陈实富博士编写的 fastp 软件能实现 FASTQ 数据自动化过滤、剪裁、错误校正等功能，因其多样的功能和高效的速度受到了许多用户的欢迎，已成为 NGS 质控领域不可或缺的软件。fastp 本身采用C++编写的，代码规范，我希望通过学习 fastp 文章增加对质控及 C++ 源代码的理解。

1 摘要

NGS 原始下机数据为 FASTQ 格式，原始数据需要经过QC和预处理步骤才能用于后续的分析。预处理步骤通常会使用不同的软件分别进行QC、接头去除、低质量序列过滤等步骤。因为各处理软件的功能比较单一，各步骤需要进行反复的 I/O 读写，而且这些工具本身采用Java/Python 等高级语言编写运行效率较低。因此，这篇文章开发了一种超快速的 FASTQ 预处理工具 fastp ，在遍历FASTQ 文件时可以同时完成QC、接头去除、质量过滤、低质量reads修剪等步骤。fastp 软件使用 C++ 语言开发，支持多线程，它的速度要比功能单一的FASTQ处理软件Trimmomatic 和 Cutadapt 软件快2-5倍，而且具有更多的功能。 文章的源代码见：https://github.com/OpenGene/fastp.

2 引言

测序数据可能会存在接头污染、碱基偏倚、测序错误，这些因素会都影响下游的变异分析。例如，ctDNA测序常需要检测超低频的变异，而且ctDNA测序背景噪音较高，测序数据的质量控制和预处理步骤对低频突变的检出、减少假阳性和假阴性非常关键。典型的生信处理步骤是用FASTQC软件进行质控、Cutadapt 软件去除接头、Trimmomatic 软件进行read 裁剪和过滤。这些骤需要进行反复的 I/O 读写，目前没有一个软件能有效实现所有的功能。这篇文章介绍的 fastp 软件可以对FASTQ文件快速实现 QC、接头去除、质量过滤、碱基校正等步骤，包括了FASTQC + Cutadapt + Trimmomatic 的大部分功能，同时 fastp 软件还具有 UMI 预处理、polyG错误去除、分隔输出等功能。

3 材料与方法

3.1 整体设计

fastp 采用的是多线程处理方式。从 FASTQ 文件加载的 reads 会被分成1000个包，每个包会分配至一个线程进行处理，在处理过程中会记录各种统计指标，包括碱基质量、碱基比例、接头去除结果、k-mer 统计结果等指标。当所有reads都处理完成后，所有包的统计结果最终会进行合并统计。fastp 最终会输出过滤前和过滤后的统计数据，方便使用者进行对比。fastp 同时支持单端（SE）和双端（PE）测序数据，SE 和 PE 数据的处理过程在很多步骤都是一样的，PE 数据处理有一些额外的步骤，比如重叠序列分析等。PE 数据具体处理过程详见图1。图1 a 是整体的处理过程，图1b 是每个包内reads的详细处理步骤。

3.2 接头去除

fastp 程序可以自动检测并去除接头序列，针对 SE 和 PE 测序数据会采用不同的测序算法进行接头的去除。

对于单端测序数据，会采用reads 末端高频序列组装的方法检测接头序列。接头序列检测算法是基于两个假设：第一，一组测序数据中只存在一种接头序列；第二，接头序列只存在于reads的末尾；这两个假设适用于一系列 Illumina 测序仪。在检测接头序列时，首先，选取前 N 条(N=1M) reads 末尾的 k-mer（k=10）序列，并统计各 k-mer 出现的频率。如果 k-mer 序列出现的频率较高，为接头序列的种子。然后，对 k-mer 序列的频次由高到底进行排序，采用树型算法扩展接头种子序列，得到完整的接头序列。算法1中列出了树型算法的伪代码，整体思路就是对每个种子序列进行遍历，获取种子序列的前、后的序列，对前、后序列的碱基频率逐个进行统计，如果含有占支配地位的碱基序列（>90%）则不断延伸种子序列。图2列出了向前、向后延伸种子序列的过程。

对于双端测序数据，会根据重叠区域及配对reads的偏移量来确定确定接头序列（如下截图17所示，来自陈实富博士论文）。当被测序的DNA模板的长度小于测序的周期的时候，就会在read的末尾处到3‘端产生接头。当对配对 reads 进行overlap分析时，当有接头序列存在，Read2（read2已经进行反向互补操作）相对于Read1会往左偏移的长度就是接头的长度。依赖于接头序列匹配的去除接头工具通常需要 3bp 碱基的限制，不同去除 reads 末端1-2bp的接头序列。与Cutadapt、Trimmomatic 等软件相比，fastp 一大优势是可以检测去除 reads 末尾几 bp 的接头序列。

