WGS数据CRAM转FASTQ后文件大小差异巨大是否正常？

这种大小差异是完全正常的，核心原因在于CRAM和FASTQ.gz的压缩逻辑本质不同：

• CRAM的压缩逻辑：CRAM是依赖参考基因组的比对后压缩格式，它只存储reads与参考基因组存在差异的碱基，和参考一致的序列直接用基因组位置指代，无需重复存储。对于WGS数据来说，人类基因组99%以上的序列和参考一致，所以CRAM能把数据压缩到极低的体积，32G的CRAM完全符合WGS数据的正常压缩结果。
• FASTQ.gz的压缩逻辑：FASTQ.gz是无参考的独立压缩格式，必须完整存储每一条read的序列、质量值、标识符，哪怕序列和参考完全一致也得全部保留。而且你的数据是单端测序，没有双端数据的配对信息冗余可以利用，加上你使用的samtools fastq -c 7已经用了较高的gzip压缩级别（7属于中等偏高，再往上压缩率提升有限但耗时会大幅增加），所以583G的FASTQ.gz是合理的。

举个直观的例子：人类WGS单端数据如果是100x测序深度，原始未压缩的FASTQ体积会超过1.5T，用gzip压缩到7级后大概在500-600G区间，和你的结果完全匹配，而对应的CRAM因为依赖参考压缩，体积通常只有几十G。

内容的提问来源于stack exchange，提问作者Kris