初学生信——FASTA与FASTQ
一、测序质量值的意义
测序仪一般是按照荧光信号来判断所测序的碱基是哪一种，例如红黄蓝绿分别对于ATCG，因此，对于每个结果的判断都是一个概率的问题
Phred Quality Score：分段质量分数
Probability of incorrent base call：错误率
Base call accuracy：准确率
1、最初Sanger中心用Phred Quality Score来衡量该read中每个碱基的质量：Q=-10logP ，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“？”，则在该碱基对应的质量值即“？”。
2、Solexa系列测序仪使用不同的公示来计算质量值：Q=-10log(P/1-P)
3、在测序质量较高时，这两种算法得到的Q值没有显著差别
Qscore与p之间的关系，其中红线表示Q=-10 log10p标准，黑色实线表示Q=-10 log10p/(1-p)标准。
为什么不直接存储概率呢——在测序仪测序时，会自动根据荧光信号的强弱给出一个参考的测试错误概率（error probility，P）根据定义来看，P值肯定是越低越好。我们怎么存储他们呢？直接存储小数的话计算机会以浮点数的形式进行存储。这显然是不高效的。
所以有了如下办法：
1、将P取log10之后再乘以-10，得到的结果为Q。
比如，P=1%，那么对应的Q=-10*log10（0.01）=202、把这个Q加上33或者64转成一个新的数值，称为Phred，最后把Phred对应的ASCII字符对应到这个碱基。这样就可以用1个符号与1个碱基一一对应
如Q=20，Phred = 20 + 33 = 53，对应的符号是”5”二、ASCII码
为了方便可读及存储这些信息，利用可打印的ASCI码将这些质量值转化为单个字符。ASCII 字符集，最基本的包含了128 个字符。其中前 32 个， 0-31 ，即 0x00-0x1F ，都是不可见字符，这些字符，为控制字符。可见字符为32–126。sanger-fastaq格式用 ASCII 33–126 来表示phred 质量值 0 到93 。举例来说：一般地，碱基质量从0-40，既ASCii码为从 “！”(0+33）到“I”(40+33）。如果某碱基测序出错的概率为0.001，则Q应该为30。则30+33=63，那么63对应的ASCii码为“？”，在第四行中该碱基对应的质量代表值即为“？”
三、fastQ格式
FASTQ是一种存储了生物序列（通常是核酸序列）以及相应的质量评价的文本格式。FASTQ格式是序列格式中常见的一种，FASTQ格式的序列一般包括四行：
第一行由’@‘开始，后面跟着序列的描述信息，这点跟FASTA格式是一样的；
第二行是序列；
第三行由’+‘开始，后面也可以跟着序列的描述信息
第四行是第二行序列的质量评估，字符数和第二行的序列是相等的
举例分析：
第一行：以@开头，后面是reads的ID以及其他信息，例如上例中 HWUSI-EAS100R代表Illumina设备名称，6代表flowcell中的第六个lane，73代表第六个lane中的第73个tile，941:1973代表该read在该tile中的x：y坐标信息；#0，若为多样本的混合作为输入样本，则该标志代表样本的编号，用来区分个样本中的reads；/1代表paired end中的前一个read。
第二行：read序列
第三行：以“+”开头，跟随着该read的名称（一般@后面的内容相同），但有时可以省略，但“+”一定不能省。
第四行：表示质量值，每个字符与第二行的碱基一一对应，按照一定的转换规则转换为碱基质量得分，进而反映该碱基的错误率，因此字符数必须和第二行保持一致。
四、fasta格式
fasta格式：是一种基于文本用于表示核酸序列或多肽序列的格式。其中核酸或氨基酸均以单个字母表示，且允许在序列前添加序列名及注释。由两部分信息组成：
第一部分：以>号开始，紧接着序列的标识符“gi|187608668|ref|NM_001043364.2|”，然后是序列的描述信息。注意区分大小写，且不能出现空格，空格表示序列标识符结束。
所有来源于NCBI的序列都有一个gi号“gi|gi_identifier”，gi号由数字组成，具有唯一性。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。
第二部分：换行后既是第二部分，表示序列信息，序列中允许空格，换行，空行。直到下一个大于号表示该序列结束。
