Konvertor souborů GenBank na sekvenci FASTA
Převedení plochého souboru GenBank na sekvenci FASTA odstraní metadata anotací a ponechá pouze surové sekvence nukleotidů nebo aminokyselin potřebné pro rychlou bioinformatickou analýzu.
Porovnání formátů a technické specifikace
| Specifikace | GENBANK | FASTA |
|---|---|---|
| MIME typ | text/plain | text/plain |
| Typ | annotated nucleotide flatfile | bioinformatics sequence text |
| Komprese | none (plain text) | none (plain text) |
| Standardní specifikace | NCBI GenBank Flatfile Release Notes | NCBI FASTA Specification |
| Hlavička souboru (Magic bytes) | 4C 4F 43 55 53 20 20 20 20 (LOCUS ) | 3E ('>' Sequence header line) |
Přehled formátu a použití
Výzkumníci často transformují anotované genetické záznamy do jednoduchých formátů sekvencí při provádění velkých výpočetních srovnání. Plochý soubor GenBank obsahuje bohaté biologické informace, jako jsou jména autorů, data publikace, souřadnice genů a funkční vlastnosti. Programy určené pro zarovnání sekvencí, tvorbu fylogenetických stromů a vyhledávání v databázích však tento složitý strukturovaný obal často nedokážou číst. Převedením souboru do formátu FASTA se extrahuje jádro genetického kódu. Tento proces činí data kompatibilními se standardními nástroji pro zarovnání, jako jsou BLAST, Clustal Omega a Bowtie. Bioinformatické kanály spoléhají na tuto transformaci, protože surové záznamy sekvencí se zpracovávají mnohem rychleji, když výpočetní nástroje nemusí analyzovat biologická metadata.
Technické specifikace a přehled kodeků
Formát plochého souboru GenBank používá typ MIME text/plain a obsahuje vysoce strukturovaný text uspořádaný do zřetelných sekcí klíčových slov jako LOCUS, DEFINITION, ACCESSION a ORIGIN. Formát FASTA rovněž používá typ MIME text/plain, ale vynechává všechny sekce kromě jediného řádku hlavičky začínajícího znakem větší než a následujících řádků písmen surové sekvence. Ani jeden formát nepoužívá kompresi ve výchozím nastavení, což znamená, že oba existují jako prosté textové soubory kódované v ASCII nebo UTF-8. Podpisy magických bajtů pro tyto formáty prostého textu neexistují. Místo toho je software identifikuje prohledáváním počátečních textových hlaviček, kde hledá klíčová slova jako LOCUS v souborech GenBank nebo znak '>' v souborech FASTA. Protože FASTA uchovává pouze data sekvence a odhazuje anotace, konverze je pro samotnou sekvenci striktně jednosměrná, ačkoliv veškeré biologické poznámky v původním plochém souboru se ve výstupu ztratí.
Kompatibilita s operačními systémy a prohlížeči
Oba formáty souborů fungují univerzálně napříč všemi moderními operačními systémy včetně Windows, macOS, Linux a variant Unix. Jelikož se jedná o soubory prostého textu, uživatelé je mohou otevírat a upravovat ve standardních textových editorech jako Notepad, TextEdit nebo Nano. Webové prohlížeče tyto soubory snadno zpracovávají a bioinformatické webové portály je vykreslují přímo v okně prohlížeče. Nástroje příkazové řádky napsané v jazycích Python, Perl a C++ parsují oba formáty nativně bez nutnosti použití specializovaných proprietárních pluginů nebo těžkých softwarových balíků.
💡 Užitečné informace
Před spuštěním konverzního skriptu si vždy uschovejte záložní kopii původního plochého souboru GenBank. Jakmile odstraníte anotace do souboru FASTA, nemůžete ze samotných dat sekvence obnovit původní souřadnice genů, publikační reference ani tabulky překladu.
Porovnání formátů a technické specifikace
Typický bakteriální genom uložený jako anotovaný plochý soubor GenBank může mít velikost 5 megabajtů. Odstraněním metadat za účelem vytvoření souboru FASTA se velikost souboru zmenší na přibližně 3 megabyty. Na standardním mobilním připojení 4G s rychlostí stahování 15 megabitů za sekundu trvá přenos kteréhokoli souboru méně než půl sekundy. Přes síť 5G nebo gigabitové optické připojení je přenos dokončen okamžitě během několika milisekund.
Často kladené otázky
Jak převést plochý soubor GenBank na sekvenci FASTA bez ztráty kvality?
Konverze je zcela bezztrátová ohledně skutečných dat genetické sekvence. Písmena nukleotidů nebo proteinů zůstávají přesná. Ztrácíte však veškeré popisné biologické anotace, jako jsou názvy genů, citace autorů a tabulky vlastností, protože formát FASTA je navržen tak, aby uchovával pouze hlavičku a samotnou sekvenci.
Jaký je rozdíl mezi plochým souborem GenBank a sekvencí FASTA?
Plochý soubor GenBank je složitý dokument o mnoha sekcích obsahující bohatá biologická metadata a surovou sekvenci na konci. Sekvence FASTA je minimální textový formát sestávající pouze z jednoho popisného řádku hlavičky, před kterým je znak větší než, následovaný řádky surové sekvence.