시퀀싱으로 얻은 데이터를 다루려면 파이프라인 각 단계에서 쓰이는 표준 텍스트 포맷을 알아야 합니다. FASTA, FASTQ, BED는 생김새가 비슷해 보여도 담고 있는 정보와 용도가 완전히 다르니 헷갈리지 않게 정리했습니다.FASTA품질 정보 없이 서열만 담는 가장 단순한 포맷입니다. 주로 레퍼런스 유전체를 표현할 때 씁니다.>chr21GATCACAGGTCTATCACCCTATTAACCACTCACGGGAGCTCTCCATGCATTTGGTATTTTCGTCTGGGGGGTATGCACGCGATAGCA 구조는 두 부분입니다.헤더: >로 시작하고 그 뒤에 서열 이름(염색체명, 유전자명 등)이 온다.서열: A/C/G/T/N으로 구성되고, 보통 60~80자마다 줄바꿈된다.레퍼런스 파일은 그대로 두고 쓰기보다 인덱스를 만들..

1. 구조 육안 확인 — 4줄 구조 눈으로 익히기fastq의 구조 확인을 위한 명령어를 실행함.gzcat ~/bioinfo/bi_study/wgs_practice/raw/SRR062634_1.fastq.gz | head -8 위와 같은 코드가 출력됨.@SRR062634.1 HWI-EAS110_103327062:6:1:1092:8469 length=100GGGTTTTCCTGAAAAAGGGATTCAAGAAAGAAAACTTACATGAGGTGATTGTTTAATGTTGCTACCAAAGAAGAGAGAGTTACCTGCCCATTCACTCAGG+SRR062634.1 HWI-EAS110_103327062:6:1:1092:8469 length=100@C'@9:BB:?DCCB5CC?5C=?5@CADC?BDB)B@?-A@=:=..

Biopython은 생물정보학에서 가장 널리 사용되는 파이썬 라이브러리입니다.시퀀스 처리, 다양한 파일 형식 파싱, NCBI 데이터베이스 접근, BLAST 실행 등 생물정보학 분석에 필요한 기능을 폭넓게 제공합니다.pip install biopython# 또는conda install -c bioconda biopythonSeq: 시퀀스 객체Seq는 DNA, RNA, 단백질 시퀀스를 다루는 Biopython의 기본 객체입니다. 파이썬 문자열과 유사하게 사용할 수 있지만, 생물학적 연산 메서드가 추가되어 있습니다.from Bio.Seq import Seq# 시퀀스 생성dna = Seq("ATCGATCGGGCC")rna = Seq("AUCGAUCGGGCC")protein = Seq("MADVKKLGEL")# ..

FASTQ는 시퀀서에서 가장 처음 나오는 파일입니다.FASTA가 서열만 담는다면, FASTQ는 서열과 함께 각 염기를 얼마나 믿을 수 있는지를 나타내는 품질 점수를 함께 저장합니다. 시퀀서가 염기를 읽을 때 항상 100% 정확하지 않기 때문에 이 정보가 필요합니다.NGS 파이프라인은 항상 FASTQ에서 시작합니다. 이 파일을 레퍼런스 게놈에 정렬하면 BAM이 되고, 거기서 변이를 찾으면 VCF가 됩니다.구조리드 하나가 정확히 4줄로 구성됩니다.@SRR001666.1 HWI-EAS225:1:1:4:1690/1GTTGCTTCTGGCGTGGGTGGGGGGG+IIIIIIIIIIIIIIIIIIIIIIIIII1번째 줄 — 리드 헤더@로 시작합니다. 이 리드가 어디서 왔는지에 대한 정보입니다.Illumina 기준으로..

서론NGS 파이프라인을 처음 다루다 보면 FASTQ, BAM, VCF, BED, GTF, FASTA 같은 파일들이 줄줄이 등장합니다.도구마다 입력으로 받는 파일이 다르고, 출력 파일도 다릅니다.이 파일들이 뭔지 모르면 파이프라인이 왜 이 순서로 흘러가는지, 오류가 났을 때 어디서 문제가 생긴 건지 파악하기가 어렵습니다.파이프라인 흐름과 파일 포맷의 관계를 먼저 보면 이렇습니다. 시퀀서 ↓[FASTQ] ← 시퀀싱 원시 데이터 (리드 서열 + 품질 점수) ↓ 정렬 (STAR, BWA-MEM)[SAM/BAM] ← 게놈에 정렬된 리드 ↓ 변이 탐지 (GATK, DeepVariant)[VCF] ← 탐지된 변이 ↓ 주석 (VEP, SnpEff)[주석 VCF] ← 변이 기능 정보 추가[FASTA]..

