FASTQ格式 (skbio.io.format.fastq ）

FASTQ文件格式 (fastq )以简单的纯文本格式存储生物（如核苷酸）序列及其质量分数，既可读又易于解析。该文件格式由Wellcome Trust Sanger Institute的Jim Mullikin发明，但并未给出正式定义，尽管它非正式地成为存储高吞吐量序列数据的标准文件格式。有关格式及其变体的更多信息，请参阅 [1] 和 [2].

从概念上讲，FASTQ文件类似于配对的FASTA和QUAL文件，因为它同时存储生物序列及其质量分数。FASTQ与FASTA/QUAL不同，因为质量分数与生物序列数据存储在同一个文件中。

包含两个DNA序列及其质量分数的FASTQ格式文件示例：

@seq1 description 1
AACACCAAACTTCTCCACCACGTGAGCTACAAAAG
+
````Y^T]`]c^cabcacc`^Lb^ccYT\T\Y\WF
@seq2 description 2
TATGTATATATAACATATACATATATACATACATA
+
]KZ[PY]_[YY^```ac^\\`bT``c`\aT``bbb

格式支持

有嗅探员：是的

读者

writer

对象类

是的

是的

发电机 skbio.sequence.Sequence 物体

是的

是的

skbio.alignment.TabularMSA

是的

是的

skbio.sequence.Sequence

是的

是的

skbio.sequence.DNA

是的

是的

skbio.sequence.RNA

是的

是的

skbio.sequence.Protein

格式规范

FASTQ文件包含一个或多个生物序列及其相应的质量分数，顺序存储为 记录 .每个 记录 包括四个部分：

  1. 序列标题行，由序列标识符（ID）和描述（两个都是可选的）组成

  2. 生物序列数据（通常使用标准的IUPAC词典存储），可以选择分割成多行

  3. 将序列数据与质量分数分开的质量标题行（可选地从序列标题行重复ID和描述）

  4. 质量分数为可打印的ASCII字符，可选择拆分为多行。质量分数的解码将取决于指定的FASTQ变体（详见下文）

有关完整的FASTQ格式规范，请参见 [1]. scikit-bio的FASTQ实现遵循了本优秀出版物中描述的格式规范，包括根据该出版物的补充数据中提供的FASTQ示例文件验证实现。

备注

id和description将以与FASTA头完全相同的方式从序列头行解析 (skbio.io.format.fasta ). id、描述和质量分数也以与FASTA相同的方式存储在sequence对象上并从中写入。

备注

只允许在文件的开头、FASTQ记录之间或文件末尾使用空白行或空白行。标题行之后、序列内或质量分数内的空白行或空白行将引发错误。

scikit-bio将在阅读时忽略每行的前导和尾随空格字符。

备注

根据数据被读入的对象类型，可以执行验证。此行为与FASTA文件的行为相匹配。

备注

scikit-bio将以标准化格式编写FASTQ文件，每个记录节都在一行上。因此，每个记录将由 确切地 四行。质量标题行不会重复序列ID和描述。

备注

lowercase 支持的功能与FASTA相同。

质量分数变量

FASTQ将质量分数与序列数据相关联，每个质量分数编码为一个可打印的ASCII字符。在scikit bio中，所有质量分数都被解码为Phred质量分数。这是最常见的质量分数指标，但也有其他指标（如Solexa质量分数）。不幸的是，不同的测序器有不同的方式将质量分数编码为ASCII字符，特别是Sanger和Illumina。下表列出了scikit bio支持的不同编码变体，并列出了开放生物信息学基金会（OBF）中使用的等效变体名称 [3] 项目（例如，Biopython、BioPerl等）。

变体

ASCII范围

偏移量

质量范围

笔记

桑格

33至126

33

0到93

相当于OBF的fastq sanger。

illumina1.3

64至126

64

0至62

相当于OBF的fastq illumina。如果您的数据是使用Illumina 1.3-1.7软件生成的，请使用此选项。

illumina1.8

33至95

33

0至62

相当于桑格，但质量分数范围检查为0到62。如果您的数据是使用Illumina 1.8软件或更高版本生成的，请使用此选项。

索莱克斯

59至126

64

-5至62

目前尚未实施。

备注

写作时，语法质量分数将被截断到变量范围内的最大值，并发出警告。这与OBF项目一致。

读取时，如果解码的质量分数超出变量的范围，则会引发错误。

格式参数

以下参数适用于所有FASTQ格式的读写器：

  • variant ：一个字符串，表示用于解码/编码Phred质量分数的质量分数变量。一定是其中之一 sanger ， illumina1.3 ， illumina1.8 或 solexa . 此参数优先于 phred_offset 因为可以执行额外的质量分数范围检查和转换。它也更加明确。

  • phred_offset ：一个整数，表示用于解码/编码Phred质量分数的ASCII码偏移量。一定在范围内 [33, 126] . 所有解码后的分数将被假定为Phred分数（即，不进行额外的转换）。喜欢使用 variant 只要有可能，就在这个参数上。

备注

你必须提供 variant 或 phred_offset 读写FASTQ文件时。 variant 和 phred_offset 不能同时提供两者。

