高速シーケンサの出力データ容量について

いつも大変お世話になっております。

表題の内容についてお伺いしたいのですが、HiSeq2500では、1runあたり600Gbaseのデータが出力できるとのことで、仮に600Gbaseを出力したときのfastqファイルのデータ容量は、大体何Gbyteほどになるでしょうか。

貴重なご経験からの情報と存じますが、どうぞよろしくお願い申し上げます。

sequencing hiseq2500 illumina

質問日 Jan 07 '14 at 17:40

suimye
296●1●8●15

mn3 ♦♦
515●4●9●22

2 Answers:

2	gzで圧縮して100bp paired-endの1レーンfastqファイルが35GB程度。 HiSeq2500は8レーン x 2ありますが、2レーンはcontrolに使用される場合が多いので実質自分のデータは14レーンとすると35GB x 14 = 490GBぐらいですかね。圧縮しないと（解凍すると）3倍弱程度の大きさになりますので、14レーン分なら1.5TB弱ぐらいでしょうか。アバウトですがご参考まで。回答日 Jan 07 '14 at 18:41 38brain 131●3●3 ごっつあんでええええすう！！！ (Jan 07 '14 at 19:17) suimye

DRASearchからたどれるHiSeq2500登録(全1,102件)の内、配列ファイルにアクセス可能な(713件の)bz2圧縮時のファイルサイズと塩基数の関係を散布図にして、近似直線を描いたところ alt text

[ファイルサイズ] = 0.727 x [塩基数] - 6E+07

bz2の圧縮率に関しては、網羅的には調べていませんが、一例ERR206767を見ると alt text

(58.1 / 9.35)[Gbyte/Gbyte] = 6.21

なので、非圧縮時の塩基あたりのファイルサイズは以下になります。

(58.1 / 9.35)[Gbyte/Gbyte] x 0.727[byte/base] = 4.52[byte/base]

なので、600G塩基だと

尚、細かい話ですが、以下の3件は散布図描画時に大きく外れ値となり、近似直線の算出に悪影響だったので除外しました。 ERR309932,ERR309933,ERR309934

ちなみにご存知とは思いますが、塩基あたりのファイルサイズは、固定塩基長のイルミナシリーズでは、配列IDの長さしだいで、 1塩基あたり2バイト(塩基+品質情報)+(リードあたりの配列IDのサイズ/リード長)

公開データは、生データよりSRR番号が付く分、若干大きくなります。

可変長の454や、Ionなどは、長さの分布等によっても変わるはずです。

プラットフォームを区別せずに、非圧縮のfastqのサイズ等を見てみたグラフを以下に乗せたのでご興味あればご参照ください。 NGS Surfer's Wiki(配列ファイルサイズの見積もり)

回答日 Jan 08 '14 at 11:33

nob_fj ♦
507●8●16●28

分かりやすく素晴らしい見積もりです。これは私のみならず他の方々にも大変参考になる資料と思います。ありがとうございました。

(Jan 08 '14 at 12:59) suimye

あなたの回答

プレビューをトグルする

コミュニティー wiki

By Email:

Once you sign in you will be able to subscribe for any updates here

By RSS:

回答

回答とコメント

タグ:

質問日: Jan 07 '14 at 17:40

閲覧数: 4,908 回

最終更新日: Jan 08 '14 at 12:59

ただいまベータテスト運用中です。そのために通知無くコンテンツの変更やサービスの停止変更されることがあります。