이 글을 읽기 전에NGS 분석에서 파이프라인을 돌리다 보면 FASTQ 파일에 적힌 품질 점수가 뭔지, coverage가 왜 분석마다 다른지, Illumina 데이터와 PacBio 데이터를 왜 다른 도구로 처리하는지 궁금해지는 순간이 옵니다. 시퀀싱 기계 내부를 엔지니어 수준으로 이해할 필요는 없지만, 어떤 원리로 데이터가 만들어지는지를 모르면 데이터 품질 평가와 파이프라인 선택 기준을 이해하기 어렵습니다.Illumina 시퀀싱 원리 — SBS (Sequencing By Synthesis)Illumina는 현재 NGS 시장의 대부분을 차지하는 플랫폼입니다.원리는 합성하면서 읽는다(Sequencing By Synthesis)입니다.DNA를 복제하는 과정에서 어떤 염기가 붙는지를 형광 신호로 감지합니다.라이브..

안녕하세요!지난 포스팅에서는 FASTQ 파일의 '4줄 구조'를 자세히 살펴보며, 4번째 줄에 정체불명의 아스키(ASCII) 문자들이 나열되어 있는 이유가 바로 염기별 품질 점수를 한 글자로 압축 저장하기 위해서라고 설명했습니다. 오늘은 생물정보학 데이터 전처리(QC)의 핵심 지표이자, 유전체 분석의 신뢰도를 결정하는 Phred Quality Score의 원리를 있게 파헤쳐 보겠습니다. 이 점수가 어떻게 계산되고, 왜 실무에서 'Q30'을 통과 의례처럼 강조하는지 알아보겠습니다.Phred Quality Score(Q-score)란 왜 중요할까? 🔍차세대 염기서열 분석(NGS) 장비는 완벽하지 않습니다. 염기를 한 칸씩 읽어나갈 때마다 형광 신호의 세기나 기계적 노이즈에 따라 잘못 읽을 가능성(에러 확률)..

안녕하세요!지난 포스팅에서 시퀀싱 장비가 막 뱉어낸 날것(Raw)의 원천 데이터인 FASTQ 파일의 개념을 가볍게 살펴보았습니다. 오늘은 이 FASTQ 파일이 내부적으로 어떻게 구성되어 있는지 자세히 파헤쳐 보는 시간을 가지려고 합니다.FASTQ 파일은 텍스트 파일이기 때문에 메모장이나 리눅스의 less 명령어로 열어볼 수 있습니다. 파일을 열면 수천만 개의 유전자 조각(Read)들이 들어있는데, 하나의 Read는 무조건 '정확히 4줄'의 규칙을 따릅니다.이 4줄이 각각 무엇을 의미하는지 하나씩 제대로 살펴보겠습니다.🔍 FASTQ를 구성하는 '4줄의 법칙' 해부하기이해를 위해 실제 Illumina 시퀀싱 장비에서 생성되는 전형적인 FASTQ 데이터 한 세트(4줄)를 예시로 들고 시작하겠습니다.@SRR1..

안녕하세요!지난 포스팅까지는 세포 내에서 DNA가 어떻게 복제되고 조절되는지 분자생물학적 메커니즘을 살펴보았습니다. 오늘은 생명 현상을 '컴퓨터'로 분석하는 진짜 생물정보학(Bioinformatics)의 영역의 내용을 다루려고 합니다.그 전환점의 첫 단추로, 생물정보학 분석 파이프라인의 가장 첫 관문이자 모든 염기서열 데이터의 출발점인 FASTQ 데이터 포맷에 대해 가볍지만 깊이 있게 노트를 정리해 보려고 합니다.본격적인 데이터 명세를 해부하기 전, 이 데이터가 도대체 무엇이고 왜 날것(Raw)이라고 부르는지 예고편 형태로 파헤쳐 보겠습니다.1. FASTQ의 정의: 시퀀싱 장비가 뱉어내는 가장 원천적인 데이터 🖨️생물체의 세포에서 추출한 DNA를 컴퓨터가 읽을 수 있는 디지털 텍스트로 변환해 주는 기계..