fastq データの検証: fastqc

 
2018 年 10 月 31 日　改訂

fastqc を用いて，fastq データの品質を検証します．ここではコマンドラインを用いた方法を解説します．スパコンで解析した場合は，結果をダウンロードして可視化する必要があります．

例えば，得られたリードの長さがどのような分布になっているかチェックします．具体的には，fastqc　の Example Reports > Good Illumina Data をみると，Summary に，該当項目が合格レベルであることしめすチェックが入ります (すべて合格でなくても良いらしいです)．

bioinformatics を参考にしました．コマンドラインから操作する方法，および結果の解釈が丁寧に解説されています．

2020 年にアッセンブルに詳しい同僚に聞いたところ、fastqc のステップは飛ばして、いきなり Trimmomatic をやっても良いのでは、言われました (この時はトランスクリプトーム解析について相談しました)。
インストール

こちらのページにある Download Now をクリックします．Linux であれば FastQC v0.11.8 (Win/Linux zip file) をダウンロードしてください． JAVA script であるためコンパイル不要ですが (bioinformatics)，以下のコマンドによって fastqc に実行権限を与える必要があります．シンボリックリンクの作成など，INSTALL.txt を参照してください．
操作方法

bioinformatics に従いました．ここでは，SRR5760179_sub1.fq という fastq ファイルを解析しています．

アウトファイルが保存される fastqc_out ディレクトリをあらかじめ作成します．

mkdir fastqc_out

fastq を走らせます．

fastqc --nogroup -o ./fastqc_out SRR5760179_sub1.fq

アウトファイルは html で出力されます．このため結果を見る場合は，スパコンの場合はローカルに fastqc_out ディレクトリをダウンロードする必要があります．

 
seqtk
練習用に 1M レコード (100 万) だけ抜き出したファイルが作りたい，という場合があると思います．そういう時は，seqtk を使うと良いです．ほぼ同じ機能をもつものに，seq kit というものもあります．

日本語の解説．

実際に作成された fastq ファイルのリード数を調べる場合は，以下のコマンドです．

[cluster:Symsagittifera-roscoffensis]$
wc -l SRR5760179_sub1.fq
4000000 SRR5760179_sub1.fq

4000000 を 4 で割った数が，リード数です．

トランスクリプトームデータ解析シリーズ
次回は「3. アッセンブル：Trinity」 のページです．断片化されたリードをアッセンブルして実際の配列を fasta ファイルとして出力します．
1. SRA データのダウンロード．
2. FastQC による fastq データの検証．
3. fastq データの精製: Trimmomatic
4. アッセンブル: Trinity
5. 転写配列の推定: TransDecoder
6. 類似配列の除去：CD-HIT
7. オーソログ推定: ORTHOSCOPE
このページは主に OIST の同僚 AA さんから教えていただいた情報をもとに作成しています．ご協力に感謝します．