高通量测序数据下机后得到了fastq的raw_data，通常测序公司在将数据返还给客户之前会做“clean”处理，即得到clean_data。然而，这些clean_data是否真的“clean”呢？
首先，我们应该做一下质控。如果质控不合格，就需要一些处理，比如去接头、去除量的reads。

（1）去除测序数据中的接头(用到的是fastx_toolkit里面的fastx_clipper工具)：

Usage: fastx_clipper [-h] [-a ADAPTER] [-D] [-l N] [-n] [-d N] [-c] [-C] [-o] [-v] [-z] [-i INFILE] [-o OUTFILE]  #去掉接头序列

[-a ADAPTER] =接头序列（默认为CCTTAAGG）

[-l N]       = 忽略那些碱基数目少于N的reads，默认为5

[-d N]       = 保留接头序列后的N个碱基默认  -d 0

[-c]         = 放弃那些没有接头的序列.

[-C]         = 只保留没有接头的序列.

[-k]         = 报告只有接头的序列.

[-n]         = 保留有N多序列，默认不保留

[-v]         =详细-报告序列编号

[-z]         =压缩输出.

[-D]       = 输出调试结果.

[-M N]   =要求最小能匹配到接头的长度N，如果和接头匹配的长度小于N不修剪

[-i INFILE]  = 输入文件

[-o OUTFILE] = 输出文件

Example: fastx_clipper -a AGATCGGAAGAGCACACG -l 25 -d 0 -Q 33 -i SRR306394_1.fastq -o SRR306394_1_trimmed.fastq
(注：-l参数，即忽略那些碱基数目少于N的reads。默认的是5，而对于tophat来说，如果reads长度小于20，就会发出警告。因此，考虑到充分利用这些测序数据同时不损失比对的特异性，这里-l参数，取值为25。-Q参数，对于illumina测序来说，这个参数也是必须要加的，因为illumina测序在给单个碱基作质量打分的时候，加上了33，然后才转成的ASC II, 因此在这里需要加 -Q 33. 否则就会报这样的错误“fastx_clipper: Invalid quality score value (char '#' ord 35 quality value -29) on line 4.”)

（2）去除测序数据中的低质量reads(用到的是fastx_toolkit里面的fastq_quality_filter工具)：
Usage:fastq_quality_filter [-h] [-v] [-q N] [-p N] [-z] [-i INFILE] [-o OUTFILE]过滤低质量序列

[-q N]       = 最小的需要留下的质量值

[-p N]       = 每个reads中最少有百分之多少的碱基需要有-q的质量值

[-z]         =压缩输出

[-v]       =详细-报告序列编号，如果使用了-o则报告会直接在STDOUT，如果没有则输入到STDERR

Example: fastq_quality_filter -q 20 -p 80 -Q 33 -i SRR306394_1.fastq -o SRR306394_1_filtered.fastq
(注：-q参数，即是指最小需要留下的质量值，这里需要保留Q20(99.99%)以上的，所以对应的是20。-p参数，即是指每个reads中最少有百分之多少的碱基需要有-q的质量值，这里我们要求的是一条reads中最少有80%以上的碱基质量值达到Q20我们才作保留，因此对应的是80. -Q参数，对于illumina测序来说，这个参数也是必须要加的，因为illumina测序在给单个碱基作质量打分的时候，加上了33，然后才转成的ASC II, 因此在这里需要加 -Q 33. 否则就会报这样的错误“fastx_clipper: Invalid quality score value (char '#' ord 35 quality value -29) on line 4.”)
(注：如果在做fastq_quality_filter之后，QC结果仍然可以看到reads的尾部有低质量的reads,此时可以将-p参数调大，比如调至90或者99)。

转载本文请联系原作者获取授权，同时请注明本文来自熊朝亮科学网博客。
链接地址：http://blog.sciencenet.cn/blog-1509670-914439.html