Notas: ¿Qué es un archivo FASTQ?

Un archivo FASTQ es un formato de texto plano usado en bioinformática para almacenar lecturas de secuenciación junto con sus valores de calidad. Es uno de los formatos más comunes en datos generados por plataformas de secuenciación masiva, como Illumina.

A diferencia de un archivo FASTA, que solo guarda el identificador y la secuencia, un archivo FASTQ también incluye información sobre la calidad de cada base leída.

¿De dónde sale un archivo FASTQ?

Un archivo FASTQ se genera después de que una plataforma de secuenciación “lee” fragmentos de ADN o ARN. Durante ese proceso, el equipo produce:

  • la secuencia de nucleótidos detectada,

  • y una estimación de qué tan confiable fue la lectura de cada base.

Por eso, el FASTQ contiene tanto la secuencia como la calidad.

¿Cómo está constituido?

Cada lectura en un archivo FASTQ ocupa 4 líneas.

Estructura general

@identificador
SECUENCIA
+
CALIDADES

¿Qué significa cada línea?

Línea 1: identificador

Empieza con @ y contiene el nombre o identificador de la lectura.

Ejemplo:

@SEQ_ID_001

Esta línea puede incluir información como:

  • nombre de la corrida,

  • número de lectura,

  • posición en el flowcell,

  • carril,

  • índice o barcode,

  • si pertenece a R1 o R2.

Línea 2: secuencia

Contiene la secuencia de nucleótidos leída.

Ejemplo:

ATGCCGTAGCTAACGTA

Aquí aparecen las bases detectadas, generalmente:

  • A adenina

  • T timina

  • G guanina

  • C citosina

  • N base no determinada

Línea 3: separador

Empieza con +.

Ejemplo:

+

A veces esta línea repite el identificador, pero muchas veces solo contiene el símbolo +.

Su función es separar la secuencia de la línea de calidades.

Línea 4: calidad

Contiene una cadena de caracteres donde cada carácter representa la calidad de una base en la secuencia.

Ejemplo:

IIIIIIHHHHHFFFFF

Es importante que esta línea tenga el mismo número de caracteres que la secuencia tiene de bases, porque cada símbolo corresponde a una base específica.

¿Cómo se representa la calidad en un archivo FASTQ?

La línea de calidad de un archivo FASTQ no muestra números directamente. En su lugar, la calidad de cada base se codifica como un carácter ASCII. Esto permite guardar la información de calidad en una sola línea de texto, usando un símbolo por cada nucleótido de la secuencia.

La más usada hoy es Phred+33.

Regla:

  • carácter = Phred + 33

  • Phred = ASCII - 33

Tabla básica de Phred+33

Phred ASCII decimal Carácter
0 33 !
1 34 "
2 35 #
3 36 $
4 37 %
5 38 &
10 43 +
15 48 0
20 53 5
25 58 :
30 63 ?
35 68 D
40 73 I

  • ! = Q0

  • 5 = Q20

  • ? = Q30

  • I = Q40

Ejemplo

Si en la línea de calidad aparece:

IIIII

cada I vale ASCII 73.

Entonces:

73 - 33 = 40

o sea que cada base tiene Phred 40.