生物信息分析中的reads是什么.pdfVIP

⽣物信息分析中的reads是什么

​由于受⽬前测序⽔平的限制，基因组测序时需要先将基因组断成DNA⽚段，然后再建库测序。reads（读长）指的是测序仪单次测序所得

到的碱基序列，也就是⼀连串的ATCGGGTA之类的，它不是基因组中的组成。不同的测序仪器，reads长度不⼀样。对整个基因组进⾏测

序，就会产⽣成百上千万的reads。

测序得到的原始图像数据经basecalling转化为序列数据，我们称之为rawdata或rawreads，结果以fastq⽂件格式存储，fastq⽂件

为⽤户得到的最原始⽂件，⾥⾯存储reads的序列以及reads的测序质量。在fastq格式⽂件中每个read由四⾏描述：

@readID

TGGCGGAGGGATTTGAACCC

+

bbbbbbbbabbbbbbbbbbb

Single-end(SE)测序：1个fastq⽂件

Pair-end(PE)测序：2个fastq⽂件分别存放read1和read2的数据

每个序列共有4⾏，第1⾏和第3⾏是序列名称(有的fq⽂件为了节省存储空间会省略第三⾏“＋”后⾯的序列名称)；第2⾏是序列；第4⾏

是序列的测序质量，每个字符对应第2⾏每个碱基，第4⾏每个字符对应的ASCII值减去64，即为该碱基的测序质量值，⽐如h对应的

ASCII值为104，那么其对应的碱基质量值是40。

碱基质量值范围为0到40。下表为Solexa测序错误率与测序质量值简明对应关系，具体计算公式如下：

Q=-10log10P

Solexa测序错误率与测序质量值简明对应关系:

⾼通量测序时,在芯⽚上的每个反应,会读出⼀条序列,是⽐较短的,叫read,它们是原始数据；

有很多reads通过⽚段重叠,能够组装成⼀个更⼤的⽚段,称为contig；

多个contigs通过⽚段重叠,组成⼀个更长的scaffold；

⼀个contig被组成出来之后,鉴定发现它是编码蛋⽩质的基因,就叫singleton；

多个contigs组装成scaffold之后,鉴定发现它编码蛋⽩质的基因,叫unigene.