9. FASTQ 네 줄 — 절반은 서열, 절반은 신뢰도 · 손박사의 애완견 비만세포암 치료제 첫걸음 I

FASTQ 파일 안은 네 줄이 한 묶음입니다.

@A00123:45:HW7Y:1:1101:9832:1063 1:N:0:ATCACG  ← 이름

ACGTTTCAGGATCCAAGGTTACGGATCCAAGG…        ← 서열 150글자

+                                         ← 자리를 채우는 줄

FFFFF:FF,FFFFFFF:FFFFFFFFFFFFFF…         ← 품질 150글자

소설이 짚는 요점은 넷째 줄입니다.

"염기 하나마다 품질 점수가 붙는다. 30이면 이 글자가 틀렸을 확률이 천 분의 일. 20이면 백 분의 일. 그 점수를 숫자로 적으면 파일이 너무 커지므로 글자 하나로 바꿔 적는다. 그래서 서열 줄과 품질 줄의 길이가 같다."

Q30 은 '거의 완벽' 이 아닙니다. 150 글자를 이어 붙이면 일곱 리드에 하나는 어딘가 틀립니다.

Python 브라우저에서 실행

# Phred 점수 — 정의 하나로 전부 나온다
def p_err(q):
    return 10 ** (-q / 10)

print(" Q   틀릴 확률        표현            의미")
for q in (10, 20, 30, 37, 40):
    ch = chr(q + 33)
    print(f"{q:>3}   {p_err(q):>12.5f}     '{ch}'  (ASCII {q+33})   "
          f"{int(1/p_err(q)):>6,} 글자에 하나 틀린다")

print()
print("Q = -10 * log10(오류확률)")
print("문자로 적는 규칙: chr(Q + 33)  — Phred+33 (Sanger 방식)")
print()
print("150 bp 리드 하나가 통째로 옳을 확률 (모든 자리가 Q30 이라면):")
p_ok = (1 - p_err(30)) ** 150
print(f"  {p_ok:.4f}  →  리드 {int(1/(1-p_ok))} 개에 하나꼴로 어딘가 한 글자가 틀린다")

품질 점수를 옮겨 보세요. 리드 하나가 통째로 옳을 확률이 어떻게 무너지는지 보여 줍니다.

불러오는 중…

200 GB 가 어디서 나오나

소설의 계산을 그대로 따라가 봅니다.

24억 × 깊이 × (서열 1바이트 + 품질 1바이트)

혈액은 30겹쯤, 종양은 그보다 두세 배 깊게 읽었습니다. 종양을 더 깊이 읽는 이유는 정상 세포가 섞여 있어서입니다 — 10강에서 다룹니다.

그래서 실무 도구는 전부 gzip 을 그대로 읽습니다. 압축을 풀어 두는 습관이 디스크를 터뜨립니다.

Python 브라우저에서 실행

# 200 GB 를 손으로 만들어 본다
G = 2_400_000_000
def bytes_of(depth, name_bytes=60, read_len=150):
    reads = G * depth / read_len            # 리드 수
    per_read = read_len * 2 + name_bytes + 4   # 서열+품질+이름+줄바꿈들
    return reads * per_read

for label, depth in [("혈액 (정상)", 30), ("종양", 60)]:
    b = bytes_of(depth)
    print(f"{label:<12} {depth:>3}x   {b/1e9:>7.1f} GB (압축 전)")

total = bytes_of(30) + bytes_of(60)
print()
print(f"합계 (압축 전)      {total/1e9:>7.1f} GB")
print(f"gzip 로 약 1/4      {total/1e9/4:>7.1f} GB")
print()
print("이야기의 200 GB 는 압축된 .fastq.gz 넷의 합계입니다.")
print("압축을 풀면 800 GB 쯤 됩니다 — 노트북 디스크에 안 들어갑니다.")

품질 줄이 실제로 알려 주는 것

📉

뒤로 갈수록 낮다

사이클이 쌓이면 위상이 어긋난다. 리드 끝 20~30 bp 는 대개 흐리다

🅶

G 가 이상하다

2색 화학(NextSeq·NovaSeq)에서 신호 없음 = G. 끝의 GGGG 는 G 가 아니라 침묵

🧬

앞도 흔들린다

첫 10 bp 쯤은 라이브러리 제작의 흔적으로 조성이 치우친다

이것을 한눈에 보는 도구가 FastQC 입니다. 워크숍 노트북은 합성 리드를 쓰므로 이 단계를 건너뛰지만, 실제 데이터라면 정렬 전에 반드시 봅니다.

🤔 확인 문제

Phred 품질 점수 Q30 의 뜻은?

해설 Q = −10·log₁₀(오류확률) 입니다. Q30 이면 1/1000, Q20 이면 1/100, Q40 이면 1/10000. 파일에는 chr(Q+33) 로 글자 하나로 적습니다(Phred+33). 그래서 서열 줄과 품질 줄의 길이가 같습니다.

🤔 확인 문제

모든 자리가 Q30 인 150 bp 리드가 통째로 옳을 확률은 대략?

🤔 확인 문제

2색 화학 장비에서 리드 끝의 GGGGGGG 를 그대로 두고 정렬하면?

해설 2색 화학은 빛이 없는 것을 G 로 읽습니다. 클러스터가 죽어도 장비는 자신 있게 G 라고 말하므로 품질 점수가 높습니다. 이 꼬리가 참조의 G 가 많은 자리에 붙어 가짜 정렬과 가짜 커버리지를 만듭니다. --trim_poly_g 로 미리 자릅니다.