如何规范写转录本序列格式？必看

引言Introduction

转录组上游分析里，很多问题不是不会做，而是转录本序列格式不规范 。格式错一位，后面的比对、定量、去重都会受影响。尤其是从测序数据到表达表这一步，读懂FASTQ、SAM、BAM和表达矩阵的关系，是基础中的基础。

1. 先弄清楚转录本序列格式的基本概念

1.1 FASTQ是最常见的原始序列格式

转录本序列格式最常见的起点是FASTQ。它是测序仪输出的原始数据格式。每条序列由4行组成 。第一行是序列ID，第二行是碱基序列，第三行是分隔行，第四行是质量值。

FASTQ的价值，不只在于保存序列，还在于保存质量信息。质量值通常采用Phred评分体系。Q值越高，表示测序出错概率越低 。这也是后续质控和剪切的依据。

在单细胞转录组中，FASTQ往往还分为R1、R2，甚至I1。不同文件承载的信息不同。常见情况是，R2包含barcode和UMI，R1承载转录本序列信息 。这一步如果混淆，后面很难补救。

1.2 FASTA、SAM、BAM各自承担什么角色

除了FASTQ，常见的还有FASTA、SAM和BAM。它们不是同一阶段的文件，但都和转录本序列格式有关。

• FASTA：只保留序列本身，不含质量值。
• SAM：存储比对结果，包含read与参考序列的对应关系。
• BAM：SAM的二进制压缩格式，体积更小，检索更快。

如果目标是做转录本定量，FASTQ通常是起点，SAM/BAM是比对后的中间结果。 理解这一点，就能把文件格式和分析流程对应起来。

1.3 为什么规范格式比“能打开”更重要

很多人觉得文件能打开就行，但生信分析不是这样。一个标准的转录本序列格式，必须满足后续软件可识别、可比对、可重复分析。

比如，FASTQ中的read ID必须对应，R1和R2要能通过第一行信息匹配。若命名混乱，barcode无法正确拆分，UMI无法正确挂载，表达表就会偏差。格式规范，本质上是在保证数据链条不被打断。

2. 单细胞转录组里，转录本序列格式如何组织

2.1 先按barcode分离细胞

单细胞转录组上游处理中，第一步通常是根据barcode分离细胞。上游知识库中提到，测序公司返回的数据可通过R2前8 bp的barcode进行拆分。

这是因为barcode能区分不同细胞。同一批混合测序的数据，必须先按barcode拆分成单细胞文件，才能进入下一步分析。 在96细胞建库场景中，这一步尤为关键。

2.2 再把UMI信息添加到R1

分离完barcode后，还需要处理UMI。UMI通常位于R2的第9到第16 bp。由于后续主要分析R1，因此常见做法是把UMI信息附加到R1的第一行。

这样做的原因很简单。第一行的read ID会在后续步骤中保留。把UMI挂到R1文件的序列标识中，便于后面去除PCR重复。 这是单细胞表达矩阵构建里的常见思路。

2.3 R1才是真正承载转录本信息的核心文件

在这类建库方案中，R2更多提供信息标签，R1才是转录本主体。R2中的barcode和UMI主要用于区分细胞和分子来源，不直接代表基因表达。

因此，规范写转录本序列格式时，最重要的不是“写得像不像序列”，而是能否准确保留转录本本体、barcode、UMI三类信息的边界 。边界一乱，后面的表达量统计就不可靠。

3. 从测序数据到表达表，格式规范要经历哪些步骤

3.1 质控前先识别异常序列

拿到FASTQ后，先看质量，再看结构。常见需要处理的内容包括：

1. 低质量碱基。
2. 不确定碱基N。
3. PolyA尾。
4. adapter残留。
5. TSO序列残留。

其中，TSO序列和PolyA尾尤其容易影响后续比对 。在单细胞转录组中，转录本往往是3’端片段，不是全长转录本，所以这些污染必须清理。

3.2 修剪后再比对到参考基因组

质控后，clean reads 才进入比对。比对工具中，单细胞转录组常用STAR，速度快，适合大规模数据。也可见HISAT、TopHat等工具，但实际中STAR使用更广。

