GenBank-naar-FASTA-converter
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.
Formaatvergelijking en technische specificaties
| Specificatie | GENBANK | FASTA |
|---|---|---|
| MIME-type | text/ | text/ |
| Type | geannoteerd nucleotidebestand | bio-informatica-sequentietekst |
| Compressie | geen (platte tekst) | geen (platte tekst) |
| Standaardspecificatie | NCBI GenBank Flatfile-releaseopmerkingen | NCBI FASTA-specificatie |
| Bestandshandtekening (magic bytes) | 4C 4F 43 55 53 20 20 20 20 (LOCUS ) | 3E ('>' Sequence header line) |
Formaatoverzicht en toepassingen
GenBank-records bevatten sequentiegegevens en annotaties. FASTA slaat een sequentie op met een definitieregel en wordt door veel uitlijnings- en zoekprogramma's geaccepteerd, waaronder BLAST, als het bestand is opgemaakt voor het betreffende programma. Bij conversie naar FASTA gaan annotaties verloren. De invoervereisten verschillen per bio-informaticatoepassing.
Technische specificaties en codec-overzicht
Het GenBank-platbestandsformaat gebruikt het MIME-type text/plain en bevat sterk gestructureerde tekst, ingedeeld in afzonderlijke secties met trefwoorden zoals LOCUS, DEFINITION, ACCESSION en ORIGIN. Het FASTA-formaat gebruikt eveneens het MIME-type text/plain, maar laat alle secties weg. Het bevat alleen een kopregel die begint met een groter-dan-teken, gevolgd door regels met ruwe sequentieletters. Geen van beide formaten gebruikt standaard compressie; beide bestaan dus uit platte tekst, gecodeerd in ASCII of UTF-8. Deze plattetekstformaten hebben geen bestandshandtekening (magic bytes). Software herkent ze aan de hand van de eerste tekstregels, waarin ze zoekt naar trefwoorden zoals LOCUS in GenBank-bestanden of het teken '>' in FASTA-bestanden. Omdat FASTA alleen de sequentiegegevens behoudt en de annotaties weglaat, kan de sequentie zelf slechts in één richting worden geconverteerd. Eventuele biologische notities uit het oorspronkelijke platbestand gaan verloren in het uitvoerbestand.
Besturingssysteem- en browserondersteuning
FASTA en GenBank zijn tekstformaten, maar toepassingen kunnen specifieke regelafbreking, identificatoren, sequentie-alfabetten of recordvelden vereisen. Veel bio-informaticatools lezen FASTA; bevestig de geaccepteerde variant en instellingen voor de tool die u wilt gebruiken.
Handige informatie
Bewaar altijd een reservekopie van uw oorspronkelijke GenBank-platbestand voordat u een conversiescript uitvoert. Zodra de annotaties bij de conversie naar een FASTA-bestand zijn verwijderd, kunt u de oorspronkelijke gencoördinaten, publicatieverwijzingen of vertaaltabellen niet meer uit alleen de sequentiegegevens terughalen.
Veelgestelde vragen
Hoe converteert u een GenBank-platbestand naar een FASTA-sequentie zonder kwaliteitsverlies?
De conversie is volledig verliesvrij met betrekking tot de daadwerkelijke genetische sequentiedata. De nucleotide- of eiwitletters blijven exact behouden. U verliest echter wel alle beschrijvende biologische annotaties, zoals gennamen, citaatvermeldingen van auteurs en feature-tabellen, omdat het FASTA-formaat is ontworpen om alleen de kop en de sequentie zelf te bevatten.
Wat is het verschil tussen een GenBank-platbestand en een FASTA-sequentie?
Een GenBank-platbestand is een complex document met meerdere secties dat rijke biologische metadata en de ruwe sequentie onderaan bevat. Een FASTA-sequentie is een minimaal tekstformaat dat bestaat uit slechts een enkele beschrijvende kopregel voorafgegaan door een groter-dan-teken, gevolgd door de ruwe sequentieregels.