3. 数据格式与获取：FASTQ格式详解、SRA/GEO数据库下载、Cell Ranger输出结构

做单细胞RNA-seq分析，第一步就是跟数据打交道。不管你用的是自己的测序数据，还是从公共数据库扒下来的公开数据，搞清楚数据格式和获取方式，是后续所有分析的基础。这一章咱们就聊聊这三件事：FASTQ文件到底长什么样、怎么从SRA/GEO把数据拽下来、以及Cell Ranger跑完之后吐出来的一堆文件都是干嘛的。

3.1 FASTQ格式：四行定乾坤

FASTQ是目前测序数据的标准格式。说白了，它就是给每条测序片段（read）配了一张「身份证」加一份「质量报告」。每条read固定用四行来表示，少一行都不行。

@EAS139:136:FC706VJ:2:2104:15343:197393 1:Y:18:ATCACG
CTACGTACGTACGATCGATCGATCGATCGATCGATCGTAGC
+
IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII

• 第1行（@开头）：序列标识符，包含仪器、flowcell、坐标、barcode等信息
• 第2行：碱基序列（A/T/C/G/N）
• 第3行（+开头）：分隔符，有时会重复第1行内容（但一般省略）
• 第4行：质量分数，每个字符对应第2行对应位置的质量值

质量分数用的是Phred评分。我记得刚入行那会儿，总搞混Phred+33和Phred+64的区别。后来踩过一次坑——用错编码导致过滤了大量本该保留的细胞——才彻底记住了。

3.2 SRA/GEO数据库：公开数据的宝库

不是每个人都有条件自己测序。SRA和GEO这两个数据库，就是单细胞研究者的「数据粮仓」。SRA存的是原始测序数据（FASTQ/SRA格式），GEO则偏重处理后的表达矩阵和元数据。

3.2.1 数据搜索与下载

我个人习惯先查GEO。点开一个GEO页面，往下翻到「Supplementary file」部分，一般就能看到SRA的accession号（比如 SRR12345678）。拿到这个号，再用SRA Toolkit下载，流程很清晰。

下载SRA数据，核心工具就是 prefetch 和 fastq-dump。我通常两步走：

# 第一步：下载SRA文件（.sra格式）
prefetch SRR12345678

# 第二步：转成FASTQ（按双端拆分）
fastq-dump --split-files --gzip SRR12345678

3.2.2 数据量的坑

单细胞RNA-seq的SRA文件通常很大，几个GB到几十GB不等。我在项目里遇到过下载到一半断联的情况——那种挫败感，你懂的。解决方案有两个：一是用 aspera（ascp）加速，二是写个带断点续传的脚本。

# 使用ascp加速下载（需要安装aspera-connect）
ascp -i ~/.aspera/connect/etc/asperaweb_id_dsa.openssh \
  -k 1 -T -l 200M anonftp@ftp.ncbi.nlm.nih.gov:/sra/sra-instant/reads/ByRun/sra/SRR/SRR123/SRR12345678/SRR12345678.sra .

还有个更省事的办法：直接用 fasterq-dump，它支持多线程，速度比 fastq-dump 快不少。

fasterq-dump --split-files --threads 8 SRR12345678

3.3 Cell Ranger输出结构：别被一堆文件夹吓到

Cell Ranger跑完之后，会在指定输出目录下生成一套标准化的文件结构。很多新手第一次看到那几十个文件夹就懵了。其实核心就几个：

outs/
├── web_summary.html         # 交互式质控报告（最常用）
├── metrics_summary.csv      # 关键指标汇总（我喜欢先看这个）
├── filtered_feature_bc_matrix/
│   ├── barcodes.tsv.gz      # 通过质控的barcode列表
│   ├── features.tsv.gz      # 基因/feature列表
│   └── matrix.mtx.gz        # 稀疏表达矩阵
├── raw_feature_bc_matrix/   # 同上，但包含所有barcode
├── molecule_info.h5         # HDF5格式的分子信息
├── possorted_genome_bam.bam # 比对到基因组的BAM
└── analysis/                # 初步分析结果（降维、聚类等）

整体流程一览

下面这张图把从原始数据到Cell Ranger输出的完整路径串起来了，方便你对照理解：

这张图把本章的核心脉络串起来了。从原始FASTQ数据出发，你可以选择直接跑Cell Ranger（如果有原始数据），也可以从SRA/GEO下载别人的公开数据再跑。最终Cell Ranger会输出一套标准化的结果，其中 filtered_feature_bc_matrix 就是下游分析的起点。