Fastq格式
二代测序平台获得的原始数据为fastq（或为压缩文件fq.gz）格式，包含双末端测序所得的正向和反向两个文件（通常用“1”和“2”来区分），如下所示：
fastq格式
每一个read包含四行内容，其中第一行以@开头，后面是reads的属性信息，也即read名称。中间用“:”隔开。例如上例中HISEQ为测序平台名称，266为测序运行run的编号，HHNWKBCXX为流通池（flowcell）编号。接下来四个数字为位置信息，2代表流通池中的第2个lane，1101代表第2个lane中的第1101个tile，10010:58789代表该read在该tile中的x：y坐标信息。1为读取编号，双末端一共有两次读取（不包含index的读取）。N代表没有被仪器过滤掉，也即通过了初步质量过滤；0为controlnumber，代表对照序列的鉴定情况。GGCTAC为文库Index序列。
第二行为read序列信息。一般条件下read1里面最前面为特异性Barcode和反向引物的序列，read2里面最前面为正向引物的序列。
第三行以“+”开头，跟随者该read的名称（一般与@后面的内容相同），可以省略，但“+”一定不能省。
第四行代表read每个碱基的测序质量。每个碱基对应的字符在ASCII码中对应的十进制数字减去33即为该碱基质量（也即Phred33体系），例如上图中第一个碱基的质量为D，对应的十进制数字为68（见下表），则碱基质量为68-33=35。碱基质量Q=-10*lgP，P为碱基被测错的概率。也即Q为30代表被测错的概率为0.001，碱基质量越高，则被测错的概率越低。
ASCII码列表
FastQC质检
对于新下机的原始数据，我们可以使用软件FastQC来对其测序质量进行可视化，软件地址：
http://www.bioinformatics.babraham.ac.uk/projects/fastqc/
FastQC使用方法如下：
fastqc -oqt fastqfile
其中参数-o设置结果文件输出路径，默认为当前路径；-q为安静模式运行；-t设置所使用的核数，根据服务器情况而定，更多命令行选项使用命令fastqc -h来查看。fastqfile为原始测序数据，也可以是fq.gz压缩文件，更多使用示例：
#可以同时检查正反向原始数据：
fastqc -o fastqc -t 20 R1.fastq R2.fastq
#对于大批量的数据，也可以用过管道命令和shell脚本进行批量处理：
ls rawdata/*fq | while read id; do fastqc -o fastqc -q -t 20 $id; done
#或者后台运行模式（一次提交多任务，所以核数要调小）：
ls rawdata/*fq | while read id; do nohup fastqc -o fastqc -q -t 2 $id & done
#上面的while循环是很常用的一种文档批处理方法，注意变量的运算使用的是通配符而非正则表达式。对引用标准输入还可使用xargs函数：
ls rawdata/*fq | xargs -n 1 -P 5 fastqc -o fastqc -q -t 10
#有时候一个项目有大批量样品甚至大批量文库，需要合并来检测质量并做报告，这时候可以使用以下命令合并序列文件：
cat *1.fq > total.R1.fqcat *2.fq > total.R2.fq
打开生成的html结果报告文件，就可以看到可视化的质检结果。在查看结果之前，我们要对自己的数据有一定的把握，例如是否已经去掉接头，是扩增子测序数据还是鸟枪法测序数据等。基因组宏基因组鸟枪法测序数据reads比较随机均匀，碱基分布也会比较均匀，而扩增子数据由于两端都有引物，以及插入片段均为16S，所以会出现很多重复序列，且碱基分布非均匀。接下来详细解析不同检测结果的含义。
使用浏览器打开html文件后，即可看到基本的参数以及质量分析结果，结果分为绿色的"PASS"，黄色的"WARN"和红色的"FAIL"，如下所示：
FastQC结果
更多内容请查看原文：
网友评论