常用數(shù)據(jù)格式介紹
DNA序列表征
A =腺嘌呤
C =胞嘧啶
G =鳥(niǎo)嘌呤
T =胸腺嘧啶
U =尿嘧啶
R = GA（嘌呤）
Y = TC（嘧啶）
K = GT（酮）
M = AC（氨基）
S = GC
W = AT
B = GTC
D = GAT
H = ACT
V = GCA
N = AGCT（任何）
Fastq & Fasta
Fastq格式：一種基于文本的，保存生物序列（通常是核酸序列）和其測(cè)序質(zhì)量信息的標(biāo)準(zhǔn)格式,一般都包含有4行。
第一行：由‘@’開(kāi)始，后面跟著序列ID和可選的描述，序列ID是唯一的；
第二行：堿基序列；
第三行：由‘+’開(kāi)始，后面是序列的描述信息；
第四行：第二行序列的質(zhì)量評(píng)價(jià)(quality value)。
舉例：
@HISEQ:777:HCMCVBCX2:1:1101:4712:2186 1:N:0:TACTCCAG
HISEQ：儀器 ID
777：Run ID
HCMCVBCX2：FlowCell ID
1：The lane number
1101：流通池道內(nèi)的tile號(hào)碼
4712：瓦片中的集群的‘x'坐標(biāo)
2186：瓦片中的集群的’y'坐標(biāo)
1：成對(duì)的成員，1或2（配對(duì)結(jié)束或配對(duì)讀取）
N：如果讀取過(guò)濾，則為Y；否則為N
0：當(dāng)沒(méi)有控制位開(kāi)啟時(shí)為0，否則為偶數(shù)
TACTCCAG：索引序列
Fasta格式：
1：以“>”為開(kāi)頭，fasta格式標(biāo)志。
2：序列ID號(hào)，gi號(hào)，NCBI數(shù)據(jù)庫(kù)的標(biāo)識(shí)符，具有唯一性。
格式為：gi|gi號(hào)|來(lái)源標(biāo)志|序列標(biāo)志（接收號(hào)、名稱等），若某項(xiàng)缺失可以留空，“|”保留。
3：序列描述。
4：堿基序列，序列中允許空格、換行、空行，一般一行60個(gè)。
Fastq文件→Fasta文件
Linux命令
法1：sed '/^@/!d;s//>/;N' your.fastq > your.fasta
法2：seqtk seq -A input.fastq > output.fasta
FASTX-Toolkit
?一款用于處理Short-Reads FASTA/FASTQ文件的程序，里面包含了豐富的Fasta/Fastq文件格式轉(zhuǎn)換、統(tǒng)計(jì)等命令。
http://hannonlab.cshl.edu/fastx_toolkit/
GenBank & EMBL
GenBank格式
以LOCUS和一些注釋行開(kāi)始。
序列的開(kāi)頭以“ORIGIN”標(biāo)記，末尾以“//”標(biāo)記。
EMBL格式
以標(biāo)識(shí)符行（ID）開(kāi)頭，后面跟著更多注釋行。
序列的開(kāi)頭以“SQ”開(kāi)頭標(biāo)記，序末尾以“//”標(biāo)記。
**表 1 **GenBank & EMBL數(shù)據(jù)庫(kù)格式的對(duì)比
EMBL → Fasta格式轉(zhuǎn)換（在線工具）：
http://www.geneinfinity.org/sms/sms_embltofasta.html
另外給大家介紹一個(gè)常見(jiàn)測(cè)序文件格式解析的網(wǎng)站：
https://genome.ucsc.edu/FAQ/FAQformat.html#format1
該網(wǎng)站包含了各種各樣的測(cè)序文件格式說(shuō)明，想了解文件格式各行各列的含義直接找它即可！
