FASTA szekvencia (.fasta)
A SzabványA FASTA gyakori szöveges szekvenciaformátum; a méret az adatoktól és formázástól függ. A GenBank-rekordok eltérnek, a statisztika kiadásonként változik.
FASTA konvertálása erre: GENBANK
Ingyenes, böngészőben használható FASTA-konverter GENBANK formátumba. A fájlokat azonnal konvertálhatja az eszközén.
Vizsgálat és metaadatok
Az operációs rendszerek és a fájlelemzők a kezdő bináris bájtsorozat vizsgálatával azonosítják a(z) FASTA fájlokat:
Bájtszintű fejlécaláírás (fájlazonosító bájtok)
Az operációs rendszerek és a fájlelemzők a kezdő bináris bájtsorozat vizsgálatával azonosítják a(z) FASTA fájlokat:
HEX ALÁÍRÁS (ELTOLÁS 0):
3EASCII ÁBRÁZOLÁS: >
Szabványosítás: A FASTA gyakori szöveges szekvenciaformátum; a méret az adatoktól és formázástól függ. A GenBank-rekordok eltérnek, a statisztika kiadásonként változik.
Műszaki specifikációk
| Konténer architektúra | Egyszerű szöveges szekvenciafájl: a fejlécsorok „>” jellel és a szekvencia azonosítójával kezdődnek, az utánuk következő sorok pedig egybetűs nukleotid- vagy aminosavkódokat tartalmaznak. |
| Tömörítés | Tömörítetlen szöveg (gyakran Gzip-tömörítéssel, .fasta.gz vagy .fa.gz kiterjesztéssel) |
| Bájtsorrend | ASCII / UTF-8 szövegfolyam |
| Színterek | Nem alkalmazható (genomszekvencia-adatok) |
| Csatornák és struktúra | Nukleinsavkódok (A, C, G, T, U, N) vagy az IUPAC 20 aminosavas fehérjekódjai |
| Max. méretek | Korlátlan szekvenciahossz (több mint 250 millió bázispár hosszúságú teljes emberi kromoszómákat is támogat) |
| Átlátszóság | Nincs |
| Streaming és progresszív | Szekvenciális, rekordonkénti adatfolyam-feldolgozás |
Műszaki összehasonlító mátrix: FASTA vs. versenytársak
| Technikai attribútum | FASTA (Jelenlegi) | FASTQ | GENBANK | GFF |
|---|---|---|---|---|
| Minőségi pontszámok | Nincs (csak szekvenciabetűk) | Bázisonkénti Phred minőségi pontszámok | Nincs (funkcióannotáció) | Nincs (funkciókoordináta) |
| Fejlécsor | '>' karakterrel kezdődik | '@' karakterrel kezdődik | Strukturált LOCUS blokk | Tabulátorral elválasztott genomiális oszlopok |
| Elsődleges használat | Referenciagenomok és BLAST-keresés | Nagy áteresztőképességű szekvenálók nyers adatai (Illumina) | Átfogóan annotált gének | Genomikai funkcióannotációk |
| Fájlméret (emberi genom) | A FASTA gyakori szöveges szekvenciaformátum; a méret az adatoktól és formázástól függ. A GenBank-rekordok eltérnek, a statisztika kiadásonként változik. | ~100+ Gigabájt (minőségi értékekkel) | Több gigabájtos formázott szöveg | ~50 Megabájt |
Gyakori sérülési módok és hexadecimális helyreállítási útmutató
A bioinformatikai eszköz „Érvénytelen szekvenciakarakter a(z) X. sorban” hibaüzenetet ad.
Kiváltó ok: Üres helyek, számok vagy nem IUPAC-karakterek a szekvenciasorokon belül.
Helyreállítás: Szekvenciakarakterek szűrése és tisztítása a File2File.app bioinformatikai eszközével.
Biztonsági elemzés és elemző (parser) támadási vektorok
A genomikai eszközök hatalmas, több gigabájtos FASTA-fájlokat elemeznek, és a szekvenciakoordináták indexelésekor egészszám-túlcsordulás fordulhat elő.
Ismert támadási vektorok
- Egészszám-túlcsordulás a 2^31 bázispárt meghaladó, 32 bites szekvenciaindexelőkben (FAI).
- Puffertúlcsordulás túl hosszú szekvenciaazonosító fejlécek olvasásakor.
- Szolgáltatásmegtagadás (DoS) patologikus illesztési lekérdezések révén.
Ajánlott védekezési módszerek: Használjon 64 bites koordinátatípusokat, és ellenőrizze a fejléc maximális hosszát.
Történeti háttér és mérföldkövek
Főbb előnyök
- A biológiai szekvenciákhoz széles körben használják, de az eszközök, adatbázisok és műszerek támogatása munkafolyamatonként eltérő.
- Rendkívüli egyszerűség: az 1. sor a '>' karakterrel kezdődik, amelyet egy azonosító, majd sima szöveges genetikai betűk követnek.
- Több szekvencia tárolására alkalmas: egyetlen fájl ezer egyedi gént vagy teljes vírusgenomot tartalmazhat.
Technikai korlátok és hátrányok
- Nem tartalmaz szekvenálási minőségi pontszámokat (ellentétben a FASTQ-val, amely bázisonkénti Phred megbízhatósági pontszámokat tárol).
- Nincs szabványos metaadat-szintaxis a fejlécsorokhoz a kezdeti azonosítón túl.
- Hatalmas tárolási lábnyom a teljes genomot lefedő adatkészleteknél Gzip vagy speciális genomiális tömörítés nélkül.
Érdekes technikai tudnivalók
- A FASTA gyakori szöveges szekvenciaformátum; a méret az adatoktól és formázástól függ. A GenBank-rekordok eltérnek, a statisztika kiadásonként változik.
- A FASTA fájlokban tárolt DNS négy betűje az A (adenin), a C (citozin), a G (guanin) és a T (timin).
- Amikor a COVID-19 koronavírus genomját először szekvenálták 2020 januárjában, a tudósok globálisan egy 30 000 betűből álló FASTA fájlként osztották meg.
Gyakran Ismételt Műszaki Kérdések
Mi az a FASTA-fájl?
A FASTA-fájl egy biológiában használt egyszerű szövegfájl, amely DNS-, RNS- vagy fehérjeszekvenciákat tárol egybetűs rövidítésekkel.
Mi a különbség a FASTA és a FASTQ között?
A FASTA csak a genetikai szekvencia betűit tárolja, míg a FASTQ a betűket és az egyes bázisokhoz tartozó szekvenálási minőségi pontszámot is tárolja.
Hogyan tekinthetek meg egy FASTA-fájlt?
A FASTA-fájlok bármilyen szövegszerkesztőben megnyithatók, olyan bioinformatikai szoftverekben tekinthetők meg, mint a Jalview vagy az UGENE, illetve a File2File.app segítségével átalakíthatók.
Kapcsolódó FASTA konverziós párok
A konverter a FASTA-szekvenciát alapvető GenBank-stílusú rekorddá alakítja, és az ORIGIN szakaszba írja; biológiai jellemzőkre vonatkozó annotációkat nem következtet ki és nem ad hozzá.
Egy GenBank-fájl átalakítása FASTA-szekvenciává eltávolítja az annotációs metaadatokat, így csak a gyors bioinformatikai elemzéshez szükséges nyers nukleotid- vagy aminosav-szekvenciák maradnak.