Konwerter sekwencji FASTA na plik płaski GenBank
Konwersja zwykłej sekwencji FASTA na plik płaski GenBank dodaje niezbędne adnotacje biologiczne i metadane do surowego kodu genetycznego.
Porównanie formatów i specyfikacja techniczna
| Specyfikacja | FASTA | GENBANK |
|---|---|---|
| Typ MIME | text/plain | text/plain |
| Typ | bioinformatics sequence text | annotated nucleotide flatfile |
| Kompresja | none (plain text) | none (plain text) |
| Standardowa specyfikacja | NCBI FASTA Specification | NCBI GenBank Flatfile Release Notes |
| Nagłówek magic bytes | 3E ('>' Sequence header line) | 4C 4F 43 55 53 20 20 20 20 (LOCUS ) |
Przegląd formatu i zastosowania
Badacze zajmujący się genomiką często przechodzą między prostym tekstem sekwencji a mocno adnotowanymi rekordami. Plik FASTA zapewnia lekki kontener mieszczący jedynie linię nagłówka rozpoczynającą się od symbolu większości oraz surowe litery nukleotydów lub aminokwasów. Ta prostota świetnie sprawdza się w przypadku podstawowych narzędzi dopasowywania i wyszukiwania sekwencji. Jednak gdy naukowcy muszą publikować nowe genomy lub badać konkretne cechy genowe, potrzebują ustrukturyzowanych metadanych. Format pliku płaskiego GenBank rozwiązuje ten problem, owijając sekwencję genetyczną w sztywny, wieloliniowy dokument tekstowy. Zawiera on ustrukturyzowane sekcje dotyczące nazw locus, taksonomii organizmów, odniesień do publikacji oraz tabel cech, które dokładnie wskazują, gdzie na chromosomie znajdują się geny, regiony kodujące i promotory. Potoki bioinformatyczne, przeglądarki genomów i portale przesyłania danych, takie jak NCBI GenBank, opierają się na tej bogatej strukturze adnotacji, aby zrozumieć surowe DNA. Przeprowadzenie tej konwersji stanowi pomost między odkryciem surowej sekwencji a formalnym opisem biologicznym. O ile plik FASTA po prostu określa, jakie litery znajdują się w DNA, o tyle docelowy plik GenBank wyjaśnia, co te litery faktycznie robią wewnątrz żywej komórki.
Specyfikacja techniczna i analiza kodeków
Oba formaty wykorzystują nieskompresowany, zwykły tekst o typie MIME text/plain, co oznacza, że żaden z nich nie opiera się na binarnych sygnaturach magic bytes ani na nagłówkach własnościowych. Zamiast tego zależą od reguł parsowania strukturalnego. Pliki FASTA używają tekstu ASCII zaczynającego się od znaku '>' dla nagłówka oraz standardowych jednoliterowych kodów nukleotydów (A, C, G, T, N). Pliki płaskie GenBank wykorzystują ścisłą architekturę opartą na liniach, zaczynającą się od słowa kluczowego 'LOCUS' i kończącą się terminatorem '//'. Narzędzia konwersyjne muszą odczytać surowe dane ciągowego tekstu z wejścia FASTA, przyporządkować sekwencję do standardowego bloku ORIGIN w formacie GenBank oraz wstrzyknąć dostarczone przez użytkownika lub przewidywane bloki adnotacji do sekcji FEATURES. Ponieważ oba pliki są zwykłym tekstem, konwersja jest całkowicie bezstratna w odniesieniu do pierwotnych danych sekwencji, choć adnotacje muszą zostać dodane ręcznie lub przewidziane komputerowo, ponieważ format FASTA nie posiada metadanych strukturalnych.
Zgodność z systemami operacyjnymi i przeglądarkami
Ponieważ oba formaty są standardowym tekstem ASCII, cieszą się uniwersalną kompatybilnością we wszystkich nowoczesnych systemach operacyjnych i platformach sprzętowych. Możesz je otwierać i edytować w systemach Windows, macOS i Linux za pomocą podstawowych edytorów tekstowych lub specjalistycznych pakietów bioinformatycznych, takich jak Geneious, SnapGene i Artemis. Przeglądarki internetowe mogą natywnie wyświetlać oba typy plików w obszarach tekstowych lub za pomocą przeglądarek sekwencji opartych na języku JavaScript. Narzędzia wiersza poleceń, takie jak Biopython, EMBOSS i NCBI BLAST, bezproblemowo analizują te pliki na terminalach biurkowych, w klastrach obliczeniowych o wysokiej wydajności oraz w środowiskach chmurowych.
💡 Przydatne informacje
Zawsze weryfikuj alfabet swojej sekwencji przed konwersją, ponieważ mieszanie kodów aminokwasów w nukleotydowym rekordzie GenBank spowoduje odrzucenie pliku wyjściowego przez parser zgłoszeniowy NCBI.
Porównanie formatów i specyfikacja techniczna
Typowy plik chromosomu bakteryjnego o wielkości 5 megabajtów w formacie FASTA rośnie do około 15 megabajtów po rozwinięciu do w pełni adnotowanego pliku płaskiego GenBank ze względu na dodane tabele cech i tekst opisowy. Przy standardowym połączeniu komórkowym 4G o prędkości 30 megabitów na sekundę ten 15-megabajtowy plik przesyła się w około 4 sekundy. W sieci 5G działającej z prędkością 150 megabitów na sekundę transfer spada poniżej 1 sekundy. Po nowoczesnym łączu światłowodowym o przepustowości 1 gigabita na sekundę plik przemieszcza się natychmiastowo w ułamku sekundy.
Często zadawane pytania
Jak przekonwertować sekwencję FASTA na plik płaski GenBank bez utraty jakości?
Konwersja jest całkowicie bezstratna dla leżącej u jej podstaw sekwencji genetycznej, ponieważ oba formaty przechowują dokładnie te same litery nukleotydów lub białek. Ponieważ jednak pliki FASTA nie zawierają adnotacji biologicznych, każdy skonwertowany plik GenBank będzie wymagał automatycznego przewidywania genów lub ręcznej adnotacji, aby poprawnie wypełnić tabele cech.
Czym się różni sekwencja FASTA od pliku płaskiego GenBank?
Plik FASTA to minimalistyczny format tekstowy zawierający jedynie prostą linię nagłówka oraz ciągi surowej sekwencji. Plik płaski GenBank to mocno ustrukturyzowany dokument podzielony na zdefiniowane sekcje, takie jak LOCUS, DEFINITION, ACCESSION, SOURCE, FEATURES i ORIGIN, w celu przechowywania bogatych metadanych biologicznych wraz z sekwencją.