Convertidor de GenBank a FASTA
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.
Comparativa de formatos y especificaciones técnicas
| Especificación | GENBANK | FASTA |
|---|---|---|
| Tipo MIME | text/ | text/ |
| Tipo | archivo plano de nucleótidos anotado | secuencia de texto de bioinformática |
| Compresión | ninguna (texto plano) | ninguna (texto plano) |
| Especificación estándar | NCBI GenBank Flatfile Release Notes | NCBI FASTA Specification |
| Cabecera de bytes mágicos | 4C 4F 43 55 53 20 20 20 20 (LOCUS ) | 3E ('>' Sequence header line) |
Resumen de formatos y aplicaciones
Los registros GenBank incluyen datos de secuencia y anotaciones. FASTA almacena una secuencia con una línea descriptiva y muchas herramientas de alineación y búsqueda, como BLAST, lo aceptan si se ajusta al formato requerido. Al convertir a FASTA se descartan las anotaciones, y los requisitos de entrada varían entre aplicaciones bioinformáticas.
Especificaciones técnicas y desglose de códecs
El formato de archivo plano GenBank utiliza el tipo MIME text/plain y contiene texto altamente estructurado organizado en secciones de palabras clave distintas como LOCUS, DEFINITION, ACCESSION y ORIGIN. El formato FASTA también utiliza el tipo MIME text/plain pero elimina todas las secciones excepto una sola línea de encabezado que comienza con un símbolo mayor que y las filas posteriores de letras de secuencias en bruto. Ninguno de los formatos utiliza compresión de forma predeterminada, lo que significa que ambos existen como archivos de texto plano codificados en ASCII o UTF-8. Las firmas de bytes mágicos no existen para estos formatos de texto plano. En su lugar, el software los identifica escaneando los encabezados de texto iniciales, buscando palabras clave como LOCUS en archivos GenBank o el carácter '>' en archivos FASTA. Debido a que FASTA solo conserva los datos de la secuencia y descarta las anotaciones, la conversión es estrictamente unidireccional para la secuencia en sí, aunque cualquier nota biológica en el archivo plano original se pierde en la salida.
Compatibilidad con sistemas operativos y navegadores
FASTA y GenBank son formatos de texto, pero las aplicaciones pueden requerir un ajuste de línea, identificadores, alfabetos de secuencia o campos de registro específicos. Muchas herramientas bioinformáticas leen FASTA; confirma la variante y los ajustes que acepta la herramienta de destino.
Información útil
Guarda una copia de seguridad del archivo GenBank original antes de ejecutar el script de conversión. Al quitar las anotaciones para crear un archivo FASTA, ya no podrás recuperar solo a partir de la secuencia las coordenadas de los genes, las referencias bibliográficas ni las tablas de traducción.
Preguntas frecuentes
¿Cómo se convierte un archivo plano GenBank a una secuencia FASTA sin perder calidad?
La conversión no tiene pérdidas con respecto a los datos reales de la secuencia genética. Las letras de nucleótidos o proteínas permanecen exactas. Sin embargo, se pierden todas las anotaciones biológicas descriptivas, como nombres de genes, citas de autores y tablas de características, porque el formato FASTA está diseñado para contener solo el encabezado y la secuencia en sí.
¿Cuál es la diferencia entre un archivo plano GenBank y una secuencia FASTA?
Un archivo plano GenBank es un documento complejo de múltiples secciones que contiene ricos metadatos biológicos y la secuencia en bruto en la parte inferior. Una secuencia FASTA es un formato de texto mínimo que consta de una sola línea de encabezado descriptivo precedida por un símbolo mayor que seguido de las líneas de secuencia en bruto.