FASTA secences konvertors uz GenBank failu
Parasta FASTA secences pārveidošana GenBank failā pievieno nepieciešamās bioloģiskās anotācijas un metadatus neapstrādātajam ģenētiskajam kodam.
Formātu salīdzinājums un tehniskās specifikācijas
| Specifikācija | FASTA | GENBANK |
|---|---|---|
| MIME tips | text/plain | text/plain |
| Tips | bioinformatics sequence text | annotated nucleotide flatfile |
| Kompresija | none (plain text) | none (plain text) |
| Standarta specifikācija | NCBI FASTA Specification | NCBI GenBank Flatfile Release Notes |
| Maģisko baitu galvene | 3E ('>' Sequence header line) | 4C 4F 43 55 53 20 20 20 20 (LOCUS ) |
Formāta pārskats un lietojums
Pētnieki genomikā bieži pārvietojas starp vienkāršiem secību tekstiem un bagātīgi anotētiem ierakstiem. FASTA fails nodrošina vieglu konteineru, kurā ir tikai virsraksta rinda, kas sākas ar lielāku par simbolu, un neapstrādāti nukleotīdu vai aminoskābju burti. Šī vienkāršība ir lieliski piemērota pamata salīdzināšanas rīkiem un secību meklēšanai. Tomēr, kad zinātniekiem ir jāpublicē jauni genomi vai jāpēta noteiktas gēnu īpašības, viņiem ir nepieciešami strukturēti metadati. GenBank formāts atrisina šo problēmu, ietinot ģenētisko secību stingrā, vairāku līniju teksta dokumentā. Tas ietver strukturētas sadaļas lokusu nosaukumiem, organismu taksonomijai, publikāciju atslēgām un funkciju tabulām, kas precīzi norāda, kur gēni, kodēšanas reģioni un promotoru zonas atrodas hromosomā. Bioinformātikas cauruļvadi, genomu pārlūki un iesniegšanas portāli, piemēram, NCBI GenBank, paļaujas uz šo bagātīgo anotāciju struktūru, lai interpretētu neapstrādātu DNS. Šīs konversijas veikšana mazina plaisu starp neapstrādātu secību atklāšanu un oficiālu bioloģisko aprakstu. Kamēr FASTA fails vienkārši norāda, kādi burti ir atrodami DNS, mērķa GenBank fails paskaidro, ko šie burti faktiski dara dzīvā šūnā.
Tehniskās specifikācijas un kodeku sadalījums
Abi formāti izmanto nekompresētu parasto tekstu ar MIME tipu text/plain, kas nozīmē, ka neviens no tiem nebalstās uz binārām maģisko baitu signatūrām vai patentētiem galvenajiem blokiem. Tā vietā tie balstās uz strukturētiem parsēšanas noteikumiem. FASTA faili izmanto ASCII tekstu, kas sākas ar simbolu '>' virsrakstam un standarta viena burta kodiem nukleotīdiem (A, C, G, T, N). GenBank faili izmanto stingru līniju arhitektūru, kas sākas ar atslēgvārdu 'LOCUS' un beidzas ar '//' terminatoru. Konversijas rīkiem ir jālasa neapstrādātā virknes datu no FASTA ievades, jākartē secība standarta GenBank ORIGIN blokā un jāievada lietotāja nodrošinātie vai prognozētie anotāciju bloki FEATURES sadaļā. Tā kā abi faili ir parasts teksts, konversija ir pilnībā bezzaudējumu attiecībā uz primārajiem secības datiem, lai gan anotācijas ir jāpievieno manuāli vai skaitļoti, jo FASTA formātam trūkst strukturētu metadatu.
OS un pārlūkprogrammu saderība
Tā kā abi formāti ir standarta ASCII teksts, tiem ir universāla saderība visās modernajās operētājsistēmās un aparatūras platformās. Varat tos atvērt un rediģēt operētājsistēmās Windows, macOS un Linux, izmantojot pamata teksta redaktorus vai specializētas bioinformātikas programmas, piemēram, Geneious, SnapGene un Artemis. Tīmekļa pārlūkprogrammas var attēlot abus failu tipus tieši teksta laukos vai izmantojot JavaScript balstītus secību skatītājus. Komandrindas rīki, piemēram, Biopython, EMBOSS un NCBI BLAST, nevainojami parsē šos failus darbvirsmas terminālos, augstas veiktspējas skaitļošanas klasteros un mākoņa vidēs.
💡 Noderīga informācija
Vienmēr pārbaudiet savu secības alfabētu pirms konversijas, jo aminoskābju kodu sajaukšana nukleotīdu GenBank ierakstā liks NCBI iesniegšanas parsētājiem noraidīt rezultātu.
Formātu salīdzinājums un tehniskās specifikācijas
Tipisks bakteriālās hromosomas fails 5 megabaitu apmērā FASTA formātā palielinās līdz aptuveni 15 megabaitiem, kad tas tiek izvērsts pilnībā anotētā GenBank failā, pateicoties pievienotajām funkciju tabulām un aprakstošajam tekstam. Standarta 4G mobilajā savienojumā ar ātrumu 30 megabiti sekundē šis 15 megabaitu fails tiek pārsūtīts aptuveni 4 sekundēs. 5G tīklā, kas darbojas ar ātrumu 150 megabiti sekundē, pārsūtīšana samazinās līdz mazāk nekā 1 sekundei. Izmantojot modernu optiskā tīkla savienojumu ar ātrumu 1 gigabits sekundē, fails pārvietojas acumirklī daļā sekundes.
Biežāk uzdotie jautājumi
Kā konvertēt FASTA secību uz GenBank failu bez kvalitātes zuduma?
Konversija pamata ģenētiskajai secībai ir pilnībā bezzaudējumu, jo abi formāti saglabā precīzi tos pašus nukleotīdu vai proteīnu burtus. Tomēr, tā kā FASTA faili nesatur bioloģiskas anotācijas, jebkuram konvertētajam GenBank failam būs nepieciešama vai nu automātiska gēnu prognozēšana, vai manuāla anotācija, lai pareizi aizpildītu funkciju tabulas.
Kāda ir atšķirība starp FASTA secību un GenBank failu?
FASTA fails ir minimālisma teksta formāts, kas satur tikai vienkāršu virsraksta rindu un neapstrādātas secības virknes. GenBank fails ir stingri strukturēts dokuments, kas sadalīts definētās sadaļās, piemēram, LOCUS, DEFINITION, ACCESSION, SOURCE, FEATURES un ORIGIN, lai blakus secībai saglabātu bagātīgus bioloģiskos metadatus.