Sequenza FASTA (.fasta)
FASTA StandardFASTA è un formato testuale comune per le sequenze; la dimensione dipende dai dati e dalla formattazione. I record GenBank variano e le statistiche cambiano a ogni rilascio.
Converti da FASTA a GENBANK
Convertitore gratuito da FASTA a GENBANK nel browser. Converti i file istantaneamente sul tuo dispositivo.
Ispezione e metadati
I sistemi operativi e gli analizzatori di file identificano i file FASTA ispezionando la sequenza di byte binari iniziale:
Firma dell'intestazione a livello di byte (Magic Bytes)
I sistemi operativi e gli analizzatori di file identificano i file FASTA ispezionando la sequenza di byte binari iniziale:
FIRMA ESADECIMALE (OFFSET 0):
3ERAPPRESENTAZIONE ASCII: >
Standardizzazione: FASTA è un formato testuale comune per le sequenze; la dimensione dipende dai dati e dalla formattazione. I record GenBank variano e le statistiche cambiano a ogni rilascio.
Specifiche tecniche
| Architettura del contenitore | File di sequenze testuale, con intestazioni che iniziano con '>' seguito da un identificatore; le righe successive contengono codici a lettera singola per nucleotidi o amminoacidi |
| Compressione | Testo non compresso (spesso compresso con Gzip in file .fasta.gz o .fa.gz) |
| Endianness dei byte | Flusso di testo ASCII / UTF-8 |
| Spazi colore | Non applicabile (dati di sequenze genomiche) |
| Canali e struttura | Codici per acidi nucleici (A, C, G, T, U, N) o codici IUPAC per i 20 amminoacidi delle proteine |
| Dimensioni massime | Lunghezza della sequenza illimitata (supporta interi cromosomi umani di oltre 250 milioni di coppie di basi) |
| Trasparenza | Nessuna |
| Streaming e progressivo | Elaborazione sequenziale in streaming, un record alla volta |
Matrice di confronto tecnico: FASTA vs Concorrenti
| Attributo tecnico | FASTA (Attuale) | FASTQ | GENBANK | GFF |
|---|---|---|---|---|
| Punteggi di qualità | Nessuno (solo lettere della sequenza) | Punteggi di qualità Phred per base | Nessuno (annotazioni di caratteristiche) | Nessuno (coordinate di caratteristiche) |
| Riga di intestazione | Inizia con il carattere '>' | Inizia con il carattere '@' | Blocco LOCUS strutturato | Colonne genomiche delimitate da tabulazioni |
| Uso principale | Genomi di riferimento e ricerca BLAST | Sequenziatori grezzi ad alto rendimento (Illumina) | Geni annotati in modo completo | Annotazioni delle caratteristiche genomiche |
| Dimensioni del file (genoma umano) | FASTA è un formato testuale comune per le sequenze; la dimensione dipende dai dati e dalla formattazione. I record GenBank variano e le statistiche cambiano a ogni rilascio. | Oltre 100 GB (con punteggi di qualità) | Testo formattato di diversi gigabyte | Circa 50 MB |
Modalità di corruzione comuni e guida al recupero esadecimale
Lo strumento bioinformatico segnala 'Carattere di sequenza non valido alla riga X'.
Causa principale: Spazi bianchi, numeri o caratteri non IUPAC all'interno delle righe di sequenza.
Ripristino: Filtra e ripulisci le sequenze con File2File.app Bioinformatics Tool.
Analisi di sicurezza e vettori di attacco del parser
Gli strumenti genomici analizzano file FASTA di diversi gigabyte; durante l'indicizzazione delle coordinate delle sequenze possono verificarsi overflow di interi.
Vettori di attacco noti
- Overflow di interi negli indicizzatori di sequenze a 32 bit (FAI) con oltre 2^31 coppie di basi.
- Overflow del buffer durante la lettura di intestazioni con identificatori di sequenza eccessivamente lunghi.
- Interruzione del servizio tramite query di allineamento anomale.
Migliori pratiche difensive: Usa tipi di coordinate a 64 bit e applica la convalida della lunghezza massima dell'intestazione.
Origini storiche e tappe fondamentali
Vantaggi principali
- Standard globale di riferimento per la biologia computazionale: usato da tutti gli strumenti genomici, sequenziatori e database.
- Estremamente semplice: la prima riga inizia con '>' seguito da un ID; le righe successive contengono lettere genetiche in testo semplice.
- Supporta più sequenze: un singolo file può contenere migliaia di geni o interi genomi virali.
Limiti tecnici e svantaggi
- Non contiene punteggi di qualità del sequenziamento (a differenza di FASTQ, che registra il punteggio di qualità Phred per ogni base).
- Non esiste una sintassi standardizzata per i metadati nelle intestazioni oltre all'identificatore iniziale.
- I dataset di interi genomi occupano molto spazio senza Gzip o una compressione genomica specializzata.
Curiosità tecniche
- FASTA è un formato testuale comune per le sequenze; la dimensione dipende dai dati e dalla formattazione. I record GenBank variano e le statistiche cambiano a ogni rilascio.
- Le quattro lettere del DNA memorizzate nei file FASTA sono A (Adenina), C (Citosina), G (Guanina) e T (Timina).
- Quando il genoma del coronavirus COVID-19 è stato sequenziato per la prima volta nel gennaio 2020, gli scienziati lo hanno condiviso globalmente come un file FASTA di 30.000 lettere.
Domande tecniche frequenti
Cos'è un file FASTA?
Un file FASTA è un file di testo semplice utilizzato in biologia per memorizzare sequenze di DNA, RNA o proteine utilizzando abbreviazioni a lettera singola.
Qual è la differenza tra FASTA e FASTQ?
FASTA memorizza solo le lettere della sequenza genetica; FASTQ include anche il punteggio di qualità del sequenziamento di ciascuna base.
Come posso visualizzare un file FASTA?
Puoi aprire i file FASTA in qualsiasi editor di testo, visualizzarli in software di bioinformatica come Jalview o UGENE, oppure convertirli utilizzando File2File.app.
Coppie di conversione per FASTA correlate
Il convertitore trasforma la sequenza FASTA in un record di base in stile GenBank e la scrive nella sezione ORIGIN; non deduce né aggiunge annotazioni di caratteristiche biologiche.
La conversione di un flatfile GenBank in una sequenza FASTA rimuove i metadati di annotazione per lasciare solo le sequenze grezze di nucleotidi o amminoacidi necessarie per una rapida analisi bioinformatica.