以下附加参数与FASTA格式中的参数相同 (skbio.io.format.fasta ）：

  • constructor 见 constructor FASTA格式的参数

  • seq_num 见 seq_num FASTA格式的参数

  • id_whitespace_replacement 见 id_whitespace_replacement FASTA格式的参数

  • description_newline_replacement 见 description_newline_replacement FASTA格式的参数

  • lowercase 见 lowercase FASTA格式的参数

示例

假设我们有以下两个DNA序列的FASTQ文件：

@seq1 description 1
AACACCAAACTTCTCCACC
ACGTGAGCTACAAAAG
+seq1 description 1
''''Y^T]']C^CABCACC
`^LB^CCYT\T\Y\WF
@seq2 description 2
TATGTATATATAACATATACATATATACATACATA
+
]KZ[PY]_[YY^'''AC^\\'BT''C'\AT''BBB

请注意，第一个序列及其质量分数被拆分为多行，而第二个序列及其质量分数都在一行上。还要注意，第一个序列在quality标题行上有一个重复的ID和description，而第二个序列没有。

让我们将内存中的这个文件定义为 StringIO ，但这可能是一个真正的文件路径、文件句柄或scikit bio的I/O注册表实际支持的任何内容：

>>> from io import StringIO
>>> fs = '\n'.join([
...     r"@seq1 description 1",
...     r"AACACCAAACTTCTCCACC",
...     r"ACGTGAGCTACAAAAG",
...     r"+seq1 description 1",
...     r"''''Y^T]']C^CABCACC",
...     r"'^LB^CCYT\T\Y\WF",
...     r"@seq2 description 2",
...     r"TATGTATATATAACATATACATATATACATACATA",
...     r"+",
...     r"]KZ[PY]_[YY^'''AC^\\'BT''C'\AT''BBB"])
>>> fh = StringIO(fs)

将序列加载到 TabularMSA ，我们运行：

>>> from skbio import TabularMSA, DNA
>>> msa = TabularMSA.read(fh, constructor=DNA, variant='sanger')
>>> msa
TabularMSA[DNA]
-----------------------------------
Stats:
    sequence count: 2
    position count: 35
-----------------------------------
AACACCAAACTTCTCCACCACGTGAGCTACAAAAG
TATGTATATATAACATATACATATATACATACATA

请注意，质量分数是从Sanger解码的。将第二个序列作为 DNA ：

>>> fh = StringIO(fs) # reload the StringIO to read from the beginning again
>>> seq = DNA.read(fh, variant='sanger', seq_num=2)
>>> seq
DNA
----------------------------------------
Metadata:
    'description': 'description 2'
    'id': 'seq2'
Positional metadata:
    'quality': <dtype: uint8>
Stats:
    length: 35
    has gaps: False
    has degenerates: False
    has definites: True
    GC-content: 14.29%
----------------------------------------
0 TATGTATATA TAACATATAC ATATATACAT ACATA

写我们的 TabularMSA 以质量分数编码的FASTQ文件 illumina1.3 变体：

>>> new_fh = StringIO()
>>> print(msa.write(new_fh, format='fastq', variant='illumina1.3').getvalue())
@seq1 description 1
AACACCAAACTTCTCCACCACGTGAGCTACAAAAG
+
FFFFx}s|F|b}b`ab`bbF}ka}bbxs{s{x{ve
@seq2 description 2
TATGTATATATAACATATACATATATACATACATA
+
|jyzox|~zxx}FFF`b}{{FasFFbF{`sFFaaa

>>> new_fh.close()

请注意，该文件是以规范化格式编写的：序列和质量分数只出现在一行中，序列标题行在质量标题行中不重复。还要注意，质量分数是不同的，因为它们是用不同的变体编码的。

引用