如何修复缺失+号的损坏fastq.gz文件？

问题背景 #

FastQ文件遵循固定的4行结构：

• 第1行：以@开头的序列标识符行
• 第2行：DNA序列行
• 第3行：以+开头的质量分数起始行（可省略标识符，仅保留+）
• 第4行：与DNA序列长度匹配的质量分数行

现有一个损坏的sample.fastq.gz文件，其中第三组读取缺失了第3行的+号，示例损坏内容如下：

@E00592:278:HC7KLCCX2:2:1101:3539:1502 1:N:0:NCATCCTC
NTTCTAAATTGAAGGAAGAACAAGACAAAGAAATACTGGAGACAGAAATTGAATCAAACCATCCTAGAGTGGCTTCTGCTTTACAAGACCA
+
#AAAAJJJJFJJJAJFFAFAJJJJJ-<JJJJJJA-7JFJJJJAJFJFFFJAJJ----JJ-----FJFF-<AF<FFJ-FFFJJJ<FJA<J-F
@E00592:278:HC7KLCCX2:2:1101:5751:1502 1:N:0:NCATCCTC
NAAAATTCATTCTCTAGGTTCATTACTTGAAGGCCCCTTATGATTAGCAAGGACTTGATTGTCTCAGGACACGGTTTCAATAATAAGTAGC
+
#A<<A-AJJJJFFJJJJJ<7JFFFFAJ-7JJJJJJJ7FF-F-<F<JF77AJJ7FAA-F-<<--<JAJJFJJJFJJ<<JAF<JJFJJFAJFA
@E00592:278:HC7KLCCX2:2:1101:6461:1502 1:N:0:NCATCCTC
NGGGCTGTGAACCAGGCCATCGGGCAAGTGATCTGGCACAGCCAGGACAACAGAGCAGTCTTCCTCTGTGACCACAGGGTTGCCTTTGCAG
#A<<A-AJJJJFFJJJJJ<7JFFFFAJ-7JJJJJJJ7FF-F-<F<JF77AJJ7FAA-F-<<--<JAJJFJJJFJJ<<JAF<JJFJJFAJFA
@E00592:278:HC7KLCCX2:2:1101:5751:1502 1:N:0:NCATCCTC
NAAAATTCATTCTCTAGGTTCATTACTTGAAGGCCCCTTATGATTAGCAAGGACTTGATTGTCTCAGGACACGGTTTCAATAATAAGTAGC
+
#A<<A-AJJJJFFJJJJJ<7JFFFFAJ-7JJJJJJJ7FF-F-<F<JF77AJJ7FAA-F-<<--<JAJJFJJJFJJ<<JAF<JJFJJFAJFA

预期修复后，第三组读取的DNA序列行与质量分数行之间会补上+号，恢复标准4行结构。

错误命令分析 #

用户尝试的修复命令存在逻辑错误：

zcat sample.fastq.gz | awk 'NR%4==0 {print "+")} {print}' | sed 's/^\+$/+/g' > corrected_file.fastq

• 该命令假设文件总行数是4的倍数，试图在每第4行前插入+，但文件因缺失+号导致总行数不再符合4的倍数，因此判断逻辑完全混乱，出现正常读取组多出+、缺失位置未补全的错误结果。

正确修复方案 #

方案1：基于读取组状态的awk脚本 #

通过跟踪读取组的行类型（标识符、序列、+号、质量），精准补全缺失的+号：

zcat sample.fastq.gz | awk '
    /^@/ { 
        if (prev_seq) {
            print "+"
            print prev_qual
        }
        print $0
        state = "id"
        next
    }
    state == "id" { 
        prev_seq = $0
        state = "seq"
        next
    }
    state == "seq" {
        if (/^\+/) {
            print prev_seq
            print $0
            state = "plus"
            next
        } else {
            print prev_seq
            print "+"
            prev_qual = $0
            state = "id"
        }
    }
    state == "plus" {
        print $0
        state = "id"
    }
    END {
        if (state == "seq") {
            print prev_seq
            print "+"
            print prev_qual
        } else if (state == "plus") {
            print prev_qual
        }
    }
' > corrected_file.fastq

方案2：简洁上下文判断awk脚本 #

利用正常FastQ的行上下文特征：质量行的上一行必须是+行，若连续两行既不是@开头也不是+开头，则说明中间缺失+号，直接插入：

zcat sample.fastq.gz | awk '
    prev ~ /^[^@+]/ && /^[^@+]/ { print "+" }
    { print; prev = $0 }
' > corrected_file.fastq

该脚本逻辑简单高效，仅在需要补全的位置插入+，不会影响正常的读取组结构。

内容的提问来源于stack exchange，提问作者nicholaspooran