FASTQ 파일이란? — 시퀀싱 데이터의 표준 포맷 (4줄 구조·품질점수)
TL;DR — FASTQ는 NGS 시퀀서가 뱉어내는 표준 텍스트 파일로, read(읽은 서열) 하나를 4줄(식별자·서열·구분자·품질)로 적는다. 핵심은 4번째 줄의 Phred 품질점수다. 각 염기가 얼마나 믿을 만한지(Q30이면 99.9% 정확)를 ASCII 문자 하나로 담는다. 서열만 있는 FASTA와 달리 품질이 함께 들어 있어, 모든 시퀀싱 분석의 출발점이자 첫 관문(품질 검사, QC)이 된다.
🔗 관련 글 · 앞 글: NGS
1. FASTQ란? — 시퀀싱 데이터와의 첫 만남
이전 글 NGS에서 시퀀서가 DNA를 읽는 원리를 봤습니다. 그렇게 읽은 결과가 컴퓨터로 나올 때 담기는 그릇이 바로 FASTQ 파일입니다. 즉 모든 시퀀싱 분석은 FASTQ에서 시작합니다.
생김새는 의외로 소박합니다. 그냥 텍스트 파일이죠. 다만 한 가지가 특별합니다. 서열만 적는 옛 포맷(FASTA)과 달리, FASTQ는 각 염기를 얼마나 믿을 수 있는지(품질)까지 함께 적습니다. 시퀀서도 가끔 글자를 잘못 읽기 때문에, "이 A는 확실하고 저 G는 좀 의심스럽다"를 숫자로 남겨 두는 것입니다.
2. 4줄 구조 — read 하나 = 네 줄
FASTQ는 read 하나를 정확히 네 줄로 기록합니다.
@SEQ_ID:1:flowcell:lane ← ① 식별자 (@로 시작)
GATTTGGGGTTCAAAGCAGTATCGATCAAG ← ② 염기 서열
+ ← ③ 구분자 (+, 식별자 반복은 선택)
!''*((((***+))%%%++)(%%%%).1*** ← ④ 품질 문자열 (서열과 길이 같음)| 줄 | 내용 |
|---|---|
| ① 식별자 | @로 시작. read 이름과 장비·위치 정보 |
| ② 서열 | 실제 염기(A·T·G·C, 불확실하면 N) |
| ③ 구분자 | + 하나(때로 식별자 반복) — 서열과 품질을 나누는 칸막이 |
| ④ 품질 | 각 염기의 신뢰도를 ASCII 문자 하나씩으로. ②와 길이가 정확히 같다 |
②와 ④의 글자 수가 1:1로 대응한다는 점이 핵심입니다. 서열의 n번째 글자 신뢰도가 품질 문자열의 n번째 문자죠.
3. 품질점수(Phred score) — 4번째 줄의 진짜 의미
품질 문자열의 정체는 Phred 품질점수입니다. 정의는 간단합니다.
Q = −10 × log10(P오류)
즉 Q가 클수록 그 염기를 잘못 읽었을 확률이 낮습니다.
| Phred Q | 정확도 | 오류 확률 |
|---|---|---|
| Q10 | 90% | 1/10 |
| Q20 | 99% | 1/100 |
| Q30 | 99.9% | 1/1,000 |
현장에서 "Q30 이상"을 좋은 품질의 기준으로 자주 씁니다. 그런데 점수를 숫자 그대로 적으면 자리수가 들쭉날쭉하니, 숫자에 33을 더해 ASCII 문자 하나로 바꿔 적습니다(Phred+33 방식, Sanger·Illumina 1.8+). 예를 들어 Q30은 30+33=63번 ASCII, 곧 ? 문자가 됩니다. 요즘 장비는 거의 다 Phred+33을 씁니다(옛 장비의 Phred+64와 헷갈리지 않도록 주의).
