今天是生信星球陪你的第5天

  　 你想找辆共享单车，发现满街都是别家车，没有一辆你能骑。

　　你想学点生信，搜了“初学者教程”，满眼尽是高大上，没有一句能看懂。

　　终于你跨越茫茫宇宙，来到生信星球，发现了初学者的新大陆！

写在最前面：今天豆豆和花花在火车硬座上可怜兮兮地被碰来撞去，用花花的手机流量给电脑供网，坚持为大家贡献教程，虽然人很多，但还是抵挡不住两小只为生信小白们铺路的热情，希望你们可以早日在生信星球垦荒种粮，收获知识！
开始正题：豆豆曾经拿到公司返回的测序数据，貌似文件很大，人家拿移动硬盘送来的。满心欢喜的打开，以为都是分析好的成果，但是打开文件夹后的豆豆，足足愣了一分钟，我的数据呢？哪个是？怎么都是些 .gz, .fq…给我这些我怎么分析呀？

一、测序数据为什么是这种？

　　不管你做基因组、转录组，现在公司测的数据大部分都是采用Illumina公司的测序仪，得到的都是fastq格式文件，基本都是以.fq.gz压缩文本格式为后缀的。我们拿到数据首先要解压缩啦!
gunzip *.fq.gz (还记得*是通配符吗？当然如果文件较大你也可以一个一个解压)

　　一般解压缩完占用空间能放大3倍左右（就人类基因组hg19.fa.gz而言，一般800-900M的压缩文件，解压缩后是3G）

二、话说Fastq与Fasta

官方解释：

　　FASTQ是一种存储了生物序列（通常是核酸序列）以及相应的ASCII编码质量评价的文本格式；

　　FASTA中碱基对或氨基酸用单个字母来编码，且允许在序列前添加序列名及注释。

就说有没有晦涩难懂？-_-!!

来自豆豆的解释：fastq是大哥，fasta是小弟，大哥比小弟重（多了些质量）

fastq = fasta + quality 

一张图让你搞懂：

　　这两种文件格式相当于我们平常用的.txt, 只不过在生信领域用来存储核苷酸序列或蛋白序列，没错仅仅是文本文件而已。
虽然一眼看上去比较复杂，但是我们都知道，万事万物都是有规律可循的，这种人造的数据格式也当然不例外。

　　首先它是序列，那么既然是序列，就会有！顺！序！我们可以按顺序查找我们想要的序列名称、所在位置等信息，比如人类基因组中就是按照染色体顺序从1到Y染色体组装起来的。

　　fasta这位小弟主要由两部分构成：头和身体。

　　头指的就是>,它独占一行，作为一个标志存在，一般后面加序列名称，并且中间隔一个空格；

　　身体就是具体的序列内容，直到遇到下一个头为止。

fastq

作为大哥的fastq是不是看着很复杂？别怕，其实很简单！

• 首先呢，这是目前储存测序数据最普遍、公认的格式，文件大小受测序量、测序深度等影响，小的有几百M，大的几十G或上百G，后缀一般是.fastq / .fq / .fq.gz;

• 它的每四行成为一个标识，就像他的小弟的头和身体一样，只不过他比较强壮，包括的比较多，其中最重要的就是第四行的质量文件，这个我们接下来继续聊。

• 第一行：以@开头，也是一个标识符，并且唯一（因为同一份fq甚至不同的fq中都不会重复）；

• 第二行：测序序列，就是小弟的内容；

• 第三行：以+开头，一般不加东西（为了省空间）(不要问我为什么要加这个没用的符号，约定俗成吧~)；

• 第四行：质量值，描述第二部分中每个碱基的可靠程度（我们现在一般用ASCII 33  码来表示，至于ASCII的详细信息，以后详聊，也很重要）

　　初学生信，很荣幸带你迈出第一步~

　　我们是生信星球，一个不拽术语、说人话的生信知识平台。需要帮助或提出意见请后台留言或发送邮件到Bioplanet520@outlook.com~