读懂一条 FASTQ 记录

BIOINFORMATICS HANDBOOK / 01

FASTQ：序列和对序列的信心

先读懂输入，再决定后续需要什么分析。示例是人工构造的四行记录，不是真实实验数据。

@practice_read_001
ACGTACGT
+
IIIIIIII

第一行以 @ 开头，是读段标识；第二行是碱基序列；第三行以 + 开头；第四行编码每个碱基的质量。序列长度和质量字符数量必须对应。格式要求见 NCBI SRA 的 FASTQ 说明。

Phred 分数定义为：

$$Q=-10\log_{10}(P_{\mathrm{error}})$$

由定义直接可算出：Q20 对应 0.01 的错误概率；Q30 对应 0.001。它描述单个碱基判读的置信度，不等同于整条 read 或整个样本的可靠性。

常见现代 FASTQ 使用 Phred+33：质量字符的 ASCII 数值减去 33 得到 Q。示例中的 I 对应 73−33=40。不要对来源不明的旧数据自动假定编码；先查数据说明。

1	gzip -cd sample_R1.fastq.gz \| head -n 8

这个命令仅用于预览两条典型四行记录。它不验证整个文件，也不是统计 read 数的通用办法。某些 shell 配置下，head 提前结束可能使上游出现 broken pipe 提示；这不等同于文件损坏。

不要只凭文件前八行判断测序质量。使用完整质控报告，并结合文库类型解释。工具及模块说明见 FastQC 官方项目。

把示例序列删去一个碱基但不改变质量行：为什么这条记录不再一致？再根据公式独立计算 Q10 的错误概率。

返回生物信息学手册，继续阅读概念流程与质量控制章节。