FASTQ

FASTQ je textový soubor sloužící k uchování biologické sekvence (typicky nukleotidové sekvence) a také nese informace o skóre kvality jednotlivých nukleotidů. Samotné báze sekvence, tak i skóre kvality je zakódováno jedním ASCII znakem. Skóre kvality udává, s jakou pravděpodobností byla konkrétní báze určena chybně.

Formát byl původně vytvořen ve Welcome Trust Sanger Institute, aby do jednoho souboru bylo možno uložit informaci jak o sekvenci, tak i o kvalitě dat. Díky tomu se stal standardem pro uchovávání výstupů z high-throughput sekvenátorů.

FASTQ soubory mohou obsahovat až několik milionů znaků a mohou dosahovat velikosti až několik gigabytů, což je často dělá moc velkými na to, aby mohly být otevřeny v běžném textovém editoru. FASTQ soubory totiž typicky obsahují velké množství sekvencí. Často je ale není potřeba otevírat, protože jsou vstupními soubory pro následné analýzy jako je například alignment k referenčnímu genomu nebo de novo sestavování genomu. Pokud by ale uživatel chtěl soubor zobrazit je vhodné k tomu použít systém Unix nebo Linux které umožňují zobrazení velkých souborů přes příkazovou řádku.

FASTQ soubor se skládá ze 4 řádků:

• Pole 1 začíná znakem @ a je následováno identifikátorem sekvence a volitelným popisem jako jsou třeba informace o sekvenaci.
• Pole 2 je složeno z písmen samotné sekvence.
• Pole 3 začíná znakem + a také může být také následováno stejným identifikátorem či různým popisem.
• Pole 4 nese informaci o skóre kvality jednotlivých písmen ze řádku 2. Musí obsahovat stejný počet znaků jako řádek 2.

FASTQ soubor obsahující jednu sekvenci může vypadat takto:

@SEQ_ID
GATTTGGGGTTCAAAGCAGTATCGATCAAATAGTAAATCCATTTGTTCAACTCACAGTTT
+
!''*((((***+))%%%++)(%%%%).1***-+*''))**55CCF>>>>>>CCCCCCC65

Kvalita

Hodnoty kvality neboli Q skóre jsou reprezentovány ASCII znaky. Znak reprezentující nejnižší kvalitu je "!" a nejvyšší kvalitu reprezentuje znak "~". Znaky (celkem 94) jsou pak zleva doprava seřazeny od nejnižší kvality po nejvyšší takto:

!"#$%&'()*+,-./0123456789:;<=>?@ABCDEFGHIJKLMNOPQRSTUVWXYZ[\]^_`abcdefghijklmnopqrstuvwxyz{|}~

Sekvenační kvalita dané báze Q je definována následujícím vztahem:

$Q_{\ }=-10\,\log _{10}p$

kde p je předpokládaná pravděpodobnost chybně určené báze. Vyšší Q skóre indikuje menší pravděpodobnost chyby. Nižší Q skóre naopak vyšší pravděpodobnost chyby. Kvality skóre 20 (Q20) znamená 1 chybu na 100 znaků, což odpovídá přesnosti 99 %. Q30 se považuje za měřítko kvality pro sekvenování nové generace (NGS).