FASTQ-format

När en sekvenseringsmaskin läser av DNA producerar den miljontals korta avsnitt av sekvens, så kallade reads. Dessa sparas vanligtvis i FASTQ-format, som är en vidareutveckling av det äldre FASTA-formatet. Skillnaden är att FASTQ inte bara lagrar själva bokstäverna A, T, C och G, utan också en kvalitetspoäng för varje enskild bas som talar om hur säker maskinen är på sin avläsning.

Varje read beskrivs av fyra rader. Den första raden börjar med tecknet @ och innehåller ett unikt namn på avläsningen. Den andra raden visar själva DNA-sekvensen, till exempel GATTACAGGT. Den tredje raden börjar med ett plustecken och fungerar som en avdelare. Den fjärde raden innehåller kvalitetsvärdena, ett tecken för varje bas i sekvensen.

Kvalitetsvärdena kodas som vanliga tecken på tangentbordet, där varje tecken motsvarar ett tal kallat Phred-poäng. Ju högre poäng, desto mindre är risken att basen är felaktigt avläst. En Phred-poäng på 30 betyder till exempel att sannolikheten för fel är ungefär en på tusen, vilket motsvarar 99,9 procents säkerhet. Tecknen är medvetet valda så att en hel sekvens får plats på en kompakt rad utan att filen blir onödigt stor.

Ett konkret exempel: efter att ett salivprov sekvenserats kan resultatet bli en FASTQ-fil med flera gigabyte data och hundratals miljoner reads. Bioinformatiker använder sedan program för att kontrollera kvaliteten, klippa bort osäkra delar och slutligen passa in alla reads mot ett referensgenom. Först därefter går det att tolka vilka genetiska varianter en person bär på.

För den som beställt ett DNA-test inom släktforskning eller hälsa är FASTQ-formatet sällan något man möter direkt, eftersom företaget redan bearbetat rådatan åt dig. Men formatet är grunden i hela kedjan från provrör till resultat. Vid helgenomsekvensering kan du ibland ladda ner dina egna FASTQ-filer, vilket ger maximal kontroll och möjlighet att analysera om datan med nya verktyg i framtiden.