基因组测序数据质控——fastp

简介

fastp是一款较新的数据质控软件。它可以仅仅扫描FASTQ文件一次，就完成比FASTQC cutadapt Trimmomatic 这三个软件加起来的功能还多很多的功能，而且速度上比仅仅使用Trimmomatic一个软件还要快3倍左右。

fastp的特性：

• 对数据自动进行全方位质控，生成人性化的报告
• 过滤功能（低质量，太短，太多N……）；对每一个序列的头部或尾部，计算滑动窗内的质量均值，并将均值较低的子序列进行切除（类似Trimmomatic的做法，但是快非常多）;
• 全局剪裁 （在头/尾部，不影响去重），对于Illumina下机数据往往最后一到两个cycle需要这样处理;
• 去除接头污染。厉害的是，你不用输入接头序列，因为算法会自动识别接头序列并进行剪裁;
• 对于双端测序（PE）的数据，软件会自动查找每一对read的重叠区域，并对该重叠区域中不匹配的碱基对进行校正;
• 去除尾部的polyG。对于Illumina NextSeq/NovaSeq的测序数据，因为是两色法发光，polyG是常有的事，所以该特性对该两类测序平台默认打开;
• 对于PE数据中的overlap区间中不一致的碱基对，依据质量值进行校正;
• 可以对带分子标签（UMI）的数据进行预处理，不管UMI在插入片段还是在index上，都可以轻松处理;
• 可以将输出进行分拆，而且支持两种模式，分别是指定分拆的个数，或者分拆后每个文件的行数;

推荐安装方式：

(base) [user@server ~]# conda install -c bioconda fastp

使用方法

fastp的参数比较多，但常用的主要包括以下几个部分：

• 输入输出文件设置

-i,  --in1    read1 input file name (string)
-o, --out1     read1 output file name (string [=])
-I,  --in2    read2 input file name (string [=])
-O, --out2     read2 output file name (string [=])

• 接头处理

fastp默认启用了接头处理，但是可以使用-A命令来关掉。fastp可以自动化地查找接头序列并进行剪裁，对于SE数据，还是可以-a参数来定义接头，而对于PE数据则完全没有不需要，fastp基于PE数据的overlap分析可以更准确地查找接头，去得更干净，而且对于一些接头本身就有碱基不匹配情况处理得更好。

• 全局裁剪（即直接剪掉起始和末端低质量碱基）

fastp可以对所有read在头部和尾部进行统一剪裁，比如151x2的PE测序中，最后一个循环通常质量是非常低的，需要剪裁掉。使用-f和-t分别指定read1的头部和尾部的剪裁，使用-F和-T分别指定read2的头部和尾部的剪裁。

• 滑窗质量剪裁 （与trimmomatic相似）

fastp支持像Trimmomatic那样对滑动窗口中的碱基计算平均质量值，然后将不符合的滑窗直接剪裁掉。使用-5参数开启在5’端，也就是read的开头的剪裁，使用-3参数开启在3’端，也就是read的末尾的剪裁。使用-W参数指定滑动窗大小，默认是4，使用-M参数指定要求的平均质量值，默认是20，也就是Q20。

• 过滤过短序列

默认开启短序列过滤，默认值为15，使用-L（--disable_length_filtering）禁止此默认选项。或使用-l（--length_required）自定义最短序列。

• 校正碱基（用于双端测序）

fastp支持对PE数据的每一对read进行分析，查找它们的overlap区间，然后对于overlap区间中不一致的碱基，如果发现其中一个质量非常高，而另一个非常低，则可以将非常低质量的碱基改为相应的非常高质量值的碱基值。此选项默认关闭，可使用-c（--correction）开启。

• 质量过滤

fastp可以对低质量序列，较多N的序列，该功能默认是启用的，但可以使用-Q参数关闭。使用-q参数来指定合格的phred质量值，比如-q 15表示质量值大于等于Q15的即为合格，然后使用-u参数来指定最多可以有多少百分比的质量不合格碱基。比如-q 15 -u 40表示一个read最多只能有40%的碱基的质量值低于Q15，否则会被弃掉。使用-n可以限定一个read中最多能有多少个N。

参考文献

Chen S, Zhou Y, Chen Y, Gu J. fastp: an ultra-fast all-in-one FASTQ preprocessor, Bioinformatics 2018, 34(17):i884–i890. DOI:10.1093/bioinformatics/bty560