FastQ 文件格式：结构解析与质量分数编码

说到测序数据，我们最先接触的就是 FastQ 文件。嗯，我刚开始做生信那会儿，拿到一个几百兆的 FastQ 文件，直接打开看，密密麻麻的字符，完全不知道它想表达什么。后来搞明白了，其实结构很简单，就四行一个记录。

四行结构，一个 read

每个 FastQ 文件里，一条 read 占 4 行，顺序固定。你想想看，这比 FASTA 多了一行质量分数，就是那把衡量数据好坏的尺子。

这是标准格式，千万别搞错顺序。我遇到过有人把质量分数行当成了碱基序列，结果下游分析全乱套。说白了，第2行和第4行长度必须相等，否则就是坏文件。

质量分数编码的演变史

质量分数不是直接存的数字，而是用一个 ASCII 字符来表示。为什么这样做？因为纯文本文件里存二进制数字太占空间，用一个字符代表一个 Phred 值更高效。这里面涉及三种编码方式，也是我们分析时必须搞明白的「暗号」。

Sanger / Phred+33 编码

这是最通用的标准，目前绝大多数数据都用它。Phred 质量分数 Q = -10 × log₁₀(P)，P 是碱基识别错误的概率。Q 值范围 0～93，但实际测序中很少超过 60。它用 ASCII 码 33～126 表示，也就是从 '!' 开始。

我早期做人类基因组重测序，拿到的是 Sanger 编码的 FastQ，直接用 seqtk 查看，字符像 'I'、'J'、'K' 这些大写字母，一看就是高质量。

Illumina 1.3+ / Phred+64 编码

Illumina 早期机器（GA、GA II）使用这种编码。ASCII 偏移量是 64，范围从 '@'（ASCII 64）到 'h'（ASCII 104），对应 Q 值 0～40。我记得当时处理过一批 Solexa 数据，发现质量分数全是 '@'、'A'、'B' 之类的小写字母，跟常见的不一样。后来一查，哦，偏移量不同。

不过现在 Illumina 的新机器（HiSeq/NovaSeq）早就改用 Sanger 编码了。如果你遇到老数据，必须手动识别或者用工具转换。

Illumina 1.5+ / Phred+64 变种

这个版本有些特殊。它也是为了兼容高 Q 值，但把 0 ～ 2 这三个低质量值做了统一映射：所有 Q ≤ 2 都编码为 'B'（ASCII 66）。这样做是为了节省字符空间？我不太确定，但你在处理 1.5+ 数据时，如果看到质量分数字符全是 'B' 开头，说明低质量碱基被统一压缩了。

如何快速判断 FastQ 的编码方式？

手动翻看质量分数那一行的字符分布，基本能猜个八九不离十。下面是我常用的经验法则：

1. 看第一个字符：如果是 '!'，基本是 Sanger（ASCII 33）。
2. 看有没有 '@' 或 'A'：如果出现大量 '@'（ASCII 64）且没有 '!'，很可能是 Illumina 1.3+。
3. 看有没有 'B' 打头的连续低质量段：如果有，且整体偏移像 64，那就是 1.5+。
4. 用程序统计 Q 值分布：更保险的方式是写个小脚本，把字符转成 ASCII 再减偏移量，看最大值是否超过 40。

我这里有一个快速的 Python 片段，你可以直接拿来用：

def guess_encoding(fastq_file):
    with open(fastq_file) as f:
        for i, line in enumerate(f):
            if i % 4 == 3:  # 质量分数行
                chars = line.strip()
                ascii_vals = [ord(c) for c in chars]
                min_val = min(ascii_vals)
                max_val = max(ascii_vals)
                if min_val >= 33 and max_val <= 73:
                    return "Sanger (Phred+33)"
                elif min_val >= 64 and max_val <= 104:
                    if chr(min_val) == 'B':
                        return "Illumina 1.5+ (Phred+64 variant)"
                    else:
                        return "Illumina 1.3+ (Phred+64)"
                else:
                    return "Unknown"
            if i > 100: break
    return "Could not determine"

这段代码简单实用，我放在每次质控管线的第一步。如果返回 "Unknown"，我会仔细看一下原始字符的 ASCII 范围，再结合平台说明判断。

ASCII 偏移量的本质

其实说白了，偏移量就是个「起点」。Sanger 用 '!' 代表 Q=0，Illumina 1.3+ 用 '@' 代表 Q=0。你想想看，如果直接存数字 30 和 40，要两个 ASCII 字符；但存一个 '?'（63）和 'J'（74），一个字符就够了。这是用可打印字符来压缩数值。

转换公式非常简单：

• Sanger: Q = ord(char) - 33
• Illumina 1.3+ / 1.5+: Q = ord(char) - 64（注意 1.5+ 会把 Q≤2 统一为 0）

反过来，如果你想把 Q 值写成 FastQ，就用 chr(Q + offset)。

知识框架图

下面这张图把 FastQ 结构、三种编码方式、判读流程串起来了，方便你建立整体认知：

实际项目中的注意事项

我处理过上百个批次的测序数据，每次合并不同来源的 FastQ 前，都会用上面的脚本统一检测一遍编码。这里有几个教训，你提前知道就能省很多麻烦：