FASTA-sequentie (.fasta)
Veelgebruikt StandaardFASTA is een veelgebruikt tekstformaat voor het weergeven van nucleotide- en eiwitsequenties met codes van één letter. Ondersteuning en conventies verschillen per tool en database.
FASTA naar GENBANK converteren
Gratis FASTA-naar-GENBANK-converter in uw browser. Converteer bestanden direct op uw apparaat.
Inspecteren en metadata
Besturingssystemen en bestandsanalysators herkennen FASTA-bestanden aan de hand van de eerste binaire bytesequentie:
Bestandshandtekening op byteniveau (magic bytes)
Besturingssystemen en bestandsanalysators herkennen FASTA-bestanden aan de hand van de eerste binaire bytesequentie:
HEX-HANDTEKENING (OFFSET 0):
3EASCII-WEERGAVE: >
Standaardisatie: Veelgebruikt sequentieformaat in de bio-informatica
Technische specificaties
| Containerarchitectuur | Plattetekstbestand waarvan de headerregels beginnen met '>' gevolgd door een sequentie-ID, en waarvan de volgende regels codes voor nucleotiden of aminozuren van één letter bevatten |
| Compressie | Niet-gecomprimeerde tekst (wordt vaak gecomprimeerd met Gzip als .fasta.gz of .fa.gz) |
| Bytevolgorde (endianness) | ASCII- / UTF-8-tekststroom |
| Kleurruimten | N.v.t. (genomische sequentiegegevens) |
| Kanalen en structuur | Nucleïnezuurcodes (A, C, G, T, U, N) of IUPAC-codes voor de 20 aminozuren |
| Maximale afmetingen | Onbegrensde sequentielengte (ondersteunt hele menselijke chromosomen van meer dan 250 miljoen basenparen) |
| Transparantie | Geen |
| Streaming en progressief | Sequentiële verwerking per record |
Technische vergelijkingsmatrix: FASTA versus concurrenten
| Technisch kenmerk | FASTA (Huidig) | FASTQ | GENBANK | GFF |
|---|---|---|---|---|
| Kwaliteitsscores | Geen (alleen sequentieletters) | Phred-kwaliteitsscores per base | Geen (kenmerkannotaties) | Geen (kenmerkcoördinaten) |
| Headerregel | Begint met het teken '>' | Begint met het teken '@' | Gestructureerd LOCUS-blok | Genomische kolommen gescheiden door tabs |
| Primair gebruik | Referentiegenomen en BLAST-zoekopdracht | Ruwe high-throughput sequencers (Illumina) | Uitgebreide geannoteerde genen | Genomische kenmerkannotaties |
| Bestandsgrootte (mens) | Verschilt per sequentielengte en opmaak | ~100+ gigabyte (met kwaliteitsscores) | Rijke tekst van meerdere gigabytes | ~50 megabyte |
Veelvoorkomende beschadigingen en gids voor hex-herstel
Bio-informatica-tool meldt 'Invalid sequence character at line X'.
Oorzaak: Witruimtes, getallen of niet-IUPAC-tekens binnen de sequentieregels.
Herstel: Filter en schoon sequentietekens op met de bio-informatica-tool van File2File.app.
Beveiligingsanalyse en aanvalsvectoren voor parsers
Genomica-tools verwerken enorme FASTA-bestanden van meerdere gigabytes, waarbij integeroverlopen kunnen optreden bij het indexeren van sequentiecoördinaten.
Bekende aanvalsvectoren
- Integeroverloop in 32-bits sequentie-indexers (FAI) bij meer dan 2^31 basenparen.
- Bufferoverloop bij het lezen van extreem lange headers met sequentie-ID's.
- Dienstweigering door pathologische uitlijningsquery's.
Aanbevolen beveiligingspraktijken: Gebruik 64-bits coördinaattypen en valideer een maximale headerlengte.
Historische oorsprong en mijlpalen
Belangrijkste voordelen
- FASTA wordt veel gebruikt voor biologische sequenties, maar tool-, database- en instrumentondersteuning verschilt per workflow.
- Extreme eenvoud: regel 1 begint met '>' gevolgd door een ID, daarna volgen de genetische letters als platte tekst.
- Capaciteit voor meerdere sequenties: een enkel bestand kan duizenden individuele genen of complete virale genomen bevatten.
Technische beperkingen
- Bevat geen kwaliteitsscores van de sequencing (in tegenstelling tot FASTQ, dat Phred-betrouwbaarheidsscores per base opslaat).
- Geen gestandaardiseerde metadatasyntaxis voor headerregels, afgezien van de initiële identificatie.
- Zeer veel opslagruimte nodig voor datasets van hele genomen zonder Gzip of gespecialiseerde genomische compressie.
Interessante technische weetjes
- Een menselijke genoomsequentie kan in FASTA-tekst worden weergegeven. De bestandsgrootte hangt af van de sequentielengte, regelafbreking, headers en of het bestand is gecomprimeerd.
- De vier letters van DNA opgeslagen in FASTA-bestanden zijn A (adenine), C (cytosine), G (guanine) en T (thymine).
- Toen het genoom van het coronavirus achter COVID-19 in januari 2020 voor het eerst werd gesequenced, deelden wetenschappers het wereldwijd als een FASTA-bestand van 30.000 letters.
Veelgestelde technische vragen
Wat is een FASTA-bestand?
Een FASTA-bestand is een bestand met platte tekst dat in de biologie wordt gebruikt om DNA-, RNA- of eiwitsequenties op te slaan met afkortingen van één letter.
Wat is het verschil tussen FASTA en FASTQ?
FASTA slaat alleen de genetische sequentieletters op, terwijl FASTQ zowel de letters als de kwaliteitsscore voor de nauwkeurigheid van de sequencing per base opslaat.
Hoe kan ik een FASTA-bestand bekijken?
U kunt FASTA-bestanden openen in elke teksteditor, bekijken in bio-informatica-software zoals Jalview of UGENE, of converteren met File2File.app.
Gerelateerde conversieparen voor FASTA
Converteer een ondersteunde FASTA-sequentie naar een eenvoudig record in GenBank-stijl. Biologische kenmerkannotaties worden niet afgeleid of toegevoegd.
Het converteren van een GenBank-platbestand naar een FASTA-sequentie verwijdert annotatiemetadata, zodat alleen de ruwe nucleotide- of aminozuursequenties overblijven die nodig zijn voor snelle bio-informatica-analyse.