图3. seqkit校验结果

md5值

我们一般使用文件的md5值来验证文件的完整性，以判断文件是否被篡改。MD5是报文摘要算法5（Message-Digest Algorithm 5）的缩写，该算法对任意长度的信息逐位进行计算，产生一个二进制长度为128位（十六进制长度就是32位）的“指纹”（或称“报文摘要”），不同的文件产生相同的报文摘要的可能性非常小。

一般情况下，下机fastq文件的md5值会与原始fastq文件一起返回给用户，因此，如果下机文件的md5值和你重新计算的md5值完全匹配，则说明你收到的文件跟下机文件是一致的。如果两者不一致，则说明你收到的文件可能出错了，需要立即找原始数据提供者重新提供。一般会有一个缓冲期（例如1个月），过了缓冲期才会删掉数据。

计算md5值

我们可以借助第三方软件，或者使用系统命令来计算文件的md5值。

Win10系统：Certutil -hashfile sample.fastq.gz md5

Linux系统：md5sum sample.fastq.gz

Mac系统：md5 sample.fastq.gz

注意：

1）md5sum 是校验文件内容，与文件名是否相同无关

2）md5sum值逐位校验，所以文件越大，校验时间越长

图4. Fastq文件及md5值

情况1：左侧的fastq文件有效，且左右两侧md5值相等，确定右侧的fastq也有效

情况2：左侧的fastq文件无效，虽然左右两侧md5值相等，但两侧的fastq均无效

情况3：左侧的fastq文件有效，左右两侧的md5值不相等，确定右侧的fastq无效

因此，我们在拿到原始数据，或者将原始数据上传GEO数据库前，首先需要校验fastq文件的正确性（即文件是否符合fastq文件的标准）并验证文件的完整性（从上游数据提供者那里拿到的数据是否完整）。这样双重保险，避免文件损坏，实验白做。

微生信助力高分文章，用户74000+，引用1000+