4. FASTA vs FASTQ — 무엇이 다른가
| 비교 | FASTA | FASTQ |
|---|---|---|
| 시작 기호 | > | @ |
| 한 기록 | 2줄(헤더+서열) | 4줄(+구분자+품질) |
| 품질 정보 | 없음 | 있음 |
| 주 용도 | 참조 서열·단백질 서열 | 시퀀싱 raw read |
한 줄로: FASTA는 "서열만", FASTQ는 "서열 + 신뢰도"입니다.
5. 현장 메모 — paired-end와 압축
- paired-end: 한 DNA 조각을 양쪽에서 읽으면 read가 둘씩 나옵니다. 보통
_R1,_R2두 파일로 저장하고, 두 파일의 read 순서가 짝을 이룹니다. - 압축: FASTQ는 금방 수 GB로 커져서, 거의 항상
.fastq.gz(gzip 압축) 상태로 다루고 분석 도구도 압축본을 바로 읽습니다.
6. 데이터 분석의 출발점
FASTQ는 분석 파이프라인의 0번 단계입니다. 보통 이렇게 흘러갑니다.
- 품질 검사 —
FastQC같은 도구로 read 전체의 품질·어댑터·GC 함량을 점검 - 트리밍 — 품질 낮은 끝부분과 어댑터를 잘라냄(
fastp·Trimmomatic) - 정렬(alignment) — 참조 유전체에 read를 맞춰 붙임 → SAM/BAM 파일
- 분석 — 발현량·변이 등을 계산 → 예컨대 volcano plot으로 시각화
좋은 분석은 좋은 FASTQ에서 출발합니다. 그래서 첫 단계인 품질 검사를 건너뛰지 않는 것이 철칙입니다.
7. 자주 헷갈리는 것
| 비교 | 차이 |
|---|---|
| FASTQ vs FASTA | 서열 + 품질(4줄) / 서열만(2줄) |
| FASTQ vs SAM·BAM | 정렬 전 raw read / 참조에 정렬한 뒤의 결과 |
| Phred+33 vs Phred+64 | 현대 표준(+33) / 옛 Illumina 장비(+64) |
| read vs fragment | 시퀀서가 읽은 한 가닥 / 원래 DNA 조각(양 끝을 읽으면 read 2개) |
8. 핵심 정리
- FASTQ = NGS read를 담는 표준 텍스트 파일, read 하나 = 4줄(식별자·서열·구분자·품질)
- 4번째 줄 = Phred 품질점수(Q30 = 99.9% 정확), Phred+33으로 ASCII 문자 인코딩
- 서열의 n번째 글자 ↔ 품질의 n번째 문자 (길이 동일)
- FASTA는 서열만, FASTQ는 서열 + 신뢰도 / 보통
.fastq.gz압축 - 분석 0단계 — QC(FastQC) → 트리밍 → 정렬(SAM/BAM) → 분석
9. 다음 학습 추천
- NGS란? — 1·2·3세대 시퀀싱 — FASTQ를 만들어 내는 그 기술 (복습)
- SAM / BAM 파일 — Alignment 결과 포맷 — read를 참조에 정렬한 다음 단계
- Volcano plot으로 차등발현 시각화 — FASTQ에서 시작된 데이터의 종착점
References
- Cock, P. J. A., et al. (2010). The Sanger FASTQ file format for sequences with quality scores, and the Solexa/Illumina FASTQ variants. Nucleic Acids Research, 38(6), 1767–1771.
- Ewing, B., & Green, P. (1998). Base-calling of automated sequencer traces using phred. II. Error probabilities. Genome Research, 8(3), 186–194.
- Andrews, S. FastQC: A Quality Control Tool for High Throughput Sequence Data. Babraham Bioinformatics.
- FASTQ format. Wikipedia / Illumina Sequencing Documentation (Phred+33 인코딩 표준).
Pipette & Pipeline · A bio portfolio journal — bridging research, data, and industry.
