生物信息学

生物信息学——常见的四种文件格式(fasta,fastq,sam,vcf)

---

---

概述

每一种生物软件都有固定的文件格式要求。了解文件格式才能快速分辨文件的功能。从某种意义上来说，生物信息分析的过程就是进行各种文件格式的转换过程。例如当前很多分析都可以概括为从fastq到bam，从bam到vcf的过程。

一、fasta文件格式

• 概述：FASTA（Fast All Sequences in A）文件格式是一种常用于存储生物序列信息（如DNA、RNA或蛋白质序列）的文本格式（主要是把序列储存到数据库中的一种形式）。FASTA文件通常用于存储和共享生物学数据，如基因序列或蛋白质序列。
• 后缀：fa,fasta,fna
• 格式：
  • FASTA文件可以包含一个或多个序列，每个序列都以一个描述行和一个或多个序列数据行组成。多个序列可以依次排列在FASTA文件中。

1. 描述行（Header Line）：FASTA文件的每个序列都以一个描述行开始，以大于号（“>”）开头，用于序列标记，主要储存序列的描述信息。后面跟着该序列的名称或标识符（为了保证后续分析软件能够区分每条序列，单个序列的标识必须是唯一的）。描述行通常是单行文本，用于标识序列的来源或其他相关信息，序列ID部分可以包含注释信息。

   示例：

   >Sequence1
   

2. 序列数据行（Sequence Data Line）：紧接着描述行的是实际的序列数据行，序列信息，既为序列本身。序列数据行包含序列的碱基（DNA或RNA）或氨基酸（蛋白质）的字符序列。序列数据行可以跨越多行，但通常为了方便起见，会将序列分为80到120个字符的行。

   示例：

   ATCGATCGATCGATCG...
   

• 示例：

以下是一个包含两个DNA序列的FASTA文件的示例：

>Sequence1
ATCGATCGATCGATCG...
>Sequence2
GCTAGCTAGCTAGCTA...

• 适用情况：FASTA文件是广泛使用的生物信息学数据格式之一，因为它简单易读，并且适用于存储各种生物学序列的信息。这使得FASTA文件在分析和比对生物序列数据时非常有用。

二、fastq文件格式

• 概述：FASTQ（Fast Quality Score）文件格式是一种用于存储测序数据的文本格式，通常用于存储DNA或RNA测序结果。FASTQ文件包括序列数据和与每个碱基相关的质量分数信息，以便在测序数据分析中进行质量控制和序列比对。
• 后缀：fastq, fq
• 格式：
  • FASTQ文件中的每个序列通常由一个描述行、一个序列数据行、一个分隔行和一个质量分数行组成，这些行按顺序重复出现，以表示不同的测序读取。FASTQ文件可以包含一个或多个序列，每个序列之间以相同的格式分隔。

1. 描述行（Header Line）：FASTQ文件的每个序列都以一个描述行开始，以"@"字符开头，后面跟着该序列的名称或标识符，通常包含有关测序样本的信息。

   示例：

   @Sample_1
   

2. 序列数据行（Sequence Data Line）：序列数据行包含DNA或RNA序列的字符序列，由A、T、C、G等表示碱基。这些字符表示测序得到的碱基序列。

   示例：

   ACGTACGTACGT...
   

3. 分隔行（Separator Line）：分隔行通常由一个加号（“+”）开头，后面跟着与序列数据行对应的描述符。尽管分隔行中的内容与描述行相同，但分隔行的存在有助于区分不同部分。

   示例：

   +
   

4. 质量分数行（Quality Score Line）：质量分数行包含与序列数据行中的每个碱基相关的质量分数。质量分数通常以ASCII字符表示，表示测序仪器对每个碱基的测序质量。较高的ASCII值表示更高的质量。

   示例：

   BCCDFFFFFGGGG...
   

• 示例：
  以下是一个包含两个测序序列的FASTQ文件的示例：

@Sample_1
ACGTACGTACGT...
+
BCCDFFFFFGGGG...
@Sample_2
GCTAGCTAGCTA...
+
DDDDDEEEEEE...

