FASTA-sekvens (.fasta)
Mye StandardFASTA er et mye brukt tekstformat for nukleotid- og proteinsekvenser med koder på én bokstav. Bruk og konvensjoner varierer mellom verktøy og databaser.
Konverter FASTA til GENBANK
Gratis FASTA til GENBANK-konverterer i nettleseren. Konverter filer umiddelbart på enheten din.
Inspeksjon og metadata
Operativsystemer og filanalysatorer identifiserer FASTA-filer ved å undersøke den innledende binære bytesekvensen:
Filsignatur på bytenivå (magiske byte)
Operativsystemer og filanalysatorer identifiserer FASTA-filer ved å undersøke den innledende binære bytesekvensen:
HEX-SIGNATUR (OFFSET 0):
3EASCII-REPRESENTASJON: >
Standardisering: Mye brukt sekvensformat innen bioinformatikk
Tekniske spesifikasjoner
| Beholderarkitektur | Ren tekstbasert sekvensfil der overskriftslinjer begynner med «>» etterfulgt av en sekvensidentifikator, og de påfølgende linjene inneholder nukleotid- eller aminosyrekoder med én bokstav |
| Komprimering | Ukomprimert tekst (ofte komprimert med Gzip som .fasta.gz eller .fa.gz) |
| Bytterekkefølge | ASCII- eller UTF-8-tekststrøm |
| Fargerom | Ikke relevant (genomiske sekvensdata) |
| Kanaler og struktur | Nukleinsyrekoder (A, C, G, T, U, N) eller IUPAC-koder med 20 aminosyrer for proteiner |
| Maks. dimensjoner | Ubegrenset sekvenslengde (støtter hele menneskekromosomer på over 250 millioner basepar) |
| Gjennomsiktighet | Ingen |
| Strømming og progressiv visning | Sekvensiell strømming av poster én etter én |
Teknisk sammenligningsmatrise: FASTA sammenlignet med konkurrenter
| Teknisk attributt | FASTA (Gjeldende) | FASTQ | GENBANK | GFF |
|---|---|---|---|---|
| Kvalitetsskårer | Ingen (rene sekvensbokstaver) | Phred-kvalitetsskårer per base | Ingen (funksjonsannoteringer) | Ingen (funksjonskoordinater) |
| Overskriftslinje | Starter med tegnet '>' | Starter med tegnet '@' | Strukturert LOCUS-blokk | Tabulatorseparerte genomiske kolonner |
| Primær bruk | Referansegenomer og BLAST-søk | Rådata fra sekvensering med høy gjennomstrømming (Illumina) | Omfattende genannoteringer | Annoteringer av genomiske egenskaper |
| Filstørrelse (menneske) | Varierer med sekvenslengde og formatering | Omtrent 100+ gigabyte (med kvalitetsverdier) | Rik tekst på flere gigabyte | Omtrent 50 megabyte |
Vanlige korrupsjonsmoduser og heksadesimal gjenopprettingsveiledning
Bioinformatikkverktøyet rapporterer «Ugyldig sekvenssymbol på linje X».
Underliggende årsak: Mellomrom, tall eller ikke-IUPAC-tegn inne i sekvenslinjene.
Utbedring: Filtrer og rens sekvenssymbolene med bioinformatikkverktøyet i File2File.app.
Sikkerhetsanalyse og angrepsvektorer mot parsere
Genomikkverktøy leser svært store FASTA-filer på flere gigabyte. Heltallsoverflyt kan oppstå når sekvenskoordinater indekseres.
Kjente angrepsvektorer
- Heltallsoverflyt i 32-biters sekvensindekseringsverktøy (FAI) ved sekvenser som overskrider 2^31 basepar.
- Bufferoverflyt ved lesing av sekvensidentifikatorer med svært lange overskrifter.
- Tjenestenektangrep gjennom patologiske sekvenstilpasningsspørringer.
Anbefalte sikkerhetstiltak: Bruk 64-biters koordinattyper, og valider maksimal lengde på overskrifter.
Historisk opprinnelse og milepæler
Viktige fordeler
- FASTA brukes mye for biologiske sekvenser, men støtte for verktøy, databaser og instrumenter varierer mellom arbeidsflyter.
- Svært enkelt: linje 1 begynner med «>» etterfulgt av en ID og deretter genetiske bokstaver i ren tekst.
- Støtte for flere sekvenser: Én fil kan inneholde tusenvis av enkeltgener eller komplette virusgenomer.
Tekniske begrensninger og ulemper
- Inneholder ingen sekvenseringskvalitetsskårer (i motsetning til FASTQ, som lagrer Phred-konfidensskårer per base).
- Ingen standardisert metadatasyntaks for overskriftslinjer utover den opprinnelige identifikatoren.
- Enormt lagringsbehov for helgenomdatasett uten Gzip eller spesialisert genomisk komprimering.
Interessante tekniske fakta
- Et menneskelig genom kan representeres som FASTA-tekst. Filstørrelsen avhenger av sekvenslengde, linjedeling, headere og eventuell komprimering.
- De fire DNA-bokstavene som lagres i FASTA-filer, er A (adenin), C (cytosin), G (guanin) og T (tymin).
- Da koronaviruset SARS-CoV-2 ble sekvensert for første gang i januar 2020, delte forskere sekvensen internasjonalt som en FASTA-fil på 30 000 bokstaver.
Ofte stilte tekniske spørsmål
Hva er en FASTA-fil?
En FASTA-fil er en ren tekstfil som brukes i biologi til å lagre DNA-, RNA- eller proteinsekvenser med koder på én bokstav.
Hva er forskjellen mellom FASTA og FASTQ?
FASTA lagrer bare bokstavene i den genetiske sekvensen, mens FASTQ også lagrer en kvalitetsskår for sekvenseringen ved hver base.
Hvordan kan jeg se på en FASTA-fil?
Du kan åpne FASTA-filer i en hvilken som helst tekstredigerer, vise dem i bioinformatikkprogrammer som Jalview eller UGENE, eller konvertere dem med File2File.app.
Relaterte konverteringspar for FASTA
Konverter en støttet FASTA-sekvens til en enkel GenBank-lignende post. Biologiske funksjonsannoteringer utledes eller legges ikke til.
Konvertering av en GenBank-flatfil til en FASTA-sekvens fjerner annoteringsmetadata for å etterlate kun de rå nukleotid- eller aminosyresekvensene som trengs for rask bioinformatisk analyse.