GenBank-tiedostosta FASTA-sekvenssiksi -muunnin
GenBank-tiedoston muuntaminen FASTA-sekvenssiksi poistaa annotaatiometatiedot ja jättää jäljelle vain nopeaan bioinformatiikka-analyysiin tarvittavat raa'at nukleotidi- tai aminohapposekvenssit.
Muotojen vertailu ja tekniset tiedot
| Määritys | GENBANK | FASTA |
|---|---|---|
| MIME-tyyppi | text/plain | text/plain |
| Tyyppi | annotated nucleotide flatfile | bioinformatics sequence text |
| Pakkaus | none (plain text) | none (plain text) |
| Standardimääritys | NCBI GenBank Flatfile Release Notes | NCBI FASTA Specification |
| Tiedostotunniste (Magic Bytes) | 4C 4F 43 55 53 20 20 20 20 (LOCUS ) | 3E ('>' Sequence header line) |
Muodon yleiskatsaus ja käyttökohteet
Tutkijat muuntavat annotoituja geneettisiä tietueita usein yksinkertaisiksi sekvenssimuodoiksi suorittaessaan laajamittaisia laskennallisia vertailuja. GenBank-tiedosto sisältää runsaasti biologista tietoa, kuten tekijöiden nimiä, julkaisupäivämääriä, geenikoordinaatteja ja toiminnallisia ominaisuuksia. Sekvenssien kohdistamiseen, fylogeneettisten puiden rakentamiseen ja tietokantahakuihin suunnatut ohjelmat eivät kuitenkaan usein pysty lukemaan tätä monimutkaista rakenteellista käärettä. Tiedoston muuntaminen FASTA-muotoon poimii ydinkoodin. Tämä prosessi tekee datasta yhteensopivan standardien kohdistustyökalujen, kuten BLASTin, Clustal Omegan ja Bowtien, kanssa. Bioinformatiikan prosessointiketjut luottavat tähän muutokseen, koska raa'at sekvenssitietueet käsitellään paljon nopeammin, kun laskennallisten työkalujen ei tarvitse jäsentää biologisia metatietoja.
Tekniset tiedot ja koodekkien erittely
GenBank-muoto käyttää MIME-tyyppiä text/plain ja sisältää vahvasti jäsennettyä tekstiä, joka on järjestetty erillisiin avainsanaosioihin, kuten LOCUS, DEFINITION, ACCESSION ja ORIGIN. FASTA-muoto käyttää myös MIME-tyyppiä text/plain, mutta pudottaa pois kaikki muut paitsi yhden suurempi kuin -merkillä alkavan otsikkorivin ja sitä seuraavat raa'at sekvenssikirjainrivit. Kumpikaan muoto ei käytä pakkausta oletusarvoisesti, mikä tarkoittaa, että molemmat ovat olemassa pelkkänä ASCII- tai UTF-8-koodattuna tekstitiedostona. Taikamerkkiallekirjoituksia ei ole näille pelkän tekstin muodoille. Sen sijaan ohjelmisto tunnistaa ne skannaamalla ensimmäiset tekstiotseet etsimällä avainsanoja, kuten LOCUS GenBank-tiedostoista tai '>' -merkin FASTA-tiedostoista. Koska FASTA säilyttää vain sekvenssidatan ja hylkää annotaatiot, muunnos on tiukasti yksisuuntainen itse sekvenssin osalta, vaikka kaikki alkuperäisen tiedoston biologiset huomautukset menetetäänkin tulosteessa.
Käyttöjärjestelmien ja selaimien yhteensopivuus
Molemmat tiedostomuodot toimivat yleisesti kaikissa nykyaikaisissa käyttöjärjestelmissä, mukaan lukien Windows, macOS, Linux ja Unix-muunnelmat. Koska kyseessä ovat pelkät tekstitiedostot, käyttäjät voivat avata ja muokata niitä tavallisilla tekstieditoreilla, kuten Notepad, TextEdit tai Nano. Verkkoselaimet käsittelevät näitä tiedostoja helposti, ja bioinformatiikan verkkoportaalit esittävät ne suoraan selaimen ikkunassa. Python-, Perl- ja C++-kielellä kirjoitetut komentorivityökalut jäsennättävät molemmat muodot natiivisti ilman erikoistuneita suljettuja liitännäisiä tai raskaita ohjelmistokokonaisuuksia.
💡 Hyödyllistä tietoa
Pidä aina varmuuskopio alkuperäisestä GenBank-tiedostostasi ennen muunnoskomentosarjan suorittamista. Kun olet riisunut annotaatiot FASTA-tiedostoon, et voi palauttaa alkuperäisiä geenikoordinaatteja, julkaisuviitteitä tai translaatiotaulukoita pelkän sekvenssidatan perusteella.
Muotojen vertailu ja tekniset tiedot
Tavallinen bakteerigenomi, joka on tallennettu annotoituna GenBank-tiedostona, saattaa olla kooltaan 5 megatavua. Metatietojen poistaminen FASTA-tiedoston luomiseksi pienentää tiedostokokoa noin 3 megatavuun. Tavallisella 4G-mobiiliyhteydellä, jonka latausnopeus on 15 megabittiä sekunnissa, kumman tahansa tiedoston siirtäminen kestää alle puoli sekuntia. 5G-verkon tai gigabitin kuituyhteyden kautta siirto valmistuu silmänräpäyksessä muutamassa millisekunnissa.
Usein kysytyt kysymykset
Miten GenBank-tiedosto muunnetaan FASTA-sekvenssiksi laatua menettämättä?
Muunnos on täysin häviötön varsinaisen geneettisen sekvenssidatan osalta. Nukleotidi- tai proteiinikirjaimet pysyvät täsmälleen samoina. Menetät kuitenkin kaikki kuvailevat biologiset annotaatiot, kuten geenien nimet, tekijäviittaukset ja ominaisuusluettelot, koska FASTA-muoto on suunniteltu sisältämään vain otsikon ja itse sekvenssin.
Mikä ero on GenBank-tiedoston ja FASTA-sekvenssin välillä?
GenBank-tiedosto on monimutkainen, moniosainen asiakirja, joka sisältää runsaasti biologisia metatietoja ja raa'an sekvenssin alareunassa. FASTA-sekvenssi on minimaalinen tekstimuoto, joka koostuu vain yhdestä kuvaavasta otsikkorivistä, jota edeltää suurempi kuin -merkki, jota seuraavat raa'at sekvenssirivit.