38、生物序列分析的 Java 实现指南

生物序列分析的 Java 实现指南

1. NGS 序列处理

在生物信息学中，FASTA 格式常用于从精心整理的数据源和数据库中提取序列，其中每个碱基都经过确认（错误概率 < 1:100,000）。然而，当处理实验数据时，我们更多会遇到 FASTQ 格式的数据集。FASTQ 格式是在下一代测序（NGS）技术背景下开发的，它的显著特点是包含了质量信息。这是因为 NGS 数据中单个碱基的确定性很重要，一方面，与 Sanger 序列相比，NGS 中每个碱基的质量通常较低；另一方面，多序列比对是区分生物序列变异和技术假象的首要步骤。而 FASTA 格式显然无法存储测序设备生成的碱基级质量信息（除了作为注释）。

FASTQ 中的“Phred 质量分数”以 ASCII 值编码。由于前 32 个 ASCII 字符不可打印，因此会添加一个偏移量。这样，质量信息就以一串可读字符的形式呈现，每个字符编码一个 Phred 值。一个完整的 FASTQ 记录由四行组成（不计算序列换行），以“+”开始质量部分（可选地，后面再次跟随记录 ID）。碱基序列和质量序列的长度必须相同，以确保正确对应。

需要注意的是，不建议打印跨多行换行的 FASTQ 序列。因为“@”符号会出现在质量字符串中，如果它偶然出现在行首，解析器可能会将其误解释为“新记录的开始”。因此，上面引入的换行仅为了提高可读性。

在 Java 中读取 FASTQ 文件，首先需要添加 biojava - sequencing 包的依赖到 pom.xml 文件中：

<dependency>
    <groupId>org.bioj