Secuencia FASTA (.fasta)
FASTA EstándarFASTA es un formato de texto muy usado para secuencias; el tamaño depende de la secuencia y el formato. Los registros GenBank varían y sus estadísticas cambian en cada versión.
Convertir de FASTA a GENBANK
Convertidor gratuito de FASTA a GENBANK en el navegador. Convierte archivos al instante en tu dispositivo.
Inspección y metadatos
Los sistemas operativos y analizadores de archivos identifican los archivos de FASTA inspeccionando la secuencia de bytes binarios inicial:
Firma de cabecera a nivel de bytes (bytes mágicos)
Los sistemas operativos y analizadores de archivos identifican los archivos de FASTA inspeccionando la secuencia de bytes binarios inicial:
FIRMA HEXADECIMAL (DESPLAZAMIENTO 0):
3EREPRESENTACIÓN ASCII: >
Estandarización: FASTA es un formato de texto muy usado para secuencias; el tamaño depende de la secuencia y el formato. Los registros GenBank varían y sus estadísticas cambian en cada versión.
Especificaciones técnicas
| Arquitectura del contenedor | Archivo de secuencias en texto plano: las cabeceras empiezan por «>» seguido del identificador, y las líneas siguientes contienen códigos de una letra para nucleótidos o aminoácidos |
| Compresión | Texto sin comprimir (frecuentemente comprimido con Gzip como .fasta.gz o .fa.gz) |
| Orden de bytes (Endianness) | Flujo de texto ASCII/UTF-8 |
| Espacios de color | N/D (datos de secuencias genómicas) |
| Canales y estructura | Códigos de ácidos nucleicos (A, C, G, T, U, N) o códigos IUPAC de los 20 aminoácidos |
| Dimensiones máximas | Longitud de secuencia sin límite inherente (admite cromosomas humanos completos de más de 250 millones de pares de bases) |
| Transparencia | Ninguna |
| Streaming y progresivo | Procesamiento secuencial, registro a registro |
Matriz de comparación técnica: FASTA frente a la competencia
| Atributo técnico | FASTA (Actual) | FASTQ | GENBANK | GFF |
|---|---|---|---|---|
| Puntuaciones de calidad | Ninguna (solo letras de la secuencia) | Puntuaciones de calidad Phred por base | Ninguna (anotaciones de características) | Ninguna (coordenadas de características) |
| Línea de cabecera | Comienza con el carácter '>' | Comienza con el carácter '@' | Bloque LOCUS estructurado | Columnas genómicas separadas por tabuladores |
| Uso principal | Genomas de referencia y búsqueda BLAST | Secuenciadores de alto rendimiento (Illumina) | Genes con anotaciones completas | Anotaciones de características genómicas |
| Tamaño del archivo (genoma humano) | FASTA es un formato de texto muy usado para secuencias; el tamaño depende de la secuencia y el formato. Los registros GenBank varían y sus estadísticas cambian en cada versión. | Más de 100 GB (con puntuaciones de calidad) | Texto enriquecido de varios gigabytes | ~50 Megabytes |
Modos de corrupción comunes y guía de recuperación hexadecimal
La herramienta de bioinformática muestra «Carácter de secuencia no válido en la línea X».
Causa raíz: Hay espacios, números o caracteres no admitidos por IUPAC en las líneas de secuencia.
Recuperación: Filtre y limpia los caracteres de secuencia con la herramienta de bioinformática de File2File.app.
Análisis de seguridad y vectores de ataque al analizador
Las herramientas genómicas procesan archivos FASTA de varios gigabytes. Al indexar coordenadas de secuencia pueden producirse desbordamientos de enteros.
Vectores de ataque conocidos
- Desbordamiento de enteros en indexadores de secuencias de 32 bits (FAI) al superar los 2^31 pares de bases.
- Desbordamiento de búfer al leer cabeceras con identificadores de secuencia demasiado largos.
- Denegación de servicio a través de consultas de alineación patológicas.
Mejores prácticas defensivas: Utiliza tipos de coordenadas de 64 bits y Limita la longitud de las cabeceras.
Orígenes históricos e hitos
Ventajas principales
- Es el estándar mundial de la biología computacional: lo utilizan herramientas genómicas, secuenciadores y bases de datos de todo el mundo.
- Es muy sencillo: la primera línea empieza por «>» y contiene un identificador; después aparecen las letras de la secuencia en texto plano.
- Admite varias secuencias: un archivo puede contener miles de genes o genomas virales completos.
Limitaciones técnicas
- No contiene puntuaciones de calidad de secuenciación (a diferencia de FASTQ, que almacena puntuaciones de confianza Phred por base).
- No hay una sintaxis de metadatos estandarizada para las cabeceras, aparte del identificador inicial.
- Los genomas completos ocupan mucho espacio si no se comprimen con Gzip u otro formato genómico especializado.
Curiosidades técnicas interesantes
- FASTA es un formato de texto muy usado para secuencias; el tamaño depende de la secuencia y el formato. Los registros GenBank varían y sus estadísticas cambian en cada versión.
- Las cuatro letras del ADN en los archivos FASTA son A (adenina), C (citosina), G (guanina) y T (timina).
- Cuando se secuenció por primera vez el genoma del coronavirus causante de la COVID-19, en enero de 2020, los científicos lo compartieron en un archivo FASTA de 30.000 letras.
Preguntas técnicas frecuentes
¿Qué es un archivo FASTA?
FASTA es un archivo de texto plano que se usa en biología para guardar secuencias de ADN, ARN o proteínas mediante abreviaturas de una sola letra.
¿Cuál es la diferencia entre FASTA y FASTQ?
FASTA solo guarda las letras de la secuencia genética; FASTQ también incluye la puntuación de calidad de secuenciación de cada base.
¿Cómo puedo ver un archivo FASTA?
Puedes abrir archivos FASTA con cualquier editor de texto, verlos en programas de bioinformática como Jalview o UGENE, o convertirlos con File2File.app.
Pares de conversión de FASTA relacionados
El convertidor transforma la secuencia FASTA en un registro básico de estilo GenBank y la escribe en la sección ORIGIN; no deduce ni añade anotaciones de características biológicas.
Convertir un archivo plano GenBank a una secuencia FASTA elimina los metadatos de anotación para dejar solo las secuencias de nucleótidos o aminoácidos en bruto necesarias para un análisis bioinformático rápido.