Fastq文件大小和测序覆盖度初探

王焕威聚道科技GeneDock 2017-04-10

(本文由GeneDock公司 Bioinformatics Engineer 王焕威撰写，转载请保留作者信息和原文链接)

引子

在二代测序（NGS）领域中，Fastq文件大小和测序深度（即测了多少乘）是两个常用的概念，但不同人给出的Fastq文件大小与测序深度的比例可能并不一致，而且之间的关系也一直模糊不清。

故，这篇博客就试图去探讨这两者的关系及其相关概念。

基本概念

Fastq文件的基本格式

Fastq文件是二代测序行业中常用的原始序列文件。每4行表示一个read（测序序列），其格式示例如下：

第一行：为序列ID
第二行：序列
第三行：固定为“+”
第四行：序列的质量值（quality score）

Fastq文件的序列ID行

对于Fastq文件中每个序列的ID行（首行），其格式并不统一，不同来源Fastq文件的首行表示不同。

illumina测序仪的ID行一般包含测序仪、运行编号、flowcell ID、lane ID、tile ID、横纵轴坐标、索引序列等等。

（@<instrument>:<run number>:<flowcell ID>:<lane>:<tile>:<x-pos>:<y-pos> <read>:<is filtered>:<control number>:<index sequence>）

示例如下：

@EAS139:136:FC706VJ:2:5:1000:12850 1:Y:18:ATCACG

测序深度（coverage or depth）

测序深度或者覆盖度（coverage or depth）是指参考序列一个碱基上比对的reads的数目。计算公式为：

【测序深度 = reads长度 × 比对的reads数目 / 参考序列长度】

测序深度是NGS分析的重要质控指标。Craig Venter的文章指出全基因组应该达到30X-40X的测序深度。

* We report on the sequencing of 10,545 human genomes at 30×–40× coverage with an emphasis on quality metrics and novel variant and sequence discovery.

人类基因组的长度

对于人类全基因组来说，长度大约3Gbp（Giga-basepairs）。

* 3,234.83 Mb (Mega-basepairs) per haploid genome

对于人类外显子组来说，长度大约是30Mbp（Mega-basepairs）。

* The exome of the human genome consists of roughly 180,000 exons constituting about 1% of the total genome, or about 30 megabases of DNA.

另外，对于外显子组还需要考虑捕获芯片设计的问题，如Agilent和Nimblegen的不同芯片捕获区域不同。

各种对应关系

ASCII码和文件大小

Fastq文件所含内容均为ASCII码，每个ASCII码占用一个字节（Byte）空间。故：

Fastq文件大小 =（ID行长度 + reads长度 + 1个加号 + reads长度 + 4个换行符） × reads数目

示例如下：【计算公式为 (7 + 60 + 1 + 60 + 4) × 1 = 132B】

为了简化，我们忽略第三行的加号、换行符，并认为ID行长度在0~1个read长度，故：

【Fastq文件大小 = ~ 2.5 × reads长度 × reads数目】

Fastq文件大小和Fastq.gz文件大小

在传输Fastq文件过程中，经常使用gzip程序对其进行压缩，以减小文件大小，增加传输速度。而gzip对于不同Fastq文件的压缩比不同，大约在(3~5):1之间。

示例如下：【计算公式为：291852847/65573424 = 4.45078】

故：Fastq.gz文件大小 = ~ Fastq文件大小/4。

从Fastq文件到比对的reads数

由于Fastq文件经常会进行去接头等前处理的工作，比对的reads长度与原始reads长度略有不同，此处暂时忽略。

另外由于只有部分原始reads会比对(mapped)到参考基因组，因此还有一个比对率的问题。

故：比对的reads数目 = reads数目 × 比对率。比对率也是NGS分析的重要质控指标。

总结

综合以上信息：

1. 测序深度 = reads长度 × 比对的reads数目 / 参考序列长度

2. 人类基因组 = ~3Gbp

3. Fastq文件大小 = ~ 2.5 × reads长度 × reads 数目

4. Fastq.gz文件大小=~Fastq文件大小 / 4

5. 比对的reads数目 = reads数目 × 比对率

在进行了各种近似之后（ID行的近似，参考基因组的近似，gz压缩率的近似，去接头后reads长度变化等），再假设比对率为90%，若要测30X的人类基因组需要62.5GB（Giga Base）的数据。

Fastq文件大小和测序覆盖度初探相关推荐

纯二代测序从头组装基因组
基因组组装基因组组装一般分为三个层次,contig, scaffold和chromosomes. contig表示从大规模测序得到的短读(reads)中找到的一致性序列.组装的第一步就是从短片段(p ...
纯二代测序从头组装基因组(基础版）
基因组组装基因组组装一般分为三个层次,contig, scaffold和chromosomes. contig表示从大规模测序得到的短读(reads)中找到的一致性序列.组装的第一步就是从短片段(p ...
NBT：主流高通量测序仪在人/细菌/宏基因组测序评测结果发布，华大智造表现优异...
导读高通量DNA测序技术(DNA-seq)是临床和基础生物医学研究的重要手段之一.作为一种常规的技术方法,DNA-seq在多个领域均有广泛应用,例如个体基因分型和变异鉴定,种群和物种水平的基因组特征 ...
从实验室走向大众，一文读懂Nanopore测序技术的发展及应用
关键词/Nanopore测序技术文/基因慧随着基因测序技术不断突破,二代测序的发展也将基因检测成本大幅降低.理想的测序方法,是对原始DNA模板进行直接.准确的测序,消除PCR扩增带来的偏差, ...
高通量测序技术和序列拼接算法探析
高通量测序技术和序列拼接算法探析时间:2019-05-27 来源:计算机科学作者:周卫星,石海鹤本文字数:16853字摘要: 高通量测序 (High-throughput Sequen ...
16款测序平台性能大PK，华大表现不俗！基于人类和细菌基因组DNA水平的多平台测序数据研究成果发布...
生物信息学习的正确姿势 NGS系列文章包括NGS基础.转录组分析 (Nature重磅综述|关于RNA-seq你想知道的全在这).ChIP-seq分析 (ChIP-seq基本分析流程).单细胞测序分析 ...
NGS基础：测序原始数据下载
生物或医学中涉及高通量测序的论文,一般会将原始测序数据上传到公开的数据库,上传方式见测序文章数据上传找哪里:并在文章末尾标明数据存储位置和登录号,如 The data from this study ...
基因测序技术发展历史及一、二、三代测序技术原理和应用
基因测序技术发展历史及一.二.三代测序技术原理和应用红皇后学术公众号:红皇后学术(ID: zzlphs2516) 已关注 125 人赞同了该文章基因测序技术基因测序技术也称作DNA测序技术,即 ...
16款测序平台性能大PK！基于人类和细菌基因组DNA水平的多平台测序数据研究成果发布
DNA是生命遗传信息的载体,获取DNA序列信息对于基础科研和临床诊断都至关重要.自1977年第一代测序技术问世以来,经过四十余年的探索,DNA测序技术取得了重大进展.随着对测序成本降低的需求,以高通量 ...

Fastq文件大小和测序覆盖度初探

Fastq文件大小和测序覆盖度初探

Fastq文件大小和测序覆盖度初探相关推荐

最新文章

热门文章