生信文件格式：FASTQ/SAM/BAM/VCF/GFF/BED

FASTQ、SAM/BAM、VCF、GFF/GTF、BED——这些是生信分析中出现频率最高的文件格式。了解每种格式的结构和用途是读懂流程的前提。本文覆盖 7 种核心格式的结构解析、用途对比和互转方式。

1. FASTQ——最原始的数据#

每4行一条read：

1
@SEQ_ID
2
ATCGATCGATCGATCGATCG
3
+
4
IIIIIIIIIIIIIIIIIII

第1行：@开头 + read ID
第2行：序列
第3行：+（可选带ID）
第4行：质量分数（Phred+33编码）

质量分数公式： $Q = -10 \times \log_{10}(P_{error})$ ，ASCII码 = Q + 33。

单个文件常用工具：seqkit stats、fastqc、head -4。

2. FASTA——参考序列和转录本#

1
>gene_id description
2
ATCGATCGATCGATCG...

> 开头行是ID，可以包含多个字段（用 | 分隔）
序列可以换行，但建议单行（seqtk seq可以整理）

3. SAM/BAM——比对结果#

SAM是文本、BAM是二进制压缩版（体积小70-90%）。

1
read1  0  chr1  100  42  50M  *  0  0  ATCG...  IIII...

核心转换：

1
samtools view -bS input.sam > output.bam   # SAM→BAM
2
samtools view -h output.bam > output.sam   # BAM→SAM

4. VCF——变异信息#

1
#CHROM  POS  ID  REF  ALT  QUAL  FILTER  INFO
2
chr1    100  .   A    G    50    PASS    DP=100

VCF v4.2 是当前标准
可以压缩为 .vcf.gz，配合 .vcf.gz.tbi 索引使用
变异注释通常用 snpEFF/VEP

5. GFF/GTF——基因组注释#

1
chr1  .  gene  1000  2000  .  +  .  gene_id "GENE1";
2
chr1  .  exon  1000  1200  .  +  .  gene_id "GENE1";

GFF vs GTF：

GFF（Generic Feature Format）：灵活，9列
GTF（Gene Transfer Format）：GFF的子集，多了 gene_id 和 transcript_id 约定

二者最大区别——坐标系统： GFF是1-based closed（[start, end]），GTF也是1-based。但BED是0-based half-open。

6. BED——区间信息#

最少3列：chrom start end。0-based。

1
# GFF→BED（start要减1）
2
awk '$3=="gene" {print $1"\t"$4-1"\t"$5}' annotation.gff > genes.bed

7. 格式转换命令速查#

从	到	命令
SAM	BAM	`samtools view -bS`
BAM	SAM	`samtools view -h`
FASTQ	FASTA	`seqkit fq2fa`
BAM	BED	`bedtools bamtobed`
GFF	BED	`awk '{print $1"\t"$4-1"\t"$5}'`
BED	bigBed	`bedToBigBed`
bedGraph	bigWig	`bedGraphToBigWig`

8. 常用验证命令#

1
# 检查GFF格式合法性
2
gff3validator annotation.gff
3

4
# 检查BAM完整性
5
samtools quickcheck input.bam && echo "OK" || echo "CORRUPT"
6

7
# 检查VCF压缩+索引
8
bcftools index -t input.vcf.gz && echo "Index OK"
9

10
# 检查FASTA序列长度
11
infoseq input.fasta | head

本文于 2025-06-25 实测。