FASTQDateien

FASTQDateien, oft FASTQ genannt, sind ein Textformat zur Speicherung von Sequenzdaten aus der modernen Hochdurchsatz-Sequenzierung. Sie kombinieren die rohen Nukleotidsequenzen mit zugehörigen Qualitätswerten für jede Basenposition. Das Format wird in vielen Bioinformatik-Workflows verwendet, einschließlich Qualitätskontrolle, Trimmung, Alignierung und Variantenanalyse.

Aufbau: Jeder Leseeintrag besteht aus vier Zeilen: 1) eine Überschrift, die mit einem @ beginnt und Informationen zum Lesezugang enthält; 2) die Sequenz aus den Basen A, C, G, T (oder N); 3) ein Pluszeichen in einer eigenen Zeile; 4) die Qualitätswerte, codiert als ASCII-Zeichen, wobei die Qualität pro Base als Phred-Score interpretiert wird. Typische Encodings sind Phred+33 (Sanger, Illumina ab etwa 1.9) und früher Phred+64 (Solexa). Moderne Illumina-Daten verwenden häufig Phred+33. Die Länge von Sequenz und Qualitätsstring stimmt überein, und längere Reads erzeugen entsprechend größere Dateien.

Dateien können unkomprimiert vorliegen oder komprimiert als .fastq.gz gespeichert werden. Aufgrund ihrer Größe werden FASTQ-Dateien oft komprimiert oder in gepackter Form verarbeitet. Typische Werkzeuge sind FastQC für Qualitätskontrolle, seqtk oder andere Bearbeitungswerkzeuge, BBMap-Tools sowie Konvertierung zu FASTA oder BAM in weiteren Schritten.

Historisch entstanden FASTQ-Dateien aus dem Bedarf, Sequenzierungsresultate direkt mit Qualitätsinformationen zu verknüpfen. Sie sind in Genom- und Transkriptom-Analysen weit verbreitet; Unterschiede in Encodierung und Headerformat erfordern gelegentlich Anpassungen, um Interoperabilität sicherzustellen.