Převod GenBank na 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/ | text/ |
| Typ | anotovaný textový soubor nukleotidů | text sekvencí pro bioinformatiku |
| Komprese | žádná (prostý text) | žádná (prostý text) |
| Standardní specifikace | Poznámky k vydání plochých souborů NCBI GenBank | Specifikace NCBI FASTA |
| Hlavička souboru (Magic bytes) | 4C 4F 43 55 53 20 20 20 20 (LOCUS ) | 3E ('>' Sequence header line) |
Přehled formátu a použití
Záznamy GenBank obsahují sekvenční data a anotace. FASTA ukládá sekvenci s definičním řádkem a přijímá jej mnoho nástrojů pro zarovnávání a vyhledávání, včetně BLAST, pokud je formátován podle požadavků daného nástroje. Při převodu do FASTA se anotace zahodí a požadavky na vstup se v jednotlivých bioinformatických aplikacích liší.
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
FASTA a GenBank jsou textové formáty, ale aplikace mohou vyžadovat konkrétní zalamování řádků, identifikátory, abecedy sekvencí nebo pole záznamů. Mnoho bioinformatických nástrojů čte FASTA; ověřte si podporovanou variantu a nastavení v nástroji, který chcete použít.
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 translační tabulky.
Často kladené otázky
Jak převést plochý soubor GenBank na sekvenci FASTA bez ztráty kvality?
Převod zachovává skutečná data genetické sekvence beze ztrát. 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.