【NGS 次世代基因體資料科學】 基礎教學 04 FASTQ格式以及Header標頭資訊

本篇本篇文章主要介紹FASTQ檔的基本概念，FASTQ檔是大多數NGS資料分析的起點，也就定序完成下機之後處理好給生資人員最常見的檔案，這裡將介紹它的格式。

何謂FASTQ檔

FASTQ檔為樣本定序下機後的Raw data，副檔名可為.fastq或是 . fq。定序類型可分為單端(Single-End)或雙端(Paired-End)定序。如果是Paired-End，顧名思義就是一個生物樣本對應到的定序數據會有一對(也就是二個)，通常用_R1，_R2 來區分(命名約定好即可，但拿到資料如果沒特別說明，看到類似這樣的格式就大約知道是Paired-End)，而大多數NGS的基因體學資料都是這個格式的方式保存，如果是定序大廠Illumina的資料上游從bcl檔轉換成fastq (bcl2fastq)。

通常拿到這種格式的資料會跑fastqc做簡單的QC，確認資料品質，然後下一步可能會需要去除adaptor後做mapping，把這序列回對到基因體的某個位置上，再來做後續的分析。如果是已經published的data，通常也是以這種格式存放在NCBI上。

FASTQ檔的基因體資料由4個line共同組成一個read的紀錄。每條read就是一個DNA的片段。這裡以NGS大廠的Illumina機器的格式為例

FASTQ檔的標頭(header)

line 1 為header，分隔符號為:，詳細欄位如下

@[機器序號(machine id)]:[次號(run number)]:[泳道(lane)]:[瓦號(tile number)]:[cluster簇座標X: [cluster簇座標Y]:[(可選UMI標記R1+R2)] [單端或雙端編號(1 or 2 )]:[是否被過濾(Y or N)]:[控制號(control number)]:[索引序列(index)]

解析範例參考自Illumina的參考文件:

@SIM:1:FCX:1:15:6329:1045:GATTACT+GTCTTAAC 1:N:0:ATCCGA

如果是初學者或分析師，這邊的資訊可以參考就好，但如果是開發者可以注意最後區段就是index的部分，有些玩index的技術，就是做一些特殊標記措施)就是處理這段資訊。

楊 明翰

是一個對 “下一個世代” 的醫療科技充滿熱血的 Bioinformatican

更多介紹