Sekwencja FASTA (.fasta)
FASTA StandardFASTA to popularny tekstowy format sekwencji; rozmiar zależy od danych i formatowania. Rekordy GenBank są różne, a statystyki zmieniają się z każdym wydaniem.
Konwertuj FASTA na GENBANK
Darmowy konwerter z FASTA na GENBANK w przeglądarce. Konwertuj pliki natychmiast na swoim urządzeniu.
Inspekcja i metadane
Systemy operacyjne i analizatory plików identyfikują pliki FASTA, sprawdzając początkową sekwencję bajtów binarnych:
Podpis nagłówka na poziomie bajtów (Magic Bytes)
Systemy operacyjne i analizatory plików identyfikują pliki FASTA, sprawdzając początkową sekwencję bajtów binarnych:
PODPIS HEX (OFFSET 0):
3EREPREZENTACJA ASCII: >
Normalizacja: FASTA to popularny tekstowy format sekwencji; rozmiar zależy od danych i formatowania. Rekordy GenBank są różne, a statystyki zmieniają się z każdym wydaniem.
Specyfikacja techniczna
| Architektura kontenera | Tekstowy plik sekwencji, w którym wiersze nagłówka zaczynają się od „>” i zawierają identyfikator sekwencji, a kolejne wiersze pojedyncze kody nukleotydów lub aminokwasów |
| Kompresja | Nieskompresowany tekst, często kompresowany przez Gzip jako .fasta.gz lub .fa.gz |
| Kolejność bajtów (Endianness) | Strumień tekstu ASCII / UTF-8 |
| Przestrzenie kolorów | Nie dotyczy (sekwencja genomowa) |
| Kanały i struktura | Kody kwasów nukleinowych (A, C, G, T, U, N) lub jednoliterowe kody 20 aminokwasów białek |
| Maks. wymiary | Nieograniczona długość sekwencji; może obejmować całe ludzkie chromosomy o długości ponad 250 milionów par zasad |
| Przezroczystość | None |
| Streaming i progresywne ładowanie | Sekwencyjne przetwarzanie strumieniowe kolejnych rekordów |
Techniczna macierz porównawcza: FASTA a konkurencja
| Atrybut techniczny | FASTA (Bieżący) | FASTQ | GENBANK | GFF |
|---|---|---|---|---|
| Wyniki jakości | Brak (zapisuje tylko litery sekwencji) | Wyniki jakości Phred dla każdej zasady | Brak (adnotacje cech) | Brak (współrzędne cech) |
| Linia nagłówka | Zaczyna się od znaku '>' | Zaczyna się od znaku '@' | Strukturalny blok LOCUS | Rozdzielone tabulatorami kolumny genomowe |
| Główne zastosowanie | Genomy referencyjne i wyszukiwanie BLAST | Surowe sekwenatory o wysokiej przepustowości (Illumina) | Kompleksowe geny z adnotacjami | Adnotacje cech genomowych |
| Rozmiar pliku (człowiek) | FASTA to popularny tekstowy format sekwencji; rozmiar zależy od danych i formatowania. Rekordy GenBank są różne, a statystyki zmieniają się z każdym wydaniem. | ~100+ gigabajtów (z ocenami jakości) | Wielogigabajtowy sformatowany tekst | ~50 megabajtów |
Typowe tryby uszkodzeń i przewodnik odzyskiwania szesnastkowego
Narzędzie bioinformatyczne zgłasza błąd 'Nieprawidłowy znak sekwencji w wierszu X'.
Główna przyczyna: Białe znaki, cyfry lub znaki spoza standardu IUPAC w liniach sekwencji.
Odzyskiwanie: Filtruj i oczyszczaj znaki sekwencji za pomocą narzędzia File2File.app Bioinformatics Tool.
Analiza bezpieczeństwa i wektory ataku na parser
Narzędzia genomowe analizują masywne wielogigabajtowe pliki FASTA, w których podczas indeksowania współrzędnych sekwencji może dojść do przepełnienia liczbowego.
Znane wektory ataku
- Przepełnienie liczbowe w 32-bitowych indekserach sekwencji (FAI) przekraczających 2^31 par zasad.
- Przepełnienie bufora podczas odczytu nadmiernie długich nagłówków identyfikatora sekwencji.
- Atak typu odmowa usługi (DoS) poprzez patologiczne zapytania dopasowania.
Najlepsze praktyki obronne: Używaj 64-bitowych typów danych dla współrzędnych i sprawdzaj, czy długość nagłówka nie przekracza ustalonego limitu.
Pochodzenie historyczne i kamienie milowe
Główne zalety
- Uznany na świecie standard biologii obliczeniowej, używany przez narzędzia genomowe, sekwenatory i bazy danych.
- Prosta struktura: pierwszy wiersz zaczyna się od „>” i zawiera identyfikator, a kolejne wiersze zapisują sekwencję jako zwykły tekst.
- Obsługa wielu sekwencji: jeden plik może zawierać tysiące genów lub kompletne genomy wirusów.
Ograniczenia techniczne i wady
- Nie zawiera wyników jakości sekwencjonowania (w przeciwieństwie do FASTQ, który zapisuje wynik jakości Phred dla każdej zasady).
- Brak standaryzowanej składni metadanych dla linii nagłówka poza początkowym identyfikatorem.
- Wymaga dużo miejsca na dane obejmujące całe genomy, jeśli nie używa się Gzip ani specjalistycznej kompresji genomowej.
Ciekawe informacje techniczne
- FASTA to popularny tekstowy format sekwencji; rozmiar zależy