做了那么多测序数据，你知道怎么看测序数据吗？
做了那么多测序数据，公司给了那么多文件，各个文件都是个啥？怎么有的文件连打开都打开不了，是我的编辑器有问题？（编辑器又是个什么玩意？）怎么有的文件打开的那么慢，咦，把我的编辑器都弄崩了。好吧，关闭重新打开，咦，怎么还是打不开？好吧，我放弃了。
了解了下面的介绍，可能你就能解决以上问题了。
下面主要介绍三种文件格式：1.fasta。2.fastq。3.sam。
1.Fasta/fa
我们的测序数据要往参考基因组比对吧，参考基因组呢，就是fasta格式，fasta格式应该比较熟悉，是这样子滴。
exu
一般是一行染色体信息，接着下一行为序列信息。动物的参考基因组一般都比较大，但基本记事本都能打开。
2.fastq
这个是测序之后的原始数据，一般测序公司都会发给我们，可能是压缩文件，不过都一样了，我们打开一看，怎么看起来奇怪的，来，慢慢的学起来了。
image
这张图是不是很清楚了？什么，不清楚，好吧，我们再详细点。
Fastq数据的行数是4的倍数，每四行表示一条read，这四行每行都代表着这条read的信息。第一行，以@起始，可以表示这条read的ID；第二行就是这条read的序列；第三行是描述行；第四行表示每个第二行中每个碱基对应的质量，怎么还有A、\等信息呢？第四行与碱基对应位置的字符代表了这个碱基的质量，其中A、\等都表示对应的碱基的质量。（字符是啥？A是个字符，\也是个字符）。其中上图中框出来的，C是碱基，E就是对应的碱基质量。那E是多少呢？再看这张图有和Q-score对应的得分，E就是36.
image
3.Sam/Bam
Sam/bam文件为比对后的文件，这个公司一般会给我们bam文件，大小相对较小，和sam的内容一样，只是被经过了压缩。再详细一点，Sam是标准比对文件格式，Sequence Alignment/Map format 的缩写，以tab分隔，可以用普通编辑器打开并查看。Bam文件是sam文件用bgzf方式压缩的二进制文件，不能用普通的编辑器打开，可以用samtools view查看。Sam文件和bam文件可以通过工具互相转换。接下来详细的了解sam格式。
Sam格式包括了3部分：1.文件头格式。2.比对格式。3.tag标记格式。
1.文件头格式：
image
其中每种type表示什么意思如下图
image
其中VN表示版本号；so表示排序方法，有按qname排序，有按位置排序；sn表示参考序列名字，ln参考序列长度；id表示readgroupid等。
2.比对格式
image
其中1-12分别和下图中的field对应
image
1.就是模板名字，可以认为是read的ID。2.flag这个下面会有详细讲解。3.参考序列的名字。4.mapping的参考基因组上的位置。5.mapping质量。6.cigar，这个下节可以详细讲解。7.R2对应的参考序列的名字。8.R2的位置。9.模板的长度。10.序列。11.每个base对应的质量。12.tag
除了这些测序常用的格式之外，还有vcf文件，bed文件，gtf，gff等，留着下次介绍吧。不早了，我要写bug去了（噢，不，debug）。
如有兴趣，欢迎关注哟。
微信公众号：生物信息学习。
image
网友评论