GenBank konvertálása FASTA formátumba
Egy GenBank-fájl átalakítása FASTA-szekvenciává eltávolítja az annotációs metaadatokat, így csak a gyors bioinformatikai elemzéshez szükséges nyers nukleotid- vagy aminosav-szekvenciák maradnak.
Formátum-összehasonlítás és műszaki specifikációk
| Specifikáció | GENBANK | FASTA |
|---|---|---|
| MIME-típus | text/ | text/ |
| Típus | annotált nukleotid-adatfájl | bioinformatikai szekvenciaszöveg |
| Tömörítés | nincs (sima szöveg) | nincs (sima szöveg) |
| Szabványos specifikáció | NCBI GenBank flatfile kiadási megjegyzések | NCBI FASTA specifikáció |
| Fájlfejléc azonosító bájtjai | 4C 4F 43 55 53 20 20 20 20 (LOCUS ) | 3E ('>' Sequence header line) |
A formátum áttekintése és alkalmazási területei
A GenBank-rekordok szekvenciaadatokat és annotációkat is tartalmaznak. A FASTA egy definíciós sorral bevezetett szekvenciát tárol, és számos illesztő- és keresőeszköz elfogadja, köztük a BLAST is, ha az eszköz által elvárt formátumú. A FASTA-vá alakítás elhagyja az annotációkat; a bioinformatikai alkalmazások bemeneti követelményei eltérhetnek.
Műszaki specifikációk és kodekáttekintés
A GenBank-fájlformátum a text/plain MIME-típust használja, és erősen strukturált, különálló kulcsszó-szekciókba (LOCUS, DEFINITION, ACCESSION, ORIGIN) szervezett szöveget tartalmaz. A FASTA formátum szintén a text/plain MIME-típust használja, de minden szakaszt elhagy egyetlen, greater-than szimbólummal kezdődő fejlécsoron és a nyers szekvenciabetűk későbbi sorain kívül. Alapértelmezés szerint egyik formátum sem használ tömörítést, ami azt jelenti, hogy mindkettő sima ASCII vagy UTF-8 kódolású fájlként létezik. Ezekhez a sima szöveges formátumokhoz nem tartoznak fájlazonosító bájtok. Ehelyett a szoftver a kezdeti szövegfejlécek vizsgálatával azonosítja őket, olyan kulcsszövegeket keresve, mint a LOCUS a GenBank-fájlokban vagy a '>' karakter a FASTA-fájlokban. Mivel a FASTA csak a szekvenciaadatokat őrzi meg és eldobja az annotációkat, a konverzió szigorúan egyirányú magára a szekvenciára nézve, bár az eredeti fájlban található biológiai megjegyzések elvesznek a kimenetben.
Operációs rendszer- és böngésző-kompatibilitás
A FASTA és a GenBank szöveges formátum, de az alkalmazások eltérő sortördelést, azonosítókat, szekvenciaábécét vagy rekordmezőket követelhetnek meg. Számos bioinformatikai eszköz olvas FASTA-t; ellenőrizze a használni kívánt eszköz által elfogadott változatot és beállításokat.
Hasznos információk
Konverziós parancsfájl futtatása előtt mindig készítsen biztonsági másolatot az eredeti GenBank-fájlról. Ha az annotációkat eltávolítja a FASTA-fájlba alakításkor, az eredeti génkoordináták, publikációs hivatkozások és transzlációs táblázatok a szekvenciaadatokból már nem állíthatók helyre.
Gyakran ismételt kérdések
Hogyan konvertálható GenBank-fájl FASTA-szekvenciává minőségromlás nélkül?
A konverzió teljesen veszteségmentes a tényleges genetikai szekvenciaadatok szempontjából. A nukleotid- vagy proteinkarakterek pontosak maradnak. Az összes leíró biológiai annotáció, például a génnevek, a szerzői hivatkozások és a jellemzőtáblázatok azonban elvesznek, mivel a FASTA formátumot úgy tervezték, hogy csak a fejlécet és magát a szekvenciát tárolja.
Mi a különbség a GenBank flatfile és a FASTA-szekvencia között?
A GenBank flatfile egy összetett, többszakaszos dokumentum, amely gazdag biológiai metaadatokat és alul a nyers szekvenciát tartalmazza. A FASTA-szekvencia egy minimális szöveges formátum, amely csak egyetlen leíró fejlécsorból áll, amelyet egy nagyobb mint jel, majd a nyers szekvenciasorok követnek.