FastQValidatorは、fastqのフォーマットを検証しておかしなリードが含まれるのか調べることができるツール。具体的には、１つだけファイル名がおかしかったり（ヘッダーが@で始まっていないとか短すぎるとか）、数塩基しかないようなリードが混じっているかどうかなど調べ、エラー数をコールすることができる。使い道はないと思われるかもしれないが、大規模な解析を行っているとfastqのダウンロードが不完全に終わって、気づかないうちに変なfastqを使っているということが起きるかもしれない。FastQValidatorでフォーマットを検証しておけば、そういうトラブルを最小限の手間で防ぐことができる。
本ツールは自動解析ツールの入力ファイルのチェックに使われたりもしている。
インストール
コンパイルにはlibStatGenが必要。本体より先にビルドしておく。
git clone https://github.com/statgen/libStatGen.git
cd libStatGen/
make all
make test
FastQValidatorのダウンロードとビルド。
git clone https://github.com/statgen/fastQValidator.git
cd fastQValidator
make all
bin/にfastQValidatorができる。パスを通しておく。
実行方法
fastqファイルを検証する。
fastQValidator --file input.fastq
解析が終わるとメッセージが標準出力にプリントされる。
Finished processing input.fastq with 16000000 lines containing 4000000 sequences.
There were a total of 0 errors.
Returning: 0 : FASTQ_SUCCESS
このファイルにはエラーはない。
エラーがあれば以下のようなメッセージがプリントされる。
ERROR on Line 25: The sequence identifier line was too short. ERROR on Line 29: First line of a sequence does not begin wtih @ ERROR on Line 33: No Sequence Identifier specified before the comment.
color space fastqかどうか調べる。
fastQValidator --colorSpace --file input.fastq
ここで使ったfastqはATGCNなので、SOLiDのcolorspace fastq（0123）かどうかチェックすると全行でエラーが出る。
Finished processing input.fastq with 16000000 lines containing 4000000 sequences.
There were a total of 200000000 errors.
Returning: 1 : FASTQ_INVALID
- --baseSpace ACTGN only
- --colorSpace 0123. only
25-bp以下のリードがないかどうかも調べる。
fastQValidator --minReadLen 25 --file input.fastq
- --minReadLen Minimum allowed read length (Defaults to 10).
塩基の構成も各部位ごとに調べる。
fastQValidator --baseComposition --file
- --baseComposition Print the Base Composition Statistics.
塩基の割合がポジション別にプリントされる。
Read Index %A %C %G %T %N Total Reads At Index
0 18.02 27.26 38.16 16.56 0.00 4000000
1 29.03 23.09 25.11 22.77 0.00 4000000
2 21.28 25.40 21.87 31.46 0.00 4000000
3 21.20 32.89 25.26 20.65 0.00 4000000
4 23.30 22.15 33.77 20.77 0.01 4000000
5 23.19 23.99 31.71 21.12 0.00 4000000
6 30.34 23.45 23.68 22.54 0.00 4000000
複数fastqを入力とし、Phread quality scoreの平均も計算させる。
fastQValidator --avgQual --params --file input*fastq
- --params Print the parameter settings.
- --avgQual Print the average phred quality per cycle & overall average quality.
各部位のPhread quality scoreがポジション別にプリントされる。
Average Phred Quality by Read Index (starts at 0):
Read Index Average Quality
0 32.79
1 32.69
2 32.87
3 32.96
4 33.23
5 36.57
6 36.77
50-bp以下のリードが100以上あればランを止める。
fastQValidator --minReadLen 50 --maxErrors 100 --file input.fastq
- --maxErrors Number of errors to allow before quitting reading/validating the file. -1 (default) indicates to not quit until the entire file is read.
全配列をキャッシュするので、大きなfastqだとメモリが足りなくなる恐れがある。心配なら2-passモードでランする。
fastQValidator -2 --file input*fastq #フォルダの全fastqを調べる。
引用
