[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]
