Fastq文件大小和测序覆盖度初探

anneng

https://www.genedock.com/article/2017/04/06/fastq文件大小和测序覆盖度初探/
Fastq文件大小和测序覆盖度初探
引子
在二代测序（NGS）领域中，Fastq文件大小和测序深度（即测了多少乘）是两个常用的概念，但不同人给出的Fastq文件大小与测序深度的比例可能并不一致，而且之间的关系也一直模糊不清。

故，这篇博客就试图去探讨这两者的关系及其相关概念。

基本概念
Fastq文件的基本格式

Fastq文件是二代测序行业中常用的原始序列文件。每4行表示一个read（测序序列），其格式示例如下：

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

第一行：序列ID；
第二行：序列；
第三行：固定为“+”；
第四行：序列的质量值（quality score）

Fastq文件的序列ID行

对于Fastq文件中每个序列的ID行（首行），其格式并不统一，不同来源Fastq文件的首行表示不同。

illumina测序仪的ID行一般包含测序仪、运行编号、flowcell ID、lane ID、tile ID、横纵轴坐标、索引序列等等

（@<instrument>:<run number>:<flowcell ID>:<lane>:<tile>:<x-pos>:<y-pos> <read>:<is filtered>:<control number>:<index sequence>）。

示例如下：

@EAS139:136:FC706VJ:2:5:1000:12850 1:Y:18:ATCACG

测序深度（coverage or depth）

测序深度或者覆盖度（coverage or depth）是指参考序列一个碱基上比对的reads的数目。计算公式为

测序深度 = reads长度 × 比对的reads数目 / 参考序列长度

测序深度是NGS分析的重要质控指标。Craig Venter的文章指出全基因组应该达到30X-40X的测序深度。

We report on the sequencing of 10,545 human genomes at 30×–40× coverage with an emphasis on quality metrics and novel variant and sequence discovery.

人类基因组的长度

对于人类全基因组来说，长度大约3Gbp（Giga-basepairs）。

3,234.83 Mb (Mega-basepairs) per haploid genome

对于人类外显子组来说，长度大约是30Mbp(Mega-basepairs)

The exome of the human genome consists of roughly 180,000 exons constituting about 1% of the total genome, or about 30 megabases of DNA

另外，对于外显子组还需要考虑捕获芯片设计的问题，如agilent和nimblegen的不同芯片捕获区域不同。

各种对应关系
ASCII码和文件大小
Fastq文件所含内容均为ASCII码，每个ASCII码占用一个字节（Byte）空间。故Fastq文件大小 =（ID行长度 + reads长度 + 1个加号 + reads长度 + 4个换行符） × reads数目。

示例如下（计算公式是(7 + 60 + 1 + 60 + 4) × 1 = 132B）：

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

$ ls -lh example.fastq
-rw-r--r-- 1 wanghuanwei staff 132B Mar 27 13:43 example.fastq
为了简化，我们忽略第三行的加号、换行符，并认为ID行长度在0~1个read长度，故

Fastq文件大小 = ~ 2.5 × reads长度 × reads数目。

Fastq文件大小和Fastq.gz文件大小

在传输Fastq文件过程中，经常使用gzip程序对其进行压缩，以减小文件大小，增加传输速度。而gzip对于不同Fastq文件的压缩比不同，大约在(3~5):1之间。

示例如下（计算公式是291852847/65573424 = 4.45078）：

$ ls -l SRR1616865_1.fq SRR1616865_1.fq.gz

-rw-r--r-- 1 wanghuanwei staff(278M) 291852847 Nov 12 14:12 SRR1616865_1.fq
-rw-r--r-- 1 wanghuanwei staff(63M) 65573424 Aug 29 13:12 SRR1616865_1.fq.gz
故Fastq.gz文件大小 = ~ Fastq文件大小/4

从Fastq文件到比对的reads数

由于Fastq文件经常会进行去接头等前处理的工作，比对的reads长度与原始reads长度略有不同。此处暂时忽略。

另外由于只有部分原始reads会比对(mapped)到参考基因组，因此还有一个比对率的问题。故比对的reads数目 = reads数目 × 比对率。比对率也是NGS分析的重要质控指标。

总结
综合以上信息：

测序深度 = reads长度 × 比对的reads数目 / 参考序列长度
人类基因组 = ~3Gbp
Fastq文件大小 = ~ 2.5 × reads长度 ×reads数目
Fastq.gz文件大小 = ~ Fastq文件大小 / 4
比对的reads数目 = reads数目 × 比对率

在进行了各种近似之后（ID行的近似，参考基因组的近似，gz压缩率的近似，去接头后reads长度变化等），再假设比对率为90%，若要测30X的人类基因组需要62.5GB（Giga Base）的数据。

https://zhuanlan.zhihu.com/p/40040208