FASTQ, BAM, CRAM ve VCF Nedir? Genomik Dosya Rehberi
NGS ve WGS verileriyle çalışan araştırmacılar ve biyoinformatik ekipleri, aynı örneğe ait birden fazla dosya formatıyla karşılaşabilir.
Örneğin bir laboratuvarın veri arşivinde FASTQ.GZ, BAM, CRAM ve VCF dosyaları bulunabilir.
Bu dosyaların hepsi genomik veriyle ilişkili olsa da aynı bilgiyi aynı biçimde saklamaz.
FASTQ, BAM, CRAM ve VCF farklarını anlamak, sekanslama verilerinin analiz edilmesi, depolanması ve arşivlenmesi açısından önemlidir.
Peki hangi format ne için kullanılır?
FASTQ nedir?
FASTQ, sekanslama cihazlarından veya ilgili veri işleme süreçlerinden elde edilen DNA veya RNA okumalarını saklamak için yaygın kullanılan metin tabanlı dosya biçimidir.
FASTQ dosyalarında genellikle:
- Okuma tanımlayıcısı
- Nükleotit dizisi
- Ayırıcı satır
- Baz kalite değerleri
bulunur.
FASTQ dosyaları sıkıştırılmadan saklanabilir veya gzip gibi yöntemlerle FASTQ.GZ biçimine dönüştürülebilir.
FASTQ dosyası, genellikle referans genoma hizalanmış konum bilgilerini doğrudan içermez.
FASTQ.GZ nedir?
FASTQ.GZ, gzip ile sıkıştırılmış FASTQ dosyasını ifade eder.
Bu biçim özellikle depolama ve dosya aktarımı sırasında yaygın olarak kullanılır.
Ancak FASTQ.GZ zaten sıkıştırılmış olduğu için başka bir sıkıştırma yöntemine geçildiğinde elde edilen ek tasarruf, sıkıştırılmamış FASTQ verisine göre farklı olabilir.
Bu nedenle performans testlerinde başlangıç dosyasının formatı mutlaka belirtilmelidir.
BAM dosyası nedir?
BAM, SAM formatındaki genomik hizalama kayıtlarının ikili temsilidir.
Bu dosyalar okuma bilgileriyle birlikte referans genoma hizalama konumu, hizalama özellikleri ve ilgili etiketleri saklayabilir.
BAM dosyaları bazı analiz araçlarında yaygın olarak kullanılır.
Ancak bütün BAM dosyalarının hizalanmış okumalar içerdiği varsayılmamalıdır. Hizalanmamış kayıtlar da bulunabilir.
CRAM nedir?
CRAM, genomik okuma ve hizalama kayıtlarını verimli biçimde saklamak amacıyla geliştirilmiş formattır.
CRAM bazı sıkıştırma yöntemlerinde referans genomdan yararlanabilir.
Bu sayede belirli veri setlerinde depolama alanı avantajı sağlanabilir.
Ancak CRAM kullanırken:
- Format sürümü
- Kullanılan referans genom
- Referansın bütünlüğü
- Analiz araçlarının uyumluluğu
- Kodlama ve geri açma seçenekleri
değerlendirilmelidir.
CRAM'in bütün kullanım senaryolarında otomatik olarak en küçük dosyayı oluşturduğu söylenemez.
VCF dosyası nedir?
VCF (Variant Call Format), varyant analizi sonuçlarını temsil etmek için kullanılan dosya biçimidir.
VCF dosyalarında genetik varyantların konumları, referans ve alternatif alleller ile ilgili diğer bilgiler bulunabilir.
VCF bir ham sekans okuma dosyası değildir.
Bu nedenle yalnızca VCF dosyasının saklanması, gelecekte ham okumaların veya hizalama verilerinin yeniden analiz edilmesi ihtiyacını karşılamayabilir.
FASTQ, BAM, CRAM ve VCF karşılaştırması
| Dosya biçimi | Temel kullanım | |---|---| | FASTQ | Sekans okuma ve kalite bilgileri | | FASTQ.GZ | Gzip ile sıkıştırılmış FASTQ | | BAM | İkili okuma/hizalama kayıtları | | CRAM | Sıkıştırılmış okuma/hizalama kayıtları | | VCF | Genetik varyant kayıtları |
Hangi dosyanın saklanacağı araştırma hedefi, yeniden analiz gereksinimi ve ilgili veri yönetim politikasına göre belirlenmelidir.
