Konverter GenBank til FASTA
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.
Format-sammenligning og tekniske spesifikasjoner
| Spesifikasjon | GENBANK | FASTA |
|---|---|---|
| MIME-type | text/ | text/ |
| Type | annotert nukleotid-flatfil | bioinformatisk sekvenstekst |
| Kompresjon | ingen (ren tekst) | ingen (ren tekst) |
| Standardsesifikasjon | NCBI GenBank Flatfile Release Notes | NCBI FASTA Specification |
| Signatur med magiske byte | 4C 4F 43 55 53 20 20 20 20 (LOCUS ) | 3E ('>' Sequence header line) |
Oversikt og bruksområder for formatet
GenBank-poster inneholder sekvensdata og annoteringer. FASTA lagrer en sekvens med en definisjonslinje og godtas av mange sekvensjusterings- og søkeverktøy, også BLAST, når filen er formatert for verktøyet. Konvertering til FASTA fjerner annoteringene, og kravene til inndata varierer mellom bioinformatikkprogrammer.
Tekniske spesifikasjoner og kodekoversikt
GenBank-flatfilformatet bruker MIME-typen text/plain og inneholder tungt strukturert tekst organisert i distinkte nøkkelordsseksjoner som LOCUS, DEFINITION, ACCESSION og ORIGIN. FASTA-formatet bruker også MIME-typen text/plain, men utelater alle seksjoner unntatt en enkelt overskriftslinje som begynner med et større enn-tegn, etterfulgt av de påfølgende radene med rå sekvensbokstaver. Ingen av formatene bruker komprimering som standard, noe som betyr at begge eksisterer som ren ASCII- eller UTF-8-kodet tekst. Magiske bytesignaturer finnes ikke for disse ren tekst-formatene. I stedet identifiserer programvare dem ved å skanne de første tekstoverskriftene, og ser etter nøkkelord som LOCUS i GenBank-filer eller tegnet '>' i FASTA-filer. Fordi FASTA kun beholder sekvensdataene og forkaster annoteringene, er konverteringen strengt ensrettet for selve sekvensen, selv om eventuelle biologiske merknader i den opprinnelige flatfilen går tapt i resultatet.
OS- og nettleserkompatibilitet
FASTA og GenBank er tekstformater, men programmer kan kreve bestemte linjebrytingsregler, identifikatorer, sekvensalfabeter eller postfelt. Mange bioinformatikkverktøy leser FASTA. Kontroller hvilket format og hvilke innstillinger verktøyet du skal bruke, godtar.
Nyttig informasjon
Ta alltid en sikkerhetskopi av den opprinnelige GenBank-flatfilen før du kjører et konverteringsskript. Når du først har fjernet annoteringene til en FASTA-fil, kan du ikke gjenopprette de opprinnelige genkoordinatene, publikasjonsreferansene eller oversettelsestabellene fra selve sekvensdataene alene.
Ofte stilte spørsmål
Hvordan konverterer du GenBank-flatfil til FASTA-sekvens uten tap av kvalitet?
Konverteringen er fullstendig tapsfri når det gjelder de faktiske genetiske sekvensdataene. Nukleotid- eller proteinbokstavene forblir nøyaktige. Du mister imidlertid alle beskrivende biologiske annoteringer, som gennavn, forfattersitater og funksjonstabeller, fordi FASTA-formatet er utformet for å lagre kun overskriften og selve sekvensen.
Hva er forskjellen mellom GenBank-flatfil og FASTA-sekvens?
En GenBank-flatfil er et komplekst dokument med flere seksjoner som inneholder rike biologiske metadata og den rå sekvensen nederst. En FASTA-sekvens er et minimalt tekstformat som utelukkende består av en enkelt beskrivende overskriftslinje innledet av et større enn-tegn, etterfulgt av de rå sekvenslinjene.