比对的目的是把转录本序列定位到基因组上。没有准确比对，就没有可靠的count。 而count又是后续差异分析和表达矩阵构建的基础。

3.3 unique mapping和去重决定最终表达表

比对完成后，常常只保留unique mapping，也就是唯一比对上的转录本。随后根据UMI去除PCR重复，避免同一分子被重复计数。

这一步的意义非常明确。表达表要反映真实分子数，而不是扩增次数。 所以，规范的转录本序列格式必须支持UMI追踪，否则去重无从谈起。

4. 写转录本序列格式时，最容易出错的地方

4.1 文件命名不统一

命名混乱是最常见错误之一。比如R1、R2、I1没有严格对应，样本名写法不一致，都会导致脚本批量处理失败。

建议固定命名规则，例如：

• 样本名_Rep1_R1.fastq
• 样本名_Rep1_R2.fastq
• 样本名_Rep1_I1.fastq

统一命名不是形式问题，而是可追溯性问题。

4.2 read ID不匹配

R1和R2必须能通过第一行信息对应。上游知识库明确提到，R1和R2的第一行信息是相同的，可以据此调取对应序列。

如果read ID对不上，barcode拆分和UMI添加都会出错。最终可能出现一个细胞的序列被分到另一个细胞，直接影响表达矩阵准确性。

4.3 忽略质量值和污染序列

有些人只关注碱基序列，不看质量值。这样很危险。FASTQ第四行的质量值，直接决定是否需要剪切低质量碱基。

同样，PolyA、TSO、adapter、N碱基都不是可忽略项。 这些内容不清理，会降低比对率，也会增加假阳性。

5. 规范写法的实操原则

5.1 按“信息层”分文件

建议把不同信息分层处理，而不是混在一起。

• 原始层：FASTQ原始文件。
• 标签层：barcode、UMI相关信息。
• 清洗层：trim和clean文件。
• 比对层：SAM/BAM文件。
• 结果层：count或表达表。

分层管理，是规范转录本序列格式的核心原则。

5.2 保留可追溯链条

每一步都要能回溯。也就是说，任何一个表达值，都应能追到原始read。这样在答审稿意见、重复分析、补充质控时，都更有说服力。

对于医学生、医生和科研人员来说，这一点尤其重要。因为论文审稿时，别人常问的不是“你有没有结果”，而是“你的结果能不能复现”。格式规范，就是复现的起点。

5.3 用标准软件和标准字段

尽量使用通用工具和标准输出格式。比如FASTQ、SAM、BAM这些格式，生态成熟，工具支持丰富。不要随意改动标准字段含义。

标准化格式能显著减少脚本兼容问题，也更利于团队协作。

6. 结尾前再看一遍关键逻辑

转录本序列格式不是单纯的文件排版问题，而是单细胞和转录组分析能否顺利推进的前提。它决定了barcode能不能拆分，UMI能不能去重，reads能不能正确比对，count能不能真实反映表达。

如果你正在做单细胞转录组数据分析，建议把这条链条记牢：

1. FASTQ保存原始序列和质量。
2. barcode分离细胞。
3. UMI挂载到可追踪位置。
4. 去除低质量和污染序列。
5. 比对到参考基因组。
6. 生成count和表达表。

每一步都在为最终的表达矩阵服务。

总结Conclusion

规范写好转录本序列格式，核心是三件事。保留原始信息，保证格式标准，支持后续去重和定量。 对于单细胞转录组而言，barcode、UMI、R1/R2对应关系、质控和比对结果，缺一不可。

如果你希望把这些步骤真正落地，减少格式错误和流程返工，可以借助解螺旋 的系统化生信内容与实战资源，按标准流程搭建你的转录组分析链条。这样，转录本序列格式不再是难点，而是你获得可靠表达表的起点。