FASTA-sekvenssi (.fasta)
FASTA StandardiFASTA on yleinen sekvenssien tekstimuoto; koko riippuu datasta ja muotoilusta. GenBank-tietueet vaihtelevat ja tilastot muuttuvat julkaisuittain.
Muunna tiedostot muodosta FASTA muotoon GENBANK
Ilmainen selaimessa toimiva muunnin, jolla voit muuntaa tiedostoja muodosta FASTA muotoon GENBANK. Muunna tiedostot hetkessä laitteellasi.
Tarkastele tiedostoa ja sen metatietoja
Käyttöjärjestelmät ja tiedostoanalyysaattorit tunnistavat FASTA-tiedostot tarkistamalla tiedoston alun binäärisarjan:
Otsaketunniste tavutasolla (tunnistetavut)
Käyttöjärjestelmät ja tiedostoanalyysaattorit tunnistavat FASTA-tiedostot tarkistamalla tiedoston alun binäärisarjan:
HEKSADEKSIMAALINEN TUNNISTE (SIJAINTI 0):
3EASCII-ESITYSTAPA: >
Standardointi: FASTA on yleinen sekvenssien tekstimuoto; koko riippuu datasta ja muotoilusta. GenBank-tietueet vaihtelevat ja tilastot muuttuvat julkaisuittain.
Tekniset tiedot
| Säiliöarkkitehtuuri | Raakatekstimuotoinen sekvenssitiedosto, jonka otsakerivit alkavat merkillä ”>”, jota seuraa sekvenssin tunniste; sitä seuraavilla riveillä on yksikirjaimisia nukleotidi- tai aminohappokoodeja |
| Pakkaus | Pakkaamaton teksti (pakataan usein Gzip-muodossa .fasta.gz- tai .fa.gz-tiedostoiksi) |
| Tavujärjestys (Endianness) | ASCII- tai UTF-8-tekstivirta |
| Väriavaruudet | Ei sovellu (genomisekvenssidata) |
| Kanavat ja rakenne | Nukleiinihappokoodit (A, C, G, T, U, N) tai IUPAC:n 20 aminohappoa kuvaavat proteiinikoodit |
| Suurimmat mitat | Rajoittamaton sekvenssin pituus (tukee kokonaisia, yli 250 miljoonan emäsparin ihmisen kromosomeja) |
| Läpinäkyvyys | Ei läpinäkyvyyttä |
| Suoratoisto ja progressiivinen lataus | Tietueiden peräkkäinen käsittely yksi kerrallaan |
Tekninen vertailumatriisi: FASTA vs. kilpailijat
| Tekninen attribuutti | FASTA (Nykyinen) | FASTQ | GENBANK | GFF |
|---|---|---|---|---|
| Laatupisteet | Ei mitään (puhtaat sekvenssikirjaimet) | Emäskohtaiset Phred-laatupisteet | Ei mitään (ominaisuuksien annotaatiot) | Ei mitään (ominaisuuksien koordinaatit) |
| Otsakerivi | Alkaa merkillä '>' | Alkaa merkillä '@' | Rakenteinen LOCUS-lohko | Sarakkeittain sarkaimilla erotellut genomisarakkeet |
| Ensisijainen käyttötarkoitus | Vertailugenomit ja BLAST-haku | Raakadataa tuottavat suuren suorituskyvyn sekvensointilaitteet (Illumina) | Kattavasti annotoidut geenit | Genomisten ominaisuuksien huomautukset |
| Tiedostokoko (ihminen) | FASTA on yleinen sekvenssien tekstimuoto; koko riippuu datasta ja muotoilusta. GenBank-tietueet vaihtelevat ja tilastot muuttuvat julkaisuittain. | ~100+ gigatavua (laatujen kanssa) | Monigigatavuinen rikas teksti | ~50 megatavua |
Yleiset vioittumistavat ja heksadesimaalinen palautusopas
Bioinformatiikkatyökalu ilmoittaa 'Virheellinen sekvenssimerkki rivillä X'.
Perussyy: Tyhjemerkkejä, numeroita tai muita kuin IUPAC-merkkejä sekvenssirivien sisällä.
Korjaus: Suodata ja puhdista sekvenssimerkit File2File.app Bioinformatics Tool -työkalulla.
Tietoturva-analyysi ja tiedostojäsentimien hyökkäysvektorit
Genomiikkatyökalut jäsennöivät valtavia monigigatavuisia FASTA-tiedostoja, joissa voi esiintyä kokonaisluvun ylivuotoja indeksoitaessa sekvenssin koordinaatteja.
Tunnetut hyökkäysvektorit
- Kokonaisluvun ylivuoto 32-bittisissä sekvenssi-indeksoijissa (FAI), kun ylitetään 2^31 emäsparia.
- Puskurin ylivuoto luettaessa liian pitkiä sekvenssin tunnisteotsikoita.
- Palvelunestohyökkäys epänormaalien kohdistuskyselyjen kautta.
Tietoturvan parhaat käytännöt: Käytä 64-bittisiä koordinaattityyppejä ja validoi otsikoiden enimmäispituus.
Historia ja virstanpylväät
Tärkeimmät edut
- FASTAa käytetään laajalti biologisten sekvenssien tallentamiseen, mutta työkalujen, tietokantojen ja laitteiden tuki vaihtelee työnkulun mukaan.
- Äärimmäinen yksinkertaisuus: rivi 1 alkaa merkillä '>', jota seuraa tunniste ja sen jälkeen geneettiset kirjaimet pelkkänä tekstinä.
- Monen sekvenssin kapasiteetti: yksi ainoa tiedosto voi sisältää tuhansia yksittäisiä geenejä tai täydellisiä viruksen genomeja.
Tekniset rajoitukset
- Ei sisällä sekvensoinnin laatupisteitä (toisin kuin FASTQ, joka tallentaa emäskohtaiset Phred-luottamuslukemat).
- Ei standardoitua metatietosyntaksia otsakeriveille alkuperäisen tunnisteen lisäksi.
- Valtava tallennustilan tarve kokogenomiaineistoille ilman Gzip-pakkausta tai erikoistunutta genomipakkausta.
Mielenkiintoisia teknisiä faktoja
- FASTA on yleinen sekvenssien tekstimuoto; koko riippuu datasta ja muotoilusta. GenBank-tietueet vaihtelevat ja tilastot muuttuvat julkaisuittain.
- DNA:n neljä kirjainta FASTA-tiedostoissa ovat A (adeniini), C (sytosiini), G (guaniini) ja T (tymiini).
- Kun COVID-19-koronaviruksen genomi sekvensoitiin ensimmäisen kerran tammikuussa 2020, tutkijat jakoivat sen maailmanlaajuisesti 30 000 kirjaimen FASTA-tiedostona.
Usein kysytyt tekniset kysymykset
Mikä on FASTA-tiedosto?
FASTA-tiedosto on pelkkä tekstitiedosto, jota käytetään biologiassa DNA-, RNA- tai proteiinisekvenssien tallentamiseen yksikirjaimisia lyhenteitä käyttäen.
Mikä ero on FASTA- ja FASTQ-tiedostojen välillä?
FASTA tallentaa vain geneettiset sekvenssikirjaimet, kun taas FASTQ tallentaa sekä kirjaimet että sekvensoinnin tarkkuuden laatupisteet jokaiselle emäkselle.
Miten voin tarkastella FASTA-tiedostoa?
Voit avata FASTA-tiedostoja missä tahansa tekstieditorissa, tarkastella niitä bioinformatiikkaohjelmistoissa kuten Jalview tai UGENE, tai muuntaa ne File2File.app-palvelun avulla.
Aiheeseen liittyvät FASTA-muunnosparit
Muunnin muuntaa FASTA-sekvenssin yksinkertaiseksi GenBank-tyyliseksi tietueeksi ja kirjoittaa sekvenssin ORIGIN-osioon; se ei päättele eikä lisää biologisten ominaisuuksien annotaatioita.
GenBank-tiedoston muuntaminen FASTA-sekvenssiksi poistaa annotaatiometatiedot ja jättää jäljelle vain nopeaan bioinformatiikka-analyysiin tarvittavat raa'at nukleotidi- tai aminohapposekvenssit.