NGS analizinde bu dosyalar hangi sırayla kullanılır?
Tipik bir kısa okuma varyant analizi iş akışında şu yaklaşım görülebilir:
- Sekanslama sonrası FASTQ verileri alınır.
- Kalite kontrolü yapılır.
- Okumalar referans genoma hizalanır.
- Hizalama sonuçları BAM veya CRAM biçiminde yönetilir.
- Varyant analizi gerçekleştirilir.
- Uygun sonuçlar VCF gibi biçimlerde saklanabilir.
Bu yalnızca örnek bir iş akışıdır.
Her genomik analiz projesinin aynı dosyaları veya aynı adımları kullanması gerekmez.
BAM ve CRAM arasında nasıl seçim yapılır?
Karar verirken yalnızca dosya boyutu değil, analiz araçlarının uyumluluğu ve gelecekteki erişim gereksinimleri değerlendirilmelidir.
Örneğin veri uzun süre saklanacaksa referans genomun erişilebilirliği ve kullanılan CRAM sürümünün desteklenmesi önemlidir.
Yoğun analiz yapılan bir ortamda ise dosya boyutuyla birlikte okuma hızı ve hesaplama maliyeti ölçülmelidir.
MPEG-G bu formatlardan nasıl ayrılır?
MPEG-G, genomik verilerin temsili ve sıkıştırılmasıyla ilişkili ISO/IEC 23092 standart ailesidir.
FASTQ ve BAM gibi mevcut formatlarla birlikte kullanılabilecek dönüşüm ve sıkıştırma senaryoları bulunabilir.
Ancak MPEG-G uygulamalarının dosya desteği ve performansı ürüne göre değişebilir.
Bu nedenle laboratuvarların uyumluluk ve veri bütünlüğü testleri gerçekleştirmesi gerekir.
Ayrıntılı rehber: Genetik ve Genomik Veri Sıkıştırma
Hangi genomik dosyalar arşivlenmeli?
Tek bir saklama politikası bütün laboratuvarlar için uygun değildir.
Örneğin:
- Yeniden analiz gerektiren araştırma projeleri
- Belirli klinik kayıt gereksinimleri
- Büyük ölçekli genomik taramalar
- Sık tekrar edilen analizler
farklı saklama süreleri ve dosya tercihleri gerektirebilir.
Önemli olan gerekli verilerin güvenli ve gerektiğinde kullanılabilir biçimde korunmasıdır.
RelGen Teknoloji ile genomik dosya yönetimi
RelGen Teknoloji, genomik veri üreten laboratuvarların FASTQ, BAM, CRAM ve VCF dosyalarını saklama, arşivleme, sıkıştırma ve transfer etme ihtiyaçlarını teknik açıdan değerlendirmeye odaklanır.
Kayıpsız sıkıştırma, dosya uyumluluğu, depolama performansı ve veri bütünlüğü birlikte incelenebilir.
Genomik Veri Çözümlerimizi inceleyebilir veya RelGen Teknoloji ile iletişime geçebilirsiniz.
Sık sorulan sorular
FASTQ ve BAM aynı dosya mı?
Hayır. FASTQ genellikle okuma ve kalite bilgilerini saklar; BAM ise SAM biçimindeki okuma ve hizalama kayıtlarının ikili temsilidir.
CRAM ile BAM arasındaki fark nedir?
CRAM, genomik okuma kayıtları için farklı sıkıştırma yaklaşımları sunar ve uygun senaryolarda referans genomdan yararlanabilir.
VCF'den FASTQ dosyası geri oluşturulabilir mi?
VCF genel olarak ham okuma bilgilerini içermez. Bu nedenle yalnızca VCF'den orijinal FASTQ verisinin eksiksiz geri oluşturulması beklenmez.
MPEG-G bir FASTQ dosyası mı?
Hayır. MPEG-G genomik bilgilerin temsili ve sıkıştırılması için oluşturulmuş ayrı bir standart ailesidir.
Teknik kaynak: GA4GH / SAMtools HTS Format Specifications