FASTQ
FASTQ je textový soubor sloužící k uchování biologické sekvence (typicky nukleotidové sekvence) a také nese informace o skóre kvality jednotlivých nukleotidů. Samotné báze sekvence, tak i skóre kvality je zakódováno jedním ASCII znakem. Skóre kvality udává, s jakou pravděpodobností byla konkrétní báze určena chybně.
Formát byl původně vytvořen ve Welcome Trust Sanger Institute, aby do jednoho souboru bylo možno uložit informaci jak o sekvenci, tak i o kvalitě dat. Díky tomu se stal standardem pro uchovávání výstupů z high-throughput sekvenátorů.[1]
FASTQ soubory mohou obsahovat až několik milionů znaků a mohou dosahovat velikosti až několik gigabytů, což je často dělá moc velkými na to, aby mohly být otevřeny v běžném textovém editoru. FASTQ soubory totiž typicky obsahují velké množství sekvencí. Často je ale není potřeba otevírat, protože jsou vstupními soubory pro následné analýzy jako je například alignment k referenčnímu genomu nebo de novo sestavování genomu. Pokud by ale uživatel chtěl soubor zobrazit je vhodné k tomu použít systém Unix nebo Linux které umožňují zobrazení velkých souborů přes příkazovou řádku.
FASTQ soubor se skládá ze 4 řádků:
- Pole 1 začíná znakem @ a je následováno identifikátorem sekvence a volitelným popisem jako jsou třeba informace o sekvenaci.
- Pole 2 je složeno z písmen samotné sekvence.
- Pole 3 začíná znakem + a také může být také následováno stejným identifikátorem či různým popisem.
- Pole 4 nese informaci o skóre kvality jednotlivých písmen ze řádku 2. Musí obsahovat stejný počet znaků jako řádek 2.
FASTQ soubor obsahující jednu sekvenci může vypadat takto:
@SEQ_ID GATTTGGGGTTCAAAGCAGTATCGATCAAATAGTAAATCCATTTGTTCAACTCACAGTTT + !''*((((***+))%%%++)(%%%%).1***-+*''))**55CCF>>>>>>CCCCCCC65
Kvalita[editovat | editovat zdroj]
Hodnoty kvality neboli Q skóre jsou reprezentovány ASCII znaky. Znak reprezentující nejnižší kvalitu je "!" a nejvyšší kvalitu reprezentuje znak "~". Znaky (celkem 94) jsou pak zleva doprava seřazeny od nejnižší kvality po nejvyšší takto:[2]
!"#$%&'()*+,-./0123456789:;<=>?@ABCDEFGHIJKLMNOPQRSTUVWXYZ[\]^_`abcdefghijklmnopqrstuvwxyz{|}~
Sekvenační kvalita dané báze Q je definována následujícím vztahem:
kde p je předpokládaná pravděpodobnost chybně určené báze. Vyšší Q skóre indikuje menší pravděpodobnost chyby. Nižší Q skóre naopak vyšší pravděpodobnost chyby. Kvality skóre 20 (Q20) znamená 1 chybu na 100 znaků, což odpovídá přesnosti 99 %. Q30 se považuje za měřítko kvality pro sekvenování nové generace (NGS).
Reference[editovat | editovat zdroj]
- ↑ COCK, Peter J. A.; FIELDS, Christopher J.; GOTO, Naohisa; HEUER, Michael L.; RICE, Peter M. The Sanger FASTQ file format for sequences with quality scores, and the Solexa/Illumina FASTQ variants. S. 1767–1771. Nucleic Acids Research [online]. 2010-04. Roč. 38, čís. 6, s. 1767–1771. Dostupné online. DOI 10.1093/nar/gkp1137.
- ↑ Sequencing Quality Scores [online]. Dostupné online.