1. FASTQ文件格式详解

做高通量测序的人，天天都在跟FASTQ打交道。但说实话，真正把这个格式吃透的人并不多。我第一次接触它的时候，就有个困惑——为什么短短几行文本，能承载那么多信息？今天咱们就把它彻底拆开看看。

1.1 四行结构，缺一不可

一个标准的FASTQ记录，固定占四行。少一行都不行，多一行算你错。我给你看个真实的例子：

@EAS139:136:FC706VJ:2:2104:15343:197393 1:Y:18:ATCACG
CTTGAAGGGCGCTTCGTGCCTGGGTGCTCGAGATGTTCCGTACTGACACA
+
IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII

来，一行一行说清楚：

• 第一行（@开头）：序列标识符。@后面跟的是测序仪生成的唯一ID，包含仪器编号、flowcell位置、坐标这些信息。我习惯把它叫做“序列的身份证”。
• 第二行：碱基序列。就是A、T、C、G组成的DNA序列。偶尔还会看到N，表示这个位置测不出来。
• 第三行（+开头）：分隔符。后面可以跟跟第一行相同的信息，也可以什么都不写。但我见过不少新手以为这行可有可无——可千万不能删。
• 第四行：质量序列。每个字符对应第二行每个碱基的质量值。字符越多、越“花哨”，说明质量越高。

1.2 Phred分数——质量的“温度计”

质量值怎么来的？其实是一个叫Phred的算法算出来的。原理不复杂，但很重要：

Q = -10 × log₁₀(P)

这里P是碱基出错的概率。举个例子：

• 如果Q=30，说明出错概率是千分之一。这个质量线，行业里叫“Q30门槛”。
• 如果Q=20，出错概率是百分之一。说实话，这个质量做下游分析就有点悬了。
• 如果Q=10，出错概率是10%。这种数据，我一般建议直接扔掉。

1.3 ASCII编码——字符是怎么变成数字的

好，现在问题来了：FASTQ里存的是字符，不是数字。那怎么把Q值转成可见字符？

原理很简单：ASCII码 = Phred分数 + 偏移量

偏移量有两个主流值，这就是很多人踩坑的地方：

• Sanger/Illumina 1.8+：偏移量33，Q值范围0-41。这是现在的标准，大部分新数据都用这个。
• 旧版Illumina（1.3-1.7）：偏移量64，Q值范围0-62。现在基本淘汰了，但老旧数据集里还能碰到。

举个具体的例子——Q=30：

• 用Sanger编码：30 + 33 = 63，对应ASCII字符 ?
• 用旧版编码：30 + 64 = 94，对应ASCII字符 ^

1.4 实战小技巧

平时怎么判断编码类型？我这里有个快速判断法：

# 看看质量序列里有没有小写字母或数字
# Sanger编码：字符从 ! 开始，到 ~ 结束（33-126）
# 旧版编码：字符从 @ 开始，到 k 结束（64-107）

# 快速检测方法
if quality_string contains any digit or '@':
    print("可能是旧版Illumina编码")
else if quality_string starts with '!':
    print("可能是Sanger编码")

嗯，这里要注意：不要完全依赖自动检测工具。我见过一些工具把64偏移的数据误判成33偏移，导致后续所有质量过滤都白做了。

1.5 完整结构总结

最后，我把FASTQ的整个知识体系画成一张图，方便你理解：

这张图把FASTQ的核心链条串起来了：从四行结构出发，到Phred分数怎么计算，再到ASCII编码怎么映射。你想想看，只要搞明白这三层，FASTQ文件在你面前就没有秘密了。