4. 常见FASTQ命名约定：Illumina、SRA与10X
命名约定这东西，说白了就是行业里的“土规矩”。你进了哪个圈子，就得守哪个圈子的规矩。今天咱们聊聊最常见的三种：Illumina的15位命名、SRA标准命名、还有10X Genomics那一套。我个人习惯把这三种先记住，因为后面讲元数据嵌入时，你就要决定到底按照哪种体系来改造你的文件名。
核心思路：无论哪种命名，最终目的都是让文件名本身就能回答“这条数据是哪来的、怎么跑的、跑的是哪个样本”三个问题。
4.1 Illumina 15位命名：跑通测序的“通用语”
先说说最多人用的——Illumina的15位命名格式。你可能见过类似SampleName_S1_L001_R1_001.fastq.gz这样的名字，这就是其中之一。15位不是指字符数，而是指信息段有15个位置，其中一部分是可选的。
我记得刚接触这个格式时，最头疼的就是“多出来的那几段到底什么意思”。后来发现，其实核心就是6个字段，用下划线或连字符隔开：
| 序号 | 段名 | 含义 | 示例 |
|---|---|---|---|
| 1 | SampleID | 样本名称或项目代号 | WT_rep1 |
| 2 | SampleNumber | 样本在run中的索引（S开头） | S1、S12 |
| 3 | Lane | 流动槽中的泳道编号 | L001、L003 |
| 4 | ReadDirection | 读段方向（R1或R2） | R1、R2 |
| 5 | SetNumber | 多组间区分（默认001） | 001、002 |
| 6 | FastqNum | 拆分的文件序号 | 001、007 |
但你注意，实际项目中不一定全部都要写全。比如单泳道、单组、没拆分的，只保留前四段就能搞定：
# 完整15位格式
WT_rep1_S1_L001_R1_001.fastq.gz
# 省略可选段后的最小化格式
WT_rep1_S1_L001_R1.fastq.gz我个人建议：别省。你省下的字符数换来的可能是别人解析时多花的时间。有一次我接手别人的数据，文件名只有WT_rep1_R1.fastq.gz，结果我猜了一天“这是哪个泳道的”，最后只能去翻实验记录——麻烦透顶。
避坑提示：Illumina官方bcl2fastq生成的默认名字经常带下划线，如果你自己写脚本重命名，注意不要把“S1_L001”中的下划线漏掉，否则下游工具会报错“unknown format”。
4.2 SRA标准命名：NCBI的门规
如果你要把数据提交到NCBI的SRA数据库，或者从SRA下载数据，那就得认识另一套命名。SRA的命名不是给文件用的，而是给每一个测序记录（run）分配的唯一标识。
你见过类似SRR1234567、ERR1234567、DRR1234567这样的吗？这三个前缀就代表了不同的数据来源：
| 前缀 | 含义 |
|---|---|
| SRR | NCBI SRA的Run记录 |
| ERR | EBI ENA的Run记录 |
| DRR | DDBJ的Run记录 |
为什么会分成三家？其实它们组成了国际核苷酸序列数据库联盟（INSDC），各管各的区域，但数据是互通的。不过我建议你先搞清楚自己用的是哪家数据库的编号，否则下载时搜不到会以为是数据丢了。
SRA命名还有层级结构。我习惯理解成“树状”：SRA实验(SRX) → SRA样本(SRS) → SRA运行(SRR)。你拿到的FASTQ文件通常是SRR开头的，但如果你想知道这个run属于哪个实验，查SRX就对了。
# SRA命名示例（fastq-dump输出的默认文件名）
SRR1234567.fastq.gz
# 如果启用了拆分，双端数据会变成：
SRR1234567_1.fastq.gz
SRR1234567_2.fastq.gz注意：SRA命名不是给本地元数据嵌入用的。如果你从SRA下载了数据，建议你在文件名上附加你自己的样本信息，例如：SRR1234567_LiverTumor_Rep1_R1.fastq.gz。纯数字命名到了项目后期会让你疯掉的——我试过。
4.3 10X Genomics命名：单细胞特有的“长名字”
单细胞测序的用户们，你们接触的命名又是另一回事。10X Genomics的Cell Ranger软件生成的文件名，按官方规范可以很长很长，典型例子：
SampleName_S1_L001_R1_001.fastq.gz
SampleName_S1_L001_R2_001.fastq.gz
SampleName_S1_L002_R1_001.fastq.gz
SampleName_S1_L002_R2_001.fastq.gz看到没？和Illumina的15位非常像，但有一个关键区别：R1和R2的意义不同。在10X系统中：
- R1：通常是16个碱基，包含细胞Barcode和UMI（Unique Molecular Identifier）
- R2：通常是91个碱基，是实际的转录本序列
也就是说，你不能把10X的R1当成普通RNA-seq的R1来分析。我见过有人用传统的比对工具直接跑10X的R1，结果发现几乎对不上基因组——废话，因为R1里存的是barcode而不是cDNA。
还有一点，10X多次强调文件名中的L001、L002等泳道编号不能合并，否则Cell Ranger会认为数据来自同一泳道而报错。我在项目中遇过这个问题，折腾了俩小时才发现是合并后泳道编号不一致导致的。
10X命名的关键字段：
SampleName：你自己定的样本名（别带特殊字符）
S1：样本在测序flowcell中的索引
L001：泳道编号，双端必须匹配同一泳道
R1/R2：读段方向（10X中R1是barcode+UMI，R2是序列）
001：文件拆分序号（如果多文件则递增）
4.4 三种命名的对比如下表：快速参考
| 特性 | Illumina 15位 | SRA标准 | 10X Genomics |
|---|---|---|---|
| 前缀/格式骨架 | SampleID_S1_L001_R1_001 |
SRR/ERR/DRR + 数字 |
与Illumina类似，但R1/R2内容不同 |
| 是否唯一 | 可重复（取决于用户命名） | 全局唯一 | 可重复（取决于项目命名） |
| 主要用途 | 本地管理、测序中心输出 | 公共数据库存档 | 10X生信流程输入 |
| 是否包含元数据 | 部分（样本/泳道/方向） | 极少（仅编号） | 部分（样本/泳道/方向） |
| 解析难度 | 中等（字段定长） | 低（纯数字） | 中等（可用正则） |
技巧：如果你需要在同一项目中混合这三种命名来源（比如公共数据 + 本地测序数据 + 10X数据），建议建立一个映射表，把SRR编号、本地样本名、10X样本名一一对应起来。我曾经用Excel做的，后来发现用YAML或JSON更不易出错：
samples:
- srr: SRR1234567
local_name: LiverTumor_Rep1
tenx_name: LT1_S1
- srr: ERR7654321
local_name: Normal_Rep2
tenx_name: NR2_S2你想想看，这三种命名其实代表了三类典型的元数据嵌入实践：Illumina式的“把关键字段塞进文件名”、SRA式的“纯编号+依赖数据库查表”、10X式的“延续Illumina但改变字段语义”。搞清楚了它们，你后面自己设计命名规则时就心里有底了。
好，这一章就到这里。三种命名规则，你记住了吗？