FASTA-sekvens (.fasta)
FASTA StandardFASTA er et almindeligt tekstformat til sekvenser; størrelsen afhænger af data og formatering. GenBank-poster varierer, og statistikker opdateres for hver udgivelse.
Konverter FASTA til GENBANK
Gratis FASTA til GENBANK-konverter i browseren. Konverter filer med det samme på din enhed.
Undersøgelse og metadata
Operativsystemer og filanalysatorer identificerer FASTA-filer ved at inspicere den indledende binære bytesekvens:
Byte-niveau Header-signatur (Magic Bytes)
Operativsystemer og filanalysatorer identificerer FASTA-filer ved at inspicere den indledende binære bytesekvens:
HEX-SIGNATUR (OFFSET 0):
3EASCII-REPRÆSENTATION: >
Standardisering: FASTA er et almindeligt tekstformat til sekvenser; størrelsen afhænger af data og formatering. GenBank-poster varierer, og statistikker opdateres for hver udgivelse.
Tekniske specifikationer
| Containerarkitektur | Ren tekstfil med sekvenser, hvor headerlinjer begynder med '>' efterfulgt af en sekvensidentifikator, og de følgende linjer indeholder enkeltbogstavskoder for nukleotider eller aminosyrer |
| Komprimering | Ukomprimeret tekst (ofte komprimeret med Gzip som .fasta.gz eller .fa.gz) |
| Byte-rækkefølge | ASCII-/UTF-8-tekststrøm |
| Farverum | Ikke relevant (genomiske sekvensdata) |
| Kanaler og struktur | Nukleinsyrekoder (A, C, G, T, U, N) eller IUPAC-koder for de 20 proteinaminosyrer |
| Maks. dimensioner | Ubegrænset sekvenslængde (understøtter menneskelige kromosomer på over 250 millioner basepar) |
| Gennemsigtighed | Ingen |
| Streaming og progressiv | Sekventiel streamingbehandling post for post |
Teknisk sammenligningsmatrix: FASTA sammenlignet med konkurrenterne
| Teknisk attribut | FASTA (Aktuel) | FASTQ | GENBANK | GFF |
|---|---|---|---|---|
| Kvalitetsscorer | Ingen (rene sekvensbogstaver) | Phred-kvalitetsscorer pr. base | Ingen (egenskabsannotationer) | Ingen (egenskabskoordinater) |
| Headerlinje | Starter med tegnet '>' | Starter med tegnet '@' | Struktureret LOCUS-blok | Tabulatorseparerede genomiske kolonner |
| Primær anvendelse | Referencegenomer og BLAST-søgning | Rå sekventeringsapparater med høj kapacitet (Illumina) | Omfattende annoterede gener | Genomiske egenskabsannotationer |
| Filstørrelse (Humane) | FASTA er et almindeligt tekstformat til sekvenser; størrelsen afhænger af data og formatering. GenBank-poster varierer, og statistikker opdateres for hver udgivelse. | ~100+ gigabyte (med kvaliteter) | Rig tekst på flere gigabyte | ~50 megabyte |
Almindelige korruptionstilstande og hex-gendannelsesvejledning
Bioinformatikværktøj rapporterer 'Ugyldigt sekvenstegn på linje X'.
Grundlæggende årsag: Hvide mellemrum, tal eller ikke-IUPAC-tegn inde i sekvenslinjerne.
Gendannelse: Filtrer og rens sekvenstegn ved hjælp af File2File.app Bioinformatics Tool.
Sikkerhedsanalyse og parser-angrebsvektorer
Genomikværktøjer parser massive multi-gigabyte FASTA-filer, hvor heltals-overløb kan forekomme ved indeksering af sekvenskoordinater.
Kendte angrebsvektorer
- Heltalsoverløb i 32-bit sekvensindekserere (FAI) der overstiger 2^31 basepar.
- Bufferoverløb ved læsning af overdrevne lange sekvensidentifikationsheaders.
- Nægtelse af tjeneste gennem patologiske justeringsforespørgsler.
Defensive bedste praksisser: Brug 64-bit koordinattyper og håndhæv validering af maksimal headerlængde.
Historisk oprindelse og milepæle
Vigtige fordele og styrker
- FASTA bruges i vid udstrækning til biologiske sekvenser, men understøttelsen varierer efter værktøj, database og arbejdsgang.
- Ekstrem enkelhed: linje 1 starter med '>' efterfulgt af et ID, efterfulgt af genetiske bogstaver i almindelig tekst.
- Kapacitet til flere sekvenser: En enkelt fil kan indeholde tusindvis af individuelle gener eller komplette virale genomer.
Tekniske begrænsninger og ulemper
- Indeholder ingen sekventeringskvalitetsscorer (i modsætning til FASTQ, som gemmer Phred-tillidsscorer pr. base).
- Ingen standardiseret metadatasyntaks for headerlinjer ud over den første identifikator.
- Enormt lagringsfodaftryk for hele genom-datasæt uden Gzip eller specialiseret genomisk komprimering.
Interessante tekniske fakta
- FASTA er et almindeligt tekstformat til sekvenser; størrelsen afhænger af data og formatering. GenBank-poster varierer, og statistikker opdateres for hver udgivelse.
- De fire bogstaver i DNA, der er gemt i FASTA-filer, er A (Adenin), C (Cytosin), G (Guanin) og T (Thymin).
- Da COVID-19-coronavirusgenomet først blev sekventeret i januar 2020, delte forskere det globalt som en FASTA-fil på 30.000 bogstaver.
Ofte stillede tekniske spørgsmål
Hvad er en FASTA-fil?
En FASTA-fil er en almindelig tekstfil, der bruges inden for biologien til at gemme DNA-, RNA- eller proteinsekvenser ved hjælp af enkeltbogstavsforkortelser.
Hvad er forskellen mellem FASTA og FASTQ?
FASTA gemmer kun de genetiske sekvensbogstaver, hvorimod FASTQ gemmer både bogstaverne og en kvalitetsscore for sekventeringsnøjagtigheden for hver base.
Hvordan kan jeg se en FASTA-fil?
Du kan åbne FASTA-filer i enhver teksteditor, se dem i bioinformatiksoftware som Jalview eller UGENE eller konvertere dem ved hjælp af File2File.app.
Relaterede konverteringspar for FASTA
Konverteren omdanner FASTA-sekvensen til en grundlæggende GenBank-lignende post og skriver sekvensen i ORIGIN-afsnittet; den udleder eller tilføjer ikke biologiske funktionsannoteringer.
Konvertering af en GenBank-fladfil til en FASTA-sekvens fjerner annoteringsmetadata, så kun de rå nukleotid- eller aminosyresekvenser er tilbage.