Форматы данных, шкала Phred (Data Formats, Phred Scale)

Loading...

Из курса от партнера Saint Petersburg State University

Введение в биоинформатику (Introduction to Bioinformatics)

47 оценки

Saint Petersburg State University

Введение в биоинформатику (Introduction to Bioinformatics)

47 оценки

Курс «Введение в биоинформатику» адресован тем, кто хочет получить расширенное представление о том, что такое биоинформатика и как она помогает биологам и медикам в их работе. The course is aimed at those who would like to have a better idea of what bioinformatics is and how it helps biologists and medical scientists in research and clinical work.

Из урока

Неделя 3 - Контроль качества (Quality Control)

На этой неделе вы уже можете приступить к работе над геномным проектом. В лекциях мы поговорим о формате представления исходных данных и контроле качества. Также мы подготовили для вас небольшое введение в операционную систему Linux, так как большинство необходимых нам программ разработаны именно для нее. <br>This week your can start working on the real genome project. This week lectures will cover raw data formats and aspects of quality control. Also we offer you a brief introduction to the Linux, because the majority of bioinformatics tools developed for this operation system.

Проблемы качества (Quality Issues)4:37

Форматы данных, шкала Phred (Data Formats, Phred Scale)4:05

Проверка качества. FastQC (Quality Check. FastQC)10:12

Пример - часть 1 (Case Study - part 1)9:31

Пример - часть 2 (Case Study - part 2)8:10

Введение в Linux (Introduction to Linux)13:09

Познакомьтесь с преподавателями

Alla L Lapidus
Professor, Department of Cytology and Histology
Centre For Algorithmic Biotechnology
Николай Вяххи
Павел Добрынин
Младший научный сотрудник
Центр геномной биоинформатики им. Ф.Г.Добржанского
Михаил Райко
Постдок
Центр геномной биоинформатики им. Ф.Г.Добржанского
Екатерина Черняева
Постдок
Центр геномной биоинформатики им. Ф.Г.Добржанского

[МУЗЫКА] А теперь давайте посмотрим, как, собственно, наши данные выглядят.

Наиболее распространенный формат представления данных в молекулярной

биологии — это формат FASTA.

Он выглядит следующим образом: каждая запись в нем состоит из двух строк.

Первая строка, которая начинается со знака >,

в ней у нас идентификатор нашей последовательности.

Это может быть ее название или ее номер в базе данных, или все, что угодно,

то есть любая запись, по которой мы можем отличить ее от всех остальных.

А после нее в следующей строке идет сама последовательность.

Так можно записывать как нуклеотидные, так и аминокислотные последовательности.

Те данные, которые мы получаем с секвенатора, имеют немножко другой формат.

Он называется FASTQ и выглядит следующим образом: первая

строчка — это тоже идентификатор.

Правда, здесь он начинается со значка @.

Вторая строчка — это тоже сама последовательность,

третья строка обычно остается пустой.

И в ней может содержаться какая-нибудь служебная информация.

А в четвертой для каждого из наших нуклеотидов записано значение качества,

то есть нашей уверенности в том, что эта буква определена правильно.

Что же такое это самое «качество»?

Начиная еще с самых первых моделей капиллярных сэнгеровских секвенаторов,

для записи качества используется шкала Phred.

В этой шкале каждому нуклеотиду соответствует значение,

которое логарифмически зависит от вероятности ошибки.

То есть, если у нас есть последовательность,

у которой у всех нуклеотидов значение 10, — это значит,

что у нас в среднем встречается 1 ошибка на каждые 10 букв.

Если значение 20, — это 1 ошибка на каждые 100 нуклеотидов,

если 30 — 1 на 1000 и так далее.

Можно предъявлять разные требования к качеству, но, как правило,

мы работаем с данными, у которых значение Phred не ниже 20.

Мы видим, что для записи качества необходимо два символа,

а в формате FASTQ нам нужно представить их в виде одного символа,

который будет расположен напротив того или иного нуклеотида.

Эта проблема решается следующим образом: в компьютерах любой символ,

любую букву, цифру, любой значок можно представить в виде

определенного кода, который записан в таблице ASCII.

Поэтому мы можем взять символы, которые соответствуют нашему значению,

например, там, значению 20,

поставить его напротив нуклеотида с этим качеством, и все всё поймут.

Вот.

Но дело в том, что первые 32 символа в этой таблице — это пробел,

перенос каретки, табуляция и прочие символы, которые записать невозможно.

Поэтому для записи используют шкалу Phred+33,

в которой отсчет начинается с 33-го символа, то есть 33-й

символ мы считаем первым, и поэтому качество 1 — это восклицательный знак.

Если нужно записать качество 10, то мы берем 43-й символ, вот он наш плюсик.

А на этом рисунке представлены, как я уже говорил,

разные форматы записи качества.

У нас есть несколько разных шкал.

Самая первая — сэнгеровская Phred+33, в которой идет с 33-го по 73-й символ.

В некоторых других приборах и версиях программного обеспечения

встречаются другие шкалы, в которых отсчет идет, например, с 64-го символа.

Поэтому важно знать, с каким именно форматом мы работаем, потому что один и то

же символ в разных шкалах может означать совершенно разные значения качества.

[МУЗЫКА]

Ознакомьтесь с нашим каталогом

Присоединяйтесь бесплатно и получайте персонализированные рекомендации, обновления и предложения.

Coursera делает лучшее в мире образование доступным каждому, предлагая онлайн-курсы от ведущих университетов и организаций.

© Coursera Inc., 2018 Все права защищены.

Загрузить из App Store

Загрузить в Google Play