3.3 碱基校正

对于配对数据，如果一对 reads 能检测到重叠区域，那么重叠区域的碱基就可以相互比较校正。理论上如果重叠区域的碱基质量足够高，那么它们通常能完全的互补配对。但是，如果重叠区域的碱基出现了错配，fastp 软件可以对不匹配碱基进行校正，通常采用高质量值的碱基（>Q30）校正低质量的碱基（<Q15）。为了避免错误校正，fastp 也设定了阈值T （T=5）, 只有碱基错配低于阈值时才进行校正。

3.4 滑动窗质量裁剪

为了提高 read 的质量，fastp 提供了采用滑动窗去除 read 头尾低质量碱基的功能。程序会统计滑动窗范围内的平均碱基质量值，如果低于一定的阈值，会将其标记为低质量并进行裁剪。

3.5 polyG 和 polyX 末尾裁剪

PolyG尾是 Illumina NextSeq 和 NovaSeq 测序平台（两色化学发光）常见的现象。这些测序平台采用两种颜色（红光和绿光）来代表 4 种碱基：只检测到红光信号时代表碱基 C ；只检测到绿光信号时代表碱基 T；同时检测到红光和绿光信号时代表碱基 A；没有检测到任何信号时代表碱基 G；由于Illumina 平台采用边合成边测序策略，DNA 的测序信号在测序循环后期会逐渐变弱。在 read 的末尾，T 和 C 的信号会错误的当做 G，这就导致了reads 尾部的 polyG 现象。
fastp 软件可以检测并裁剪掉 read 末尾的 ployG。软件会检测下机数据 flowcell 的标识符，如果确定数据来自于Illumina 的NextSeq 和 NovaSeq 测序仪，就会自动进行polyG 尾的裁剪。ployG 尾可以导致严重的碱基分离现象，图片3 显示了ployG 尾去除前后碱基含量的变化。fastp 也可以进行 polyX 末尾的去除，去除3' 端末尾连续的低复杂度碱基。

3.6 UMI预处理

UMI 技术在ctDNA检测中应用广泛，它可以在高深度测中提高低频突变检测的灵敏度。UMI 方法可以去除重复获得高质量 consensus 序列。对于Illumina 平台，UMI 可以被整合入样品的 index 序列或者插入的DNA序列中。在处理过程中，UMI序列应该被转移到read的名称中，它可以在比对工具BWA 或 Bowite 的输出结果中保留。
目前有许多工具支持处理FASTQ数据中的UMI，例如，UMI-tools 和 umis 。但是，这些工具需要单独执行，不够高效。fastp 也支持UMI 预处理，它的运行速度大约是其软件的3倍。

3.7 分隔输出

并行计算式 NGS 处理的新趋势，特别是这个云计算的时代。原始下机的FASTQ序可以被分隔成多个小的文件，分别进行后续的比对操作，生成小的BAM文件，再进行合并成最终的BAM文件，进行后续的变异检测。fastp 支持两种分隔模式：按照行分隔，按照文件大小进行分隔。

3.8 重复率估计

重复率水平对于评估测序文库的多样性非常重要。FASTQC 软件评估重复率时会选取前100，000条记录, 每条 read 的前 50bp 序列会被用于评估重复性评估。FASTQC 采用的方法有一个主要的缺点，它不支持双端重复率分析。它只能反应read1 和 read2 各自的重复率，不能反应整个DNA插入序列的重复率水平。这样就会导致重复率水平会被过高估计，因为对于长度不同的DNA插入片段来说，在高深度测序条件下，出现相同的前端序列是非常普通的现象。
fastp 同时支持双端和单端重复率评估。在一个测序深度10000X ctDNA 数据中，FASTQC给出的read1 和read2 的重复率分别是79.99% 和 77.75%，但 fastp 软件给出的双端重复率仅为16.22%。当fastp采用单端模式进行评估时，read1 和read2 的重复率分别为79.23% 和 79.06%，与FASTQC的结果接近，可见采用单端模式进行评估时，重复率被显著高估了。

