10강 / 20강

【실습】 FASTQ 한 레코드를 뜯어본다

네 줄에 무엇이 들어 있나 · 어댑터가 보이는 자리

시퀀서가 내놓는 파일이 FASTQ 입니다. 읽기 하나가 네 줄로 되어 있어요.

@A00251:120:HXXXXDRXX:1:1101:5104:1000 1:N:0:ATCACG   ← ① 이름
TGAGGTAGTAGGTTGTATAGTTAGATCGGAAGAGCACACGTCTGAACT     ← ② 서열
+                                                     ← ③ 구분선
FFFFFFFFFFFFFFFFFFFFFF:FFF,F:FFF,,F:F,,,,:F,,,,,     ← ④ 품질

줄	무엇
① 이름	`@` 로 시작. 기기·레인·타일·좌표, 그리고 인덱스(6강)
② 서열	읽은 염기. 못 읽은 자리는 `N`
③ 구분선	`+` 하나. 옛날에는 이름을 다시 적었다
④ 품질	염기마다 하나씩. ASCII 문자로 적은 Phred 점수

②와 ④의 길이가 같아야 합니다 — 염기마다 품질이 하나씩이니까요.

고등학생네 줄에 무엇이 들어 있나

줄	내용	시작
1	read 이름과 정보	@
2	염기 서열	—
3	구분선	+
4	품질 점수 (문자로)	—

2번과 4번 줄은 길이가 같습니다 — 염기마다 점수 하나씩.

품질 문자를 Phred 점수로 바꾸는 것이 FASTQ 읽기의 첫걸음입니다.

Python 브라우저에서 실행

# FASTQ 레코드를 뜯어본다
이름 = "@A00251:120:HXXXXDRXX:1:1101:5104:1000 1:N:0:ATCACG"
서열 = "TGAGGTAGTAGGTTGTATAGTTAGATCGGAAGAGCACACGTCTGAACT"
구분 = "+"
품질 = "FFFFFFFFFFFFFFFFFFFFFF:FFF,F:FFF,,F:F,,,,:F,,,,,"

for 줄 in (이름, 서열, 구분, 품질):
    print(줄)
print()

print("① 이름")
필드 = 이름[1:].split(":")
for k, v in zip(["기기", "런", "플로셀", "레인", "타일", "X", "Y"], 필드):
    print(f"     {k:<8} {v}")
print(f"     인덱스   {이름.split(':')[-1]}")
print()
print(f"② 서열   길이 {len(서열)}")
print(f"④ 품질   길이 {len(품질)}   → 길이가 {'같다 ✓' if len(서열)==len(품질) else '다르다 ✗'}")
print()

# Phred 점수로 바꾼다 (Illumina 1.8+ 는 ASCII - 33)
점수 = [ord(c) - 33 for c in 품질]
print("④ 품질을 Phred 점수로")
print(f"     처음 10개  {점수[:10]}")
print(f"     마지막 10개 {점수[-10:]}")
print(f"     평균 {sum(점수)/len(점수):.1f}")
print()
print("Phred 20 = 오류 확률 1/100,  30 = 1/1000")
for q in (10, 20, 30, 37):
    print(f"     Q{q:<3} → 오류 확률 {10**(-q/10):.5f}  ({'F' if q>=37 else ':' if q>=25 else ','} 근처 문자)")
print()
print("뒤로 갈수록 점수가 떨어지는 것을 보세요 — 시퀀싱은 뒤쪽이 늘 부정확합니다.")

고등학생이름줄에 든 정보

항목	알려 주는 것
기기 · 실행 · 플로우셀	어느 시퀀싱에서
레인 · 타일	플로우셀의 어디
X · Y 좌표	클러스터의 위치
read 번호 (1 또는 2)	양말단 중 어느 쪽
인덱스 서열	어느 시료

좌표가 있어서 같은 자리의 중복을 판별할 수 있습니다.

고등학생어댑터가 보이는 자리

삽입물이 read보다 짧으면 어댑터까지 읽힙니다.

삽입물 길이	100 bp read에서
200 bp	어댑터 안 보임
100 bp	경계에 걸침
50 bp	뒤 50 염기가 어댑터

서열 끝에 같은 패턴이 반복되면 어댑터입니다 — 잘라 내야 합니다.

어댑터를 찾아본다

위 서열을 다시 보세요.

TGAGGTAGTAGGTTGTATAGTTAGATCGGAAGAGCACACGTCTGAACT
└──── miRNA (let-7a) ───┘└────── 어댑터 ──────┘

AGATCGGAAGAGC 는 Illumina TruSeq 어댑터의 시작 서열입니다. 이것이 보이면 인서트가 끝났다는 뜻이에요(8강).

그리고 품질 점수를 보면 — 어댑터 구간부터 뚝 떨어집니다. 같은 서열이 모든 클러스터에서 동시에 읽히면 신호가 뭉개지거든요.

이 두 가지가 Trimmomatic 이 하는 일입니다 — 어댑터를 잘라내고, 품질이 낮은 끝을 잘라냅니다. 논문의 bulk 파이프라인 첫 단계죠.

고등학생품질 문자 읽기

Q = ord(문자) − 33 (Phred+33)

문자	Q	정확도
!	0	0%
+	10	90%
?	30	99.9%
I	40	99.99%

품질줄의 앞쪽은 대개 좋고 뒤쪽이 나쁩니다. 8강의 phasing 때문이에요.

🤔 확인 문제

FASTQ 의 서열 줄과 품질 줄의 길이가 반드시 같아야 하는 이유는?