FASTA 和 FASTQ 格式详解|SRA转fastq

FASTA 格式

FASTA 格式是一种用于存储序列信息的简单格式，广泛应用于核酸（DNA/RNA）和蛋白质序列的存储。它主要由两个部分组成：

• 描述行：以“>`”符号开头，包含序列的描述信息，如名称、来源等。
• 序列数据：实际的核酸或蛋白质序列，可以包含空格，官方建议每行不超过120字符，通常为70到80字符。实际上，许多程序在处理时会忽略空格和换行符。

示例

人类血红蛋白α亚基的蛋白质序列：

>sp|P69905|HBA_HUMAN Hemoglobin subunit alpha OS=Homo sapiens GN=HBA1
MVLSPADKTNVKAAWGKVGAHAGEYGAEALERMFLSFPTTKTYFPHFDLSHGSAQVKGHG
KKVADALTNAVAHVDDMPNALSALSDLHAHKLRVDPVNFKLLSHCLLVTLAAHLPAEFTP
AVHASLDKFLASVSTVLTSKYR

• P69905 是 UniRef 数据库中的编号。
• HBA_HUMAN 是序列简称，后面的文字描述了序列的详细信息。
• 序列部分用单字母表示氨基酸。

FASTQ 格式

FASTQ 格式是用于存储测序数据的格式，包含测序质量信息，由四行组成：

• 序列标识：以“@”开始，包含测序时的坐标等信息。
• 序列内容：表示测序得到的碱基序列，使用 ATCGN 表示。
• 描述分隔符：以“+”开始，后面可能跟有附加信息。
• 质量分数：每个字符对应序列中相应位置的测序质量。

示例

Illumina 平台的测序数据：

@ST-E00126:128:HJFLHCCXX:2:1101:7405:1133
TTGCAAAAAATTTCTCTCATTCTGTAGGTTGCCTGTTCACTCTGATGATAGTTTGTTTTGG
+
FFKKKFKKFKF<KFK<F,AFKKKKK7FFK77<KFK,&<F7K,,7AFF<FF7FKK7AA,7<FA,,

• 第一行包含了测序设备的名称和读取的坐标信息。
• 第二行是碱基序列。
• 第四行是对应位置碱基的质量值。

计算质量值的方法

• 计算公式：Q = -10 * log10§，其中 P 是测序错误概率。
• Phred 分数：Q 值加上 33 或 64 转换为 ASCII 字符。

使用 SRATools 转换文件格式

SRATools 提供了 fastq-dump 命令来转换 SRA 格式文件到 FASTQ 格式。常用参数包括：

• --split-3：分割双端测序数据为两个文件。
• --gzip：压缩输出文件为 gzip 格式。
• -O：指定输出路径。

示例命令

fastq-dump --gzip --split-3 -O path -A accession

使用 fasterq-dump 提高转换速度

随着数据量的增加，fastq-dump 的速度可能较慢，因此推荐使用 fasterq-dump 软件进行数据格式的转换。

下载和安装

# 软件下载地址
https://ftp-trace.ncbi.nlm.nih.gov/sra/sdk/3.0.7/sratoolkit.3.0.7-ubuntu64.tar.gz

# 解压
tar -zxvf sratoolkit.3.0.7-ubuntu64.tar.gz

使用方法

fasterq-dump --split-3 -e 40 your_accession_file

• 其中的 -e 指定线程数。

通过这些步骤，你可以高效地获取和处理 RNA-seq 数据，确保数据准备的准确性和高效性。