• 适用情况：FASTQ文件广泛用于存储和共享测序数据，以便进行生物信息学分析、基因组学研究和生物学研究。

三、sam(/bam)文件格式

• 概述：SAM（Sequence Alignment/Map）文件格式是一种常用于存储DNA或RNA序列比对（alignment）结果的文本格式，通常用于描述测序数据与参考基因组的比对信息。SAM文件通常包括序列的位置、碱基配对、质量分数等信息。
  • 在SAM文件之后，通常还会生成一个二进制的BAM文件，以节省存储空间和提高数据处理速度。
• 后缀：sam(/bam)
• 格式：

1. 文件头（Header）：SAM文件的开头通常包括文件头部分，以"@“字符开头。文件头部分包含与比对信息和文件本身相关的元数据（metadata），如测序平台、参考基因组信息、比对软件等。文件头部分以”@“字符开始，后跟标识符（如"PG”、"SQ"等），然后是元数据的具体内容。

示例：

@HD     VN:1.6  SO:coordinate
@SQ     SN:chr1 LN:248956422
@RG     ID:Sample1     PL:illumina     SM:Sample1

2. 比对记录行（Alignment Records）：SAM文件的主体部分包括比对记录，每一行代表一个测序序列的比对结果。比对记录包括多个字段，这些字段之间使用制表符（“\t”）分隔。比对记录的字段包括：

   • 序列名称（QNAME）：测序序列的名称或标识符。
   • 比对标志（FLAG）：描述比对的一些特征，如是否匹配、是否是原始测序序列等。
   • 参考序列名（RNAME）：比对到的参考基因组上的染色体或序列名称。
   • 参考序列位置（POS）：比对序列在参考基因组上的起始位置。
   • 映射质量（MAPQ）：表示比对的质量得分。
   • CIGAR字符串（CIGAR）：描述序列与参考基因组的对齐方式。
   • 参考序列下游位置（RNEXT）：下游比对的参考序列名称。
   • 下游位置（PNEXT）：下游比对的起始位置。
   • 序列数据（SEQ）：比对到参考基因组上的序列数据。
   • 质量字符串（QUAL）：序列的质量分数。

   示例：

   read001  16  chr1  1000  30M  *  =  1000  0  ATCG...  BCCC...
   

• 适用情况：SAM文件用于存储比对结果，通常由测序数据分析软件生成。它是生物信息学和基因组学研究中常用的数据格式，用于存储和共享测序数据的比对信息，以便后续分析和解释测序数据。

四、vcf文件格式

• 概述：VCF（Variant Call Format）文件是一种用于存储基因组变异数据的文本格式，通常用于描述DNA或RNA测序数据中的单核苷酸变异和结构变异。VCF文件包括了各种类型的变异信息，如单核苷酸多态性（SNP）、插入/删除（Indel）、复合杂变异等。
• 后缀：vcf
• 格式：

1. 文件元数据（File Metadata）：VCF文件的开头通常包括一些元数据信息，用于描述文件的属性和来源，以及变异数据的版本等。元数据行以"##"开头，可以包括信息字段、格式字段和样本信息字段等。

   示例：

   ##fileformat=VCFv4.3
   ##fileDate=20210920
   ##source=MyVariantCaller
   ##INFO=<ID=AF,Number=A,Type=Float,Description="Allele Frequency">
   ##FORMAT=<ID=GT,Number=1,Type=String,Description="Genotype">
   #CHROM  POS     ID       REF  ALT     QUAL  FILTER  INFO  FORMAT  Sample1  Sample2
   

2. 列名（Column Headers）：VCF文件的列名行包括了各个字段的名称，通常以"#“开头，后跟字段名称，包括"CHROM”（染色体名称）、“POS”（变异位置）、“ID”（变异标识符）、“REF”（参考碱基）、“ALT”（变异碱基）、“QUAL”（质量分数）、“FILTER”（过滤信息）、“INFO”（变异信息）和"FORMAT"（样本格式）等。

   示例：

   #CHROM  POS     ID       REF  ALT     QUAL  FILTER  INFO  FORMAT  Sample1  Sample2
   

3. 变异记录行（Variant Records）：VCF文件的主体部分包括一行行的变异记录，每一行描述一个变异事件。变异记录行包括了各种字段，这些字段用制表符（“\t”）分隔，包括：

   • CHROM：变异位点所在的染色体名称。
   • POS：变异位点在染色体上的位置。
   • ID：变异的唯一标识符。
   • REF：参考碱基。
   • ALT：变异碱基。
   • QUAL：质量分数，表示变异的质量估计。
   • FILTER：过滤信息，描述变异是否通过了一些质量过滤。
   • INFO：包含有关变异的详细信息的字段。
   • FORMAT：描述每个样本中的数据格式。
   • 样本数据：每个样本的具体数据，包括基因型信息、深度信息、质量信息等。

   示例：

   1       1001    rs123    A    G    20.4   PASS   AF=0.25;DP=30   GT:AD:GQ:PL  0/1:10,20:30:50,0,60
   

• 适用情况：VCF文件是用于存储和共享基因组变异信息的标准格式，在基因组学研究和生物信息学分析中广泛使用。它允许研究人员记录和交换关于基因组中的变异的重要信息，以便进一步的研究和解释。VCF文件的格式规范有不同的版本，因此要确保正确解析和处理VCF文件，最好查阅文件的元数据信息以了解其格式版本。