微生物多樣性研究中測(cè)序原始數(shù)據(jù)及其處理方式(精編版)

1、微生物多樣性研究中測(cè)序原始數(shù)據(jù)及其處理方式展開(kāi)全文1. 原始 數(shù)據(jù)的解釋及相關(guān)概念原始數(shù)據(jù)的概念：a. 測(cè)序儀完成測(cè)序后生產(chǎn)的測(cè)序文件，經(jīng)過(guò)單樣品拆分后，獲得的單樣品測(cè)序文件。b.或者 測(cè)序儀測(cè)序完成后， 由測(cè)序儀直接拆分的單樣品測(cè)序 文件。 我們常常稱(chēng)之為 “ rawdata ”原始數(shù)據(jù)展示 (illumina 測(cè)序平臺(tái)、 fastq 格式文件 ):fastq 格式文件： 基于文本的， 保存生物序列 （通常是核酸序列） 和其質(zhì)量信息的標(biāo)準(zhǔn)格式， 其實(shí)質(zhì)是一種數(shù)據(jù)存儲(chǔ)格式，其序列以及質(zhì)量都是使用一個(gè) ascii 字符標(biāo)示，最初有sanger 公司開(kāi)發(fā)， 目的是將 fasta 序列和質(zhì)量數(shù)據(jù)放在

2、一起， 目前已經(jīng)成為高通量測(cè)序結(jié)果的事實(shí)標(biāo)準(zhǔn)。對(duì)于 fastq 格式文件內(nèi)容相關(guān)解釋?zhuān)?）第一行以 “ ”開(kāi)頭， 由文件識(shí)別標(biāo)志和讀段名 （id）組成；2）第二行為堿基序列；3）第三行以 “ + ”開(kāi)頭，也是由文件識(shí)別標(biāo)志和讀段名（ id）組成，其 id 可以省略，但 “ + 能省略；4）第四行是第二行中的序列內(nèi)容每個(gè)堿基所對(duì)應(yīng)的測(cè)序質(zhì)量值。2. 數(shù)據(jù)質(zhì)控高通量測(cè)序下機(jī)的原始數(shù)據(jù) raw reads 中存在一些低質(zhì)量數(shù) 據(jù)、接頭以及 barcode 序列等，為消除其對(duì)后續(xù)分析準(zhǔn)確性 產(chǎn)生的影響，在數(shù)據(jù)下機(jī)以后對(duì)原始數(shù)據(jù)進(jìn)行質(zhì)控處理就成了至關(guān)重要的環(huán)節(jié)。數(shù)據(jù)質(zhì)控的概念：將原始數(shù)據(jù)通過(guò)系列步驟（或

3、同時(shí)進(jìn)行）質(zhì)量控制篩選的過(guò)程。質(zhì)控篩選后的數(shù)據(jù)，我們常常稱(chēng)之為 “cleandata，”也稱(chēng)之為 “可以進(jìn)行后續(xù)分析的序列 ”。因各服務(wù)商提供的質(zhì)控標(biāo)準(zhǔn)會(huì)略有不同，但大體包含（但不限于）如下幾方面：1）通過(guò) index 提取序列，并作測(cè)序質(zhì)量控制，質(zhì)量達(dá)不到設(shè)置要求的去除，將序列與樣本對(duì)應(yīng)；2）通過(guò) overlap 完成拼接，去除 index 序列， overlap 長(zhǎng)度 和錯(cuò)配要達(dá)到設(shè)置的要求，拼接不上的舍棄；3）拼接完成且長(zhǎng)度達(dá)不到設(shè)定要求的舍棄。？問(wèn)題： cleandata （可用于分析的序列）跟最終參與分析的序列數(shù)量相等嗎？我們將在 otu 聚類(lèi)環(huán)節(jié)給出答案。3. 原始數(shù)據(jù)的重要性原始數(shù)據(jù)一切數(shù)據(jù)分析的根本。分析過(guò)程文件、結(jié)果文件可以丟失，原始數(shù)據(jù)在，分析結(jié)果可以重現(xiàn)；原始數(shù)據(jù)一旦丟失，分析結(jié)果則不可重現(xiàn)；原始數(shù)據(jù)應(yīng)及時(shí)索取或保存。獲取方式1 ）服務(wù)商提供：硬盤(pán)、網(wǎng)盤(pán)、 u 盤(pán)、郵件等數(shù)據(jù)載體