浅谈FastQ和FastA格式
FastQ格式
概念 说明 例子说明FastA格式 概念 格式说明 例子说明FAQ 测序深度和FastQ文件大小的关系
概念
FastQ格式是序列格式中常见的一种，它存储了生物序列以及相应的质量评价，其序列以及质量信息都是使用一个ASCII字符标示，最初由Sanger开发，目的是将FASTA序列与质量数据放到一起，目前已经成为高通量测序结果的事实标准。
格式说明
FASTQ文件中每个序列通常有四行：
1.第一行：必须以“@”开头，后面跟着唯一的序列ID标识符，然后跟着可选的序列描述内容，标识符与描述内容用空格分开；
2.第二行：序列字符（核酸为[AGCTN]+，蛋白为氨基酸字符）；
3.第三行：必须以“+”开头，后面跟着可选的ID标识符和可选的描述内容，如果“+”后面有内容，该内容必须与第一行“@”后的内容相同；
4.第四行：碱基质量字符，每个字符对应第二行相应位置碱基或氨基酸的质量，该字符可以按一定规则转换为碱基质量得分，碱基质量得分可以反映该碱基的错误率。这一行的字符数与第二行中的字符数必须相同。
对于每个碱基的质量编码标示，不同的软件采用不同的方案，目前有5种方案：
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“？”一般地，碱基质量从0-40，既ASCii码为从 “！”（0+33）到“I”(40+33）。以上是sanger中心采用记录read测序质量的方法，Illumina起初没有完全依照sanger中心的方法来定义测序质量，而是把P换成了p/(1-p). 其他完全按照sanger的定义来做。但是他这形式在某些情况下是不准确的，可以看出当测序质量很高的情况下两种形式几乎没区别，但低质量的碱基则有区别了。
对于每个碱基的质量编码标示，不同的软件采用不同的方案，目前有5种方案：
Sanger，Phred quality score，值的范围从0到92，对应的ASCII码从33到126，但是对于测序数据（raw read data）质量得分通常小于60，序列拼接或者mapping可能用到更大的分数。
Solexa/Illumina 1.0, Solexa/Illumina quality score，值的范围从-5到63，对应的ASCII码从59到126，对于测序数据，得分一般在-5到40之间；
Illumina 1.3+，Phred quality score，值的范围从0到62对应的ASCII码从64到126，低于测序数据，得分在0到40之间；
Illumina 1.5+，Phred quality score，但是0到2作为另外的标示，详见http://solexaqa.sourceforge.net/questions.htm#illumina
Illumina 1.8+
不同版本质量得分与质量字符ASCII值的关系
FastA格式
概念
在生物信息学中，FASTA格式（又称为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。在这种格式中碱基对或氨基酸用单个字母来编码，且允许在序列前添加序列名及注释。序列文件的第一行是由大于号">"或分号";"打头的任意文字说明（习惯常用">"作为起始），用于序列标记。从第二行开始为序列本身，只允许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。
格式说明
Fasta格式首先以大于号“>”开头，接着是序列的标识符，然后是序列的描述信息。换行后是序列信息，序列中允许空格，换行，空行，直到下一个大于号，表示该序列的结束。所有来源于NCBI的序列都有一个gi号“gi|gi_identifier”，gi号类似与数据库中的流水号，由数字组成，具有绝对唯一性。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。
例子说明
>gi|187608668|ref|NM001043364.2| Bombyx mori moricin (Mor), mRNAAAACCGCGCAGTTATTTAAAATATGAATATTTTAAAACTTTTTGTGGCAATGTCTCTGGTGTCATGTAGTACAGCCGCTCC
大于号“>”开头，来源于NCBI的序列都有一个gi号“gi|gi_identifier”，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，“ref|NM001043364.2|”表示序列来源于NCBI的参考序列库，接收号为“NM_001043364.2”。
测序深度和FastQ文件大小的关系
1.测序深度：指参考序列一个碱基上比对的reads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
以人类为例，全基因组大小约为3Gbp，3,234.83 Mb (Mega-basepairs) per haploid genome
2.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
只包含一条reads的FastQ文件大小：(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
3.Fastq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。
压缩比例：291852847/65573424 = 4.45078，所以
Fastq.gz文件大小 = ~ Fastq文件大小/4
4.从Fastq文件到比对的reads数：
比对的reads数目 = reads数目 × 比对率
（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）
综上：
1. 测序深度 = reads长度 × 比对的reads数目 / 参考序列长度
2. Fastq文件大小 = ~ 2.5 × reads长度 ×reads数目
3. Fastq.gz文件大小 = ~ Fastq文件大小 / 4
4. 比对的reads数目 = reads数目 × 比对率
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。
参考资料：
https://baike.baidu.com/item/fastQ%E6%A0%BC%E5%BC%8F
http://boyun.sh.cn/bio/?p=1901
http://blog.csdn.net/huyongfeijoe/article/details/51613827
https://baike.baidu.com/item/fasta%E6%A0%BC%E5%BC%8F
http://5282981.blog.51cto.com/5272981/1722857/
https://www.genedock.com/blog/2017/04/06/20170405Fastq%E6%96%87%E4%BB%B6%E5%A4%A7%E5%B0%8F%E5%92%8C%E6%B5%8B%E5%BA%8F%E8%A6%86%E7%9B%96%E5%BA%A6%E5%88%9D%E6%8E%A2/