golang 解析fastq格式

FASTQ格式是NGS测序的主流格式，有时候也有压缩后的fastq.gz格式

之前的一篇博客讲到了如何安装GO和biogo这个包，主要用于处理SAM/BAM格式的数据，这一篇讲一下如何处理fastq。

Fastq的每一条测序reads主要由四行构成，第一行是这条reads的ID，每一个reads都有一个唯一的ID，第二行是测序的碱基序列，第三行一般无意义，主要起到占位的作用，第四行是测序的每个碱基对应的质量值。质量值的计算公式来自于

p代表这个碱基被检测的时候，发生错误的概率，概率为0.001的时候，代表Q = 30， 目前的二代测序基本上95%的reads的Q都能达到25.

Illumina 1.8+ 以上的版本的Q值计算方法与Sanger方法基本一致，Sanger的Q范围为0-40. Illumina 1.8的Q范围为0-41

Q在Fastq文件中储存时会以ASCII码表示，ASCII码的对应的数值减33 就等于真实的Q值，如下：

解析fastq的时候只需要根据行数是否能被4整除就可以知道这是ID，或者是Sequence了。

如下：

package main

import (
    "bufio"
    "fmt"
    "log"
    "os"
)

func main() {
    file, err := os.Open("sample_01.fastq")
    if err != nil {
        log.Fatal(err)
    }
    defer file.Close()

    line_num := 0

    scanner := bufio.NewScanner(file)
    for scanner.Scan() {
        line_num += 1
        line := scanner.Text()

        seqlen := len(line)
        if line_num %4 == 2 {
            //fmt.Println(scanner.Text())
            subseq := line[seqlen-10:seqlen]
            fmt.Println(subseq)
        } else {
            continue
        }

    }

    if err := scanner.Err(); err != nil {
        log.Fatal(err)
    }
}

这个go程序能够打印出每个Reads的末尾10个碱基组成的序列（Illumina的测序都是5'端到3‘端，所以也是3’端的10个bases）。

除此之外，还有其它一些分析fastq的工具，参考：

https://www.plob.org/article/1622.html

https://www.plob.org/article/14515.html

https://blog.csdn.net/Cassiel60/article/details/89400551