NGS009 生信常用数据格式

Fasta & Fastq

• Fasta
  a也即alignment，Fasta格式也称为Pearson格式，是一种基于文本，用于表示核苷酸序列或氨基酸序列的格式，一般为参考基因组序列。fasta格式文件共2行，第1行是由大于号'>'头用于序列标记，第二行开始为序列信息。

  
  
  image.png

• Fastq
  q也即quality，Fasta格式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，一般是测序仪的下机数据。Fastq格式以测序读段（read）为单位存储，每条读段占4 行，第一行由'@'开始，后面跟着序列的描述信息，这点跟Fasta格式是一样的。第二行是序列信息。第三行由'+'开始，后面也可以跟着序列的描述信息。第四行是第二行序列的测序质量评价），字符数跟第二行的序列是相等的

  
  
  image.png

SAM & BAM

当测序得到的fastq文件map到基因组之后，通常会得到一个SAM或者BAM为扩展名的文件。SAM的全称是sequence alignment/map format，而BAM就是SAM的二进制文件(B取自binary)。
SAM是一种序列比对后的输出格式，以tab作为分隔符，SAM由头文件和map结果组成。头文件由一行以@起始的注释构成。看上去很类似fastq文件，它也有read名称，序列，质量等信息，但是又不完全一样。首先，每个read只占一行，但是被tab分成了很多列，共12列详情如下：

image.png

image.png

VCF（Variant Call Format）

VCF是文本文件格式（最有可能以压缩方式存储）。它包含元信息行，标题行，然后是数据行，每个数据行都包含有关基因组中位置的信息。

image.png

• 元信息行Meta informations
  以’##’开始，第一行必须是VCF的版本信息
• 标题行及数据行：

Header line	含义	备注
CHROM	表示变异位点是在哪个contig 里call出来的，如果是人类全基因组的话那就是chr1…chr22，chrX,Y,M	必填
POS	变异位点相对于参考基因组所在的位置，如果是indel，就是第一个碱基所在的位置	必填
ID	如果call出来的SNP存在于dbSNP数据库里，就会显示相应的dbSNP里的rs编号，如果没有的话用"."表示
REF	与参考基因组相同的位点	必填
ALT	与参考基因组不同的位点
QUAL	可以理解为所call出来的变异位点的质量值。Q=-10lgP，Q表示质量值；P表示这个位点发生错误的概率。
FILTER	如果是通过了过滤标准，那么这些通过标准的好的变异位点的FILTER一栏就会注释一个PASS，如果没有通过过滤，就会在FILTER这一栏提示除了PASS的其他信息。如果这一栏是一个“.”的话，就说明没有进行过任何过滤。
INFO	INFO附加信息：（字母数字字符串）INFO字段被编码为以分号分隔的一系列短键，其可选值的格式为： = [，data]。

gff/gtf

gff格式为general feature format缩写，目前采用的是version 3。gtf文件为General Transfer Format缩写，跟GFF2格式类似。即常说的gff3文件。这两种文件常用来对基因组进行注释，表示基因，外显子，CDS，UTR等在基因组上的位置。

列	GTF2	GFF3
reference sequence name	same	same
annotation source	same	same
feature type	feature requirements depend on software	can be anything
start coordinate	same	same
5. end coordinate	same	same
score	not used	optional
strand	same	same
frame	same	same
attributes	空格分隔	=分隔

Bed

Browser Extensible Data
Bed文件是可变的数据线，用来描述注释的数据，Bed文件有3个基本列及9个附加列

• 基本列：基因组编号，染色体起始位置，染色体结束位置。
• 附加列

name	feature 的名字
score	在基因组浏览器中显示的灰度设定，取值介于0-1000
strand	定义“+”链或者“-”链
thickStart	feature的起始位置
thickEnd	feature的终止位置
itermRgb	R,G,B (e.g. 255,0,0)值，当itemRgb 设置为 "On"，BED的行会显示颜色
blockCount	Blocks（exons）个数
blockSize	Blocks（exons）的大小列表，逗号分隔
blockStarts	Blocks（exons）的起始位置列表，逗号分隔