Séquence FASTA (.fasta)
FASTA StandardFASTA est un format texte courant pour les séquences; la taille dépend des données et de leur mise en forme. Les enregistrements GenBank varient et les statistiques changent à chaque version.
Convertir FASTA en GENBANK
Outil de conversion gratuit de FASTA vers GENBANK dans le navigateur. Convertissez des fichiers instantanément sur votre appareil.
Inspection et métadonnées
Les systèmes d'exploitation et les analyseurs de fichiers identifient les fichiers FASTA en inspectant leur séquence initiale d'octets binaires :
Signature d'en-tête au niveau des octets (octets magiques)
Les systèmes d'exploitation et les analyseurs de fichiers identifient les fichiers FASTA en inspectant leur séquence initiale d'octets binaires :
SIGNATURE HEXADÉCIMALE (DÉCALAGE 0) :
3EREPRÉSENTATION ASCII : >
Normalisation : FASTA est un format texte courant pour les séquences; la taille dépend des données et de leur mise en forme. Les enregistrements GenBank varient et les statistiques changent à chaque version.
Spécifications techniques
| Architecture de conteneur | Fichier de séquence en texte brut où les lignes d'en-tête commencent par '>', suivi d'un identifiant de séquence, et où les lignes suivantes contiennent des codes de nucléotides ou d'acides aminés à une seule lettre |
| Compression | Texte non compressé (souvent compressé avec Gzip dans des fichiers .fasta.gz ou .fa.gz) |
| Ordre des octets | Flux de texte ASCII / UTF-8 |
| Espaces colorimétriques | N/A (Données de séquence génomique) |
| Canaux et structure | Codes d'acides nucléiques (A, C, G, T, U, N) ou codes IUPAC des 20 acides aminés |
| Dimensions maximales | Longueur de séquence illimitée (prend en charge des chromosomes humains entiers de plus de 250 millions de paires de bases) |
| Transparence | Aucune |
| Prise en charge du traitement en continu | Traitement séquentiel en continu, enregistrement par enregistrement |
Matrice de comparaison technique : FASTA face aux concurrents
| Attribut technique | FASTA (Actuel) | FASTQ | GENBANK | GFF |
|---|---|---|---|---|
| Scores de qualité | Aucun (lettres de séquence pures) | Scores de qualité Phred par base | Aucune (annotations de caractéristiques) | Aucun (coordonnées des caractéristiques) |
| Ligne d'en-tête | Commence par le caractère '>' | Commence par le caractère '@' | Bloc LOCUS structuré | Colonnes génomiques délimitées par des tabulations |
| Utilisation principale | Génomes de référence et recherche BLAST | Séquenceurs bruts à haut débit (Illumina) | Gènes entièrement annotés | Annotations de caractéristiques génomiques |
| Taille de fichier (Humain) | FASTA est un format texte courant pour les séquences; la taille dépend des données et de leur mise en forme. Les enregistrements GenBank varient et les statistiques changent à chaque version. | ~100+ gigaoctets (avec qualités) | Texte riche de plusieurs gigaoctets | ~50 mégaoctets |
Modes de corruption courants et guide de restauration hexadécimale
L'outil bioinformatique signale 'Caractère de séquence invalide à la ligne X'.
Cause initiale: Espaces, chiffres ou caractères non conformes à l'IUPAC dans les lignes de séquence.
Récupération: Filtrer et nettoyer les caractères de séquence à l'aide de l'outil bioinformatique File2File.app.
Analyse de sécurité et vecteurs d'attaque de l'analyseur
Les outils de génomique analysent des fichiers FASTA volumineux de plusieurs gigaoctets, dans lesquels des dépassements d'entiers peuvent se produire lors de l'indexation des coordonnées des séquences.
Vecteurs d’attaque connus
- Dépassement d'entier dans les indexeurs de séquences 32 bits (FAI) dépassant 2^31 paires de bases.
- Dépassement de tampon lors de la lecture d'en-têtes d'identifiants de séquence excessivement longs.
- Déni de service par le biais de requêtes d'alignement pathologiques.
Bonnes pratiques de défense: Utilisez des types de coordonnées sur 64 bits et imposez une longueur maximale aux en-têtes.
Origines historiques et jalons
Principaux avantages
- La référence mondiale en biologie computationnelle : utilisée par les outils génomiques, les séquenceurs et les bases de données du monde entier.
- Grande simplicité : la première ligne commence par « > », suivi de l’identifiant, puis viennent les lettres de la séquence en texte brut.
- Prise en charge de plusieurs séquences : un seul fichier peut contenir des milliers de gènes ou des génomes viraux complets.
Limites techniques
- Ne contient aucun score de qualité de séquençage (contrairement à FASTQ, qui stocke les scores de confiance Phred par base).
- Aucune syntaxe de métadonnées standardisée pour les lignes d'en-tête au-delà de l'identifiant initial.
- Espace de stockage très important pour les jeux de données couvrant des génomes entiers, en l'absence de Gzip ou d'une compression génomique spécialisée.
Faits intéressants
- FASTA est un format texte courant pour les séquences; la taille dépend des données et de leur mise en forme. Les enregistrements GenBank varient et les statistiques changent à chaque version.
- Les quatre lettres de l’ADN stockées dans les fichiers FASTA sont A (adénine), C (cytosine), G (guanine) et T (thymine).
- Lorsque le génome du coronavirus COVID-19 a été séquencé pour la première fois en janvier 2020, les scientifiques l'ont partagé mondialement sous forme de fichier FASTA de 30 000 lettres.
Foire aux questions techniques
Qu'est-ce qu'un fichier FASTA ?
Un fichier FASTA est un fichier texte brut utilisé en biologie pour stocker des séquences d'ADN, d'ARN ou de protéines à l'aide d'abréviations à une seule lettre.
Quelle est la différence entre FASTA et FASTQ ?
FASTA ne stocke que les lettres de la séquence génétique, tandis que FASTQ stocke aussi un score de qualité pour chaque base, qui indique la fiabilité de l’appel de base.
Comment puis-je visualiser un fichier FASTA ?
Vous pouvez ouvrir des fichiers FASTA dans n'importe quel éditeur de texte, les visualiser dans un logiciel de bioinformatique comme Jalview ou UGENE, ou les convertir à l'aide de File2File.app.
Conversions associées à FASTA
Le convertisseur transforme la séquence FASTA en un enregistrement de base de type GenBank et l’écrit dans la section ORIGIN ; il ne déduit ni n’ajoute d’annotations de caractéristiques biologiques.
La conversion d'un fichier plat GenBank en séquence FASTA élimine les métadonnées d'annotation pour ne laisser que les séquences brutes de nucléotides ou d'acides aminés nécessaires à une analyse bio-informatique rapide.