fasta与fastaq的区别以及格式转换

最新推荐文章于 2024-08-05 10:37:19 发布

XIUXIU179

最新推荐文章于 2024-08-05 10:37:19 发布

阅读量1.2w

点赞数 14

分类专栏：生物信息

本文链接：https://blog.csdn.net/XIUXIU179/article/details/110081972

版权

本文介绍了测序质量值，重点讨论了fastq和fasta两种生物信息学序列格式。fastq包含序列及其质量值，广泛用于高通量测序数据存储。fasta仅存储序列信息。文中还涵盖了质量值的ASCII编码、fastq的四行结构、fastq文件的处理方法，包括过滤、转换、排序和抽样。此外，还讨论了fasta格式的结构和转换fastq到fasta的方法。

摘要由CSDN通过智能技术生成

1）测序质量值

首先在了解fastq，fasta之前，了解一下什么是质量值。Phred 功能是处理测序仪直接生成的色谱图，给出相应的碱基和质量值。不同的测序仪会给出不同的色谱文件，Phred 能够识别三种格式的色谱文件，SCF, ABI 和预先处理的 ESD 格式。碱基的测序质量值 Q 和此碱基出错的概率 Pe 相关。公式：Q = -10 log10( Pe )。phred软件在对reads进行base calling的时候会给出每一个碱基的质量值，这个质量值的计算与测序预期错误率相关(estimated probability of error)：

 Phred Quality Score     Probability of incorrect base call      Base call accuracy
         10                              1 in 10                        90 %              
         20                             1 in 100                        99 %              
         30                             1 in 1000                       99.9 %            
         40                             1 in 10000                      99.99 %           
         50                             1 in 100000                     99.999 %

除此之外还有solexa标准，即将p换成了p/(1-p),其他完全按照sanger的定义来做。当测序质量很高的情况下两种形式几乎没区别，但低质量的碱基则有区别了(如图)

Qscore与p之间的关系，其中红线表示Q=-10 log10p标准，黑色实线表示Q=-10 log10p/(1-p)标准。

1.1）ACII码

为了方便储存及可读这些信息，利用可打印的ACII码将这些质量值转化为单字符single characters (or bytes)。ASCII 字符集，最基本的包含了128 个字符。其中前 32 个， 0-31 ，即 0x00-0x1F ，都是不可见字符，这些字符，为控制字符。可见字符为32–126。sanger-fastaq格式用 ASCII 33–126 来表示phred 质量值 0 到93 。举例来说：一般地，碱基质量从0-40，既ASCii码为从 “！”(0+33）到“I”(40+33）。如果某碱基测序出错的概率为0.001，则Q应该为30。则30+33=63，那么63对应的ASCii码为“？”，在第四行中该碱基对应的质量代表值即为“？”。