Konverter GenBank til FASTA
Konvertering af en GenBank-fladfil til en FASTA-sekvens fjerner annoteringsmetadata, så kun de rå nukleotid- eller aminosyresekvenser er tilbage.
Formatsammenligning & tekniske specifikationer
| Specifikation | GENBANK | FASTA |
|---|---|---|
| MIME-type | text/ | text/ |
| Type | annoteret nukleotid-fladfil | bioinformatisk sekvenstekst |
| Komprimering | ingen (almindelig tekst) | ingen (almindelig tekst) |
| Standardspecifikation | NCBI GenBank Flatfile Release Notes | NCBI FASTA Specification |
| Magic Bytes-header | 4C 4F 43 55 53 20 20 20 20 (LOCUS ) | 3E ('>' Sequence header line) |
Formatoversigt og anvendelse
GenBank-poster indeholder sekvensdata og annoteringer. FASTA gemmer en sekvens med en definitionslinje og accepteres af mange alignment- og søgeværktøjer, herunder BLAST, når formatet passer til værktøjet. Konvertering til FASTA fjerner annoteringer, og kravene til input varierer mellem bioinformatikprogrammer.
Tekniske specifikationer og codec-oversigt
GenBank-flatfile-formatet anvender MIME-typen text/plain og indeholder stærkt struktureret tekst organiseret i særskilte nøgleordsafsnit som LOCUS, DEFINITION, ACCESSION og ORIGIN. FASTA-formatet anvender ligeledes MIME-typen text/plain, men udelader alle afsnit undtagen en enkelt overskriftslinje, der begynder med et større end-tegn, efterfulgt af de efterfølgende rækker med rå sekvensbogstaver. Ingen af formaterne anvender komprimering som standard, hvilket betyder, at begge eksisterer som almindelige ASCII- eller UTF-8-kodede filer. Magic byte-signaturer findes ikke for disse almindelige tekstformater. I stedet identificerer software dem ved at skanne de indledende tekstoverskrifter og lede efter nøgleord som LOCUS i GenBank-filer eller tegnet '>' i FASTA-filer. Da FASTA udelukkende beholder sekvensdataene og kasserer annotationerne, er konverteringen strengt ensrettet for selve sekvensen, selvom eventuelle biologiske noter i den oprindelige flatfile går tabt i outputtet.
OS- og browserkompatibilitet
FASTA og GenBank er tekstformater, men programmer kan kræve bestemte linjeombrydninger, identifikatorer, sekvensalfabeter eller postfelter. Mange bioinformatikværktøjer læser FASTA; kontrollér den variant og de indstillinger, som dit værktøj kræver.
Nyttig information
Bevar altid en sikkerhedskopi af din oprindelige GenBank-flatfile, før du kører et konverteringsscript. Når du først fjerner annotationerne til en FASTA-fil, kan du ikke genskabe de originale genkoordinater, publikationsreferencer eller translationstabeller udelukkende ud fra sekvensdataene.
Ofte stillede spørgsmål
Hvordan konverterer man GenBank-flatfile til FASTA-sekvens uden kvalitetstab?
Konverteringen er fuldstændig tabsfri hvad angår de faktiske genetiske sekvensdata. Nukleotid- eller proteinbogstaverne forbliver intakte. Du mister dog alle beskrivende biologiske annotationer, såsom gennavne, forfattercitater og funktionstabeller, fordi FASTA-formatet er designet til udelukkende at indeholde overskriften og selve sekvensen.
Hvad er forskellen mellem en GenBank-flatfile og en FASTA-sekvens?
En GenBank-flatfile er et komplekst dokument i flere afsnit, der indeholder rige biologiske metadata samt den rå sekvens i bunden. En FASTA-sekvens er et minimalt tekstformat, der udelukkende består af en enkelt beskrivende overskriftslinje indledt af et større end-tegn, efterfulgt af de rå sekvenslinjer.