”WARN“,当发现超过总reads数1%的reads时报”FAIL“。

参考来源:

http://www.bioinformatics.babraham.ac.uk/projects/fastqc/

作者:希望你会好

原文链接:https://www.jianshu.com/p/7f9d14ceac64

文章分类
后端
文章标签
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 gxwowoo@163.com 举报,一经查实,本站将立刻删除。
相关推荐