测序知识

思维导图总结

测序知识.png

一二三代测序对比

image.png

数据格式总结

Fastq & Fasta

Fastq格式

一种基于文本的，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,一般都包含有4行。

第一行：由‘@’开始，后面跟着序列ID和可选的描述，序列ID是唯一的；

第二行：碱基序列；

第三行：由‘+’开始，后面是序列的描述信息；

第四行：第二行序列的质量评价(quality value)。
🌰

image.png

@HISEQ:777:HCMCVBCX2:1:1101:4712:2186 1:N:0:TACTCCAG

HISEQ：仪器 ID

777：Run ID

HCMCVBCX2：FlowCell ID

1：The lane number

1101：流通池道内的tile号码

4712：瓦片中的集群的‘x'坐标

2186：瓦片中的集群的’y'坐标

1：成对的成员，1或2（配对结束或配对读取）

N：如果读取过滤，则为Y；否则为N

0：当没有控制位开启时为0，否则为偶数

TACTCCAG：索引序列

Fasta格式：

image.png

1：以“>”为开头，fasta格式标志。

2：序列ID号，gi号，NCBI数据库的标识符，具有唯一性。

格式为：gi|gi号|来源标志|序列标志（接收号、名称等），若某项缺失可以留空，“|”保留。

3：序列描述。

4：碱基序列，序列中允许空格、换行、空行，一般一行60个。

Fastq文件→Fasta文件

Linux命令

法1：sed '/^@/!d;s//>/;N' your.fastq > your.fasta

法2：seqtk seq -A input.fastq > output.fasta

FASTX-Toolkit

•一款用于处理Short-Reads FASTA/FASTQ文件的程序，里面包含了丰富的Fasta/Fastq文件格式转换、统计等命令。

http://hannonlab.cshl.edu/fastx_toolkit/

GenBank & EMBL

GenBank

以LOCUS和一些注释行开始。

序列的开头以“ORIGIN”标记，末尾以“//”标记。

image.png

EMBL

以标识符行（ID）开头，后面跟着更多注释行。

序列的开头以“SQ”开头标记，序末尾以“//”标记。

image.png

** 表 1 GenBank & EMBL数据库格式的对比**

image.png

EMBL → Fasta格式转换（在线工具）：

http://www.geneinfinity.org/sms/sms_embltofasta.html
常见测序文件格式解析的网站：
https://genome.ucsc.edu/FAQ/FAQformat.html#format1

reference:
测序技术原理及常用数据格式简介：https://mp.weixin.qq.com/s?__biz=MzIzODU4Njc4MQ==&mid=2247484921&idx=1&sn=54fa0847e6e28567ad6ea5821ac3f394&chksm=e9365b0bde41d21d8a095b588c88705bd1e33fefc8b657ebff395b60a59836fce711a76da6ce&scene=21#wechat_redirect
名词结构化：
https://mp.weixin.qq.com/s?__biz=MzU4NjU4ODQ2MQ==&mid=2247483729&idx=1&sn=05e5b864d97d0da43998999fc9f8d1fe&chksm=fdf84913ca8fc0050cea4e05cd95ef9ff66530ebd4bb287736912bd1b7f39cf25667421ee6e7&scene=21#wechat_redirect

陈巍学基因第一讲
DNA 测序技术的发展：第三代测序法：https://mp.weixin.qq.com/s?__biz=MzI1MzAyNDMyNg==&mid=400243721&idx=1&sn=cb9ea0261bab9ecdbf4651b1a5c452f7&scene=21#wechat_redirect