生信中常用的文件格式认识(一)-----fasta和fastQ

一.fasta格式

fasta格式是一种基于文本用于表示核酸序列或多肽序列的格式。其中核酸或氨基酸均以单个字母来表示，且允许在序列前添加序列名及注释。该格式已成为生物信息学领域的一项标准。(百度百科)

fasta格式解读

fasta格式形式如下图，由两部分组成。

fasta

第一部分：以大于号“ > ” 开头，接着是序列的标 识符“gi|187608668|ref|NM_001043364.2|”，然后是序列的描述信息。注意区分大小写，且不能出现空格，空格表示序列标识符结束；随后是序列的描述信息。所有来源于NCBI的序列都有一个gi号“gi|gi_identifier”，gi号由数字组成，具有唯一性。一条核酸或者蛋白质改变了，将赋予一个新的gi号（这时序列的接收号可能不变）。gi号后面是序列的标识符，标识符由序列来源标识、序列标识（如接收号、名称等）等几部分组成，他们之间用“|”隔开，如果某项缺失，可以留空但是“|”不能省略。
第二部分：是序列本身信息，使用既定的核苷酸或氨基酸编码符号，通常核苷酸符号大小写均可，而氨基酸常用大写字母。使用时应注意有些程序对大小写有明确要求。一般每行60～80个字母。直到遇到下一个" > "结束。
fasta格式在拓展的文件命名中，一般会约定俗成：

fasta扩展文件名

参考自http://www.biotrainee.com/thread-2703-1-2.html

二.fastQ格式

FASTQ是一种存储了生物序列（通常是核酸序列）以及相应的质量评价的文本格式。
它们都是以ASCII编码的。几乎是高通量测序的标准格式。NCBI Short Read Archive也是这格式，多了一些描述性词汇而已。（百度百科）

fastq格式解读

fastQ格式形式如下图，由四部分组成。

fastQ

第一部分：由'@'开始，后面跟着序列的描述信息，这点跟FASTA格式是一样的。
第二部分：是序列。
第三部分：由加号' + '开始，后面也可以跟着序列的描述信息。跟随着该read的名称（一般与@后面的内容相同），但有时可以省略，但“+”一定不能省。
第四部分：是对第二行序列的质量评价（quality values，注：应该是测序的质量评价），字符数跟第二行的序列是相等的。

Illumina测序仪是按照荧光信号来判断所测序的碱基是哪一种的，例如红黄蓝绿分别对应ATCG，那么一旦出现一个紫色的信号该怎么判断呢，因此对每个结果都有一个概率的问题。起初sanger中心用Phred quality score来衡量该read中每个碱基的质量，既-10lgP ，其中P代表该碱基被测序错误的概率，如果该碱基测序出错的概率为0.001，则Q应该为30，那么30+33=63，那么63对应的ASCii码为“？”，则在第四行中该碱基对应的质量代表值即为“？”，ASCii参考如下图

ASCii

fastQ文件用途：样品测序返回的数据一般存储为fastq文件，通常是压缩文件filename.fq.gz的格式，节省存储空间和传输时间。

查看fastQ文件方法可参考https://cloud.tencent.com/developer/article/1520816