Skip to content

Biology › 基因體學 › 檔案格式

基因體檔案格式 (Genomics File Formats) ​

定序分析的每一步都有對應的標準格式。先搞懂座標系統(0-based vs 1-based),再看各格式。

資料流與格式 ​

text
FASTA(參考序列)+ GTF/GFF(基因註解)
        │
FASTQ(reads + 品質)──比對──► SAM / BAM / CRAM(比對結果)──變異呼叫──► VCF(變異)
                                  │
                                  └──計數 / 覆蓋度──► count matrix、bigWig、BED(區間)

筆記 ​

格式內容座標常用工具
座標系統0-based 半開 vs 1-based 閉區間、轉換規則——
FASTA參考序列、.fai 索引、軟遮蔽—samtools faidx、seqkit
FASTQreads、品質字串、成對檔案—FastQC、fastp
SAM / BAM / CRAM比對結果、FLAG、CIGAR、MD / NM、header1-basedsamtools、Picard
VCF變異、INFO / FORMAT、基因型1-basedbcftools、GATK
BED基因體區間0-basedbedtools
GTF / GFF3基因、轉錄本、exon 註解1-basedgffread、AGAT

壓縮與索引速查 ​

檔案壓縮索引建索引指令
FASTA不壓縮或 bgzip.fai(+ .gzi)samtools faidx ref.fa
BAM內建 BGZF.bai / .csisamtools index
CRAM依參考序列壓縮.craisamtools index
VCFbgzip(.vcf.gz).tbi / .csitabix -p vcf、bcftools index
BED / GFFbgzip.tbitabix -p bed / gff

bgzip ≠ gzip:bgzip 是分塊壓縮,可以隨機存取;一般 gzip 壓的檔案無法建索引。

壓縮、索引、查詢的工具見 NGS 工具;參考序列與註解從哪裡下載見 參考資料。