File Formats in NGS

在次世代定序（Next-Generation Sequencing, NGS）分析中，原始資料與分析結果會以多種檔案格式儲存，各自對應不同階段與應用需求。以下介紹數種常見格式與其基本結構。

---

一、FASTQ 格式

• 用途：儲存定序儀產出的原始序列與品質資訊

• 結構：每筆reads由四行組成

  @SEQ_ID
  GATTTGGGGTTCAAAGCAGTATCGATCAAATAGTAAATTTTGGGTTTAAAGGGTGCCCGATAG
  +
  !''*((((***+))%%%++)(%%%%).1***-+*''))**55CCF>>>>>>CCCCCCC65

  • 第一行：以 @ 開頭，後面為reads ID

  • 第二行：核酸序列（A/T/C/G/N）

  • 第三行：以 + 開頭，可重複 ID 或留空

  • 第四行：品質分數（Phred score），以 ASCII 字元表示

---

二、FASTA 格式

• 用途：儲存核酸或胺基酸序列（不含品質資訊）

• 結構：每筆序列包含兩行以上

  >sequence_1
  ATGCGTACGTAGCTAGCTAGCTAGCTAGCTA

  • 第一行：以 > 開頭，後面為序列 ID 或描述

  • 第二行起：為序列內容，可為多行

---

三、SAM / BAM 格式

• 用途：儲存與參考基因組對齊後的序列資訊

• 差異：

  • SAM：文字格式，易於閱讀但檔案較大

  • BAM：SAM 的二進位壓縮格式，適合儲存與處理

• 內容欄位：讀段 ID、對齊位置、CIGAR 字串、MAPQ、序列等

---

四、VCF（Variant Call Format）格式

• 用途：記錄變異資訊（如 SNP、Indel 等）

• 常見欄位：

  • 染色體（CHROM）、位置（POS）

  • 參考鹼基（REF）、變異鹼基（ALT）

  • 品質分數（QUAL）、過濾標記（FILTER）、註解欄位（INFO）

• 應用：可搭配 ANNOVAR、VEP 等工具進行功能註解與臨床意義分析

---

五、GTF / GFF 格式

• 用途：儲存基因註解資料，例如基因、外顯子、轉錄本等結構資訊

• 差異：

  • GTF：格式嚴謹，常見於 Ensembl 資料庫

  • GFF：結構較彈性，支援更多註解欄位

• 應用：常見於 RNA-Seq 分析、基因結構視覺化、轉錄本組裝等流程

---

六、格式比較表

格式	用途	特色與備註
FASTQ	原始序列與品質資訊	每筆序列佔四行，包含 Phred 品質分數
FASTA	序列資料儲存	不含品質資訊，適用於參考基因組或蛋白質序列
SAM / BAM	對齊資訊儲存	BAM 為壓縮格式，適合儲存與後續分析
VCF	變異記錄	可註解並包含基因型資訊，常用於臨床與研究
GTF / GFF	基因註解資訊	常用於 RNA-Seq 與基因結構相關分析