常用数据格式介绍
DNA序列表征
A =腺嘌呤
C =胞嘧啶
G =鸟嘌呤
T =胸腺嘧啶
U =尿嘧啶
R = GA（嘌呤）
Y = TC（嘧啶）
K = GT（酮）
M = AC（氨基）
S = GC
W = AT
B = GTC
D = GAT
H = ACT
V = GCA
N = AGCT（任何）
Fastq & Fasta
Fastq格式：一种基于文本的，保存生物序列（通常是核酸序列）和其测序质量信息的标准格式,一般都包含有4行。
第一行：由‘@’开始，后面跟着序列ID和可选的描述，序列ID是唯一的；
第二行：碱基序列；
第三行：由‘+’开始，后面是序列的描述信息；
第四行：第二行序列的质量评价(quality value)。
举例：
@HISEQ:777:HCMCVBCX2:1:1101:4712:2186 1:N:0:TACTCCAG
HISEQ：仪器 ID
777：Run ID
HCMCVBCX2：FlowCell ID
1：The lane number
1101：流通池道内的tile号码
4712：瓦片中的集群的‘x'坐标
2186：瓦片中的集群的’y'坐标
1：成对的成员，1或2（配对结束或配对读取）
N：如果读取过滤，则为Y；否则为N
0：当没有控制位开启时为0，否则为偶数
TACTCCAG：索引序列
Fasta格式：
1：以“>”为开头，fasta格式标志。
2：序列ID号，gi号，NCBI数据库的标识符，具有唯一性。
格式为：gi|gi号|来源标志|序列标志（接收号、名称等），若某项缺失可以留空，“|”保留。
3：序列描述。
4：碱基序列，序列中允许空格、换行、空行，一般一行60个。
Fastq文件→Fasta文件
Linux命令
法1：sed '/^@/!d;s//>/;N' your.fastq > your.fasta
法2：seqtk seq -A input.fastq > output.fasta
FASTX-Toolkit
•一款用于处理Short-Reads FASTA/FASTQ文件的程序，里面包含了丰富的Fasta/Fastq文件格式转换、统计等命令。
http://hannonlab.cshl.edu/fastx_toolkit/
GenBank & EMBL
GenBank格式
以LOCUS和一些注释行开始。
序列的开头以“ORIGIN”标记，末尾以“//”标记。
EMBL格式
以标识符行（ID）开头，后面跟着更多注释行。
序列的开头以“SQ”开头标记，序末尾以“//”标记。
**表 1 **GenBank & EMBL数据库格式的对比
EMBL → Fasta格式转换（在线工具）：
http://www.geneinfinity.org/sms/sms_embltofasta.html
另外给大家介绍一个常见测序文件格式解析的网站：
https://genome.ucsc.edu/FAQ/FAQformat.html#format1
该网站包含了各种各样的测序文件格式说明，想了解文件格式各行各列的含义直接找它即可！