3.9 过量序列分析

如果有某个序列在FASTQ中大量出现，就叫做overrepresented。overrepresented 序列的出现多是因为人工合成序列，例如 PCR 造成的过度重复，polyG 尾和接头污染。FASTQC 提供了过量序列分析模块，根据作者的介绍，FASTQC 只是评估前1M 的reads。但是，如果想获得 FASTQ 数据中准确的过量序列分布信息，只评估前1M reads 会不可靠，因为Illumina FASTQ 前面的数据经常来源于flowcells lanes 的边缘，这些数据质量一般较低。
fastp 采用了更均衡的reads 抽样方法，来消除抽样误差。fastp 设计了两步法进行抽样，第一步分析输入FASTQ的前1.5 M base pairs 数据，得到出现频率较高的序列列表；第二步对整个FASTQ文件进行采样，统计每条序列出现的次数。最终，报告出总体出现频率较高的序列。如图5所示，fastp 除了报告 overrepresented 序列出现的频率，也记录了序列在 reads 中出现的位置，这对于分析过量序列的形成很有帮助。

3.10 质控结果和报告

fastp 提供过滤前数据和过滤后数据的统计结果，有助于使用者对比过滤前后的特征。fastp 提供 JSON 和 HTML 格式的报告。HTML 格式报告示例详见 http://opengene.org/fastp/fastp.html

4 结果

这部分进行了多种实验评估 fastp 软件运行速度和质量过滤的表现。本部分选取了 FASTQC,Cutadapt,Trimmomaitc,SOAPnuke 和 AfterQC 软件进行对比，最终结果显示 fastp 的速度更快，质量过滤表现一致或更好。

4.1 速度评估

文章利用中国临床中心实验室的 B17NCB1 数据集对 6 种软件的运行速度进行了评估。 B17NCB1 数据集共9316 Mb，采用双端测序。分别评估了一个线程下，PE 和 SE 模式的各软件运行速度。如表1 所示，fastp 软件的速度最快，显著优于其他软件，并且fastp 同时执行了QC、数据过滤等多项操作。fastp 设计之初就是为了执行多线程任务，在多线程条件下速度可以预见会更快。由于所选的有些测试软件不能执行多线程任务，没有进行软件多线程的对比。

4.2 质量过滤评估

为了评估 fastp 与其他软件（i.e. AfterQC, SOAPnuke, Trimmomatic，Cutadapt）接头去除和低质量裁剪的表现，选用了Illumina NextSeq PE150(NS_PE150) 数据集进行测试。在这些工具种，只有 fastp 和 AfterQC 能利用 overlap 序列进行接头的去除，其他工具需要输入已知接头序列进行去除。文章对各个软件过滤接头后的数据进行了评估，在几bp 容错的条件下，搜索 33bp 接头序列在过滤后数据中含有接头碱基的潜在reads 数量。结果如图6 所示，fastp 和 Trimmomatic 软件的表现最好，fastp 在大于4bp 容错时才有少量的可疑接reads，而Cutadapt,SOAPnuke,AfterQC在大于4bp 容错时会出现大量可疑接头reads。

4.3 UMI 评估

UMI 技术在肿瘤ctDNA 测序过程中广泛使用。为了分析整合UMI的NGS数据，在FASTQ预处理阶段会将 UMI 从 reads 序列转移至 reads 名称中。文章使用 4Gb Illumina PE150 的FASTQ数据，评估了fastp，umis 和 UMI-tools 工具处理 UMI 的性能。如下表3 所示，fastp 的速度是比 umis 快2.7 倍，比 UMI-tools 快6.1倍。

4.4 下游数据分析评估

为了评估 fastp 软件预处理过程对下游数据分析的影响，文章选择了 NA12878 (SRR952827) 标准数据集评估了 fastp, Trimmomatic,Cutadapt 和 SOAPNuke 等软件减少假阳变异的表现。首先使用各个软件过滤原始FASTQ数据，过滤后数据采用SpeedSeq 软件进行变异分析。不在 NA12878 标准变异数据集中的变异被标记为假阳。采用 Trimmomatic,SOAPNuke, Cutadapt 和 fastp软件过滤数据后的假阳个数分别为 7174，7040，6942，6708 。fastp 的假阳数最少，证明它可以提高下游变异检测的特异性。

5 参考文献

[1] Chen S , Zhou Y , Chen Y , et al. fastp : an ultra-fast all-in-one FASTQ preprocessor. 2018.