外觀
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 |
| FASTQ | reads、品質字串、成對檔案 | — | FastQC、fastp |
| SAM / BAM / CRAM | 比對結果、FLAG、CIGAR、MD / NM、header | 1-based | samtools、Picard |
| VCF | 變異、INFO / FORMAT、基因型 | 1-based | bcftools、GATK |
| BED | 基因體區間 | 0-based | bedtools |
| GTF / GFF3 | 基因、轉錄本、exon 註解 | 1-based | gffread、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 / .csi | samtools index |
| CRAM | 依參考序列壓縮 | .crai | samtools index |
| VCF | bgzip(.vcf.gz) | .tbi / .csi | tabix -p vcf、bcftools index |
| BED / GFF | bgzip | .tbi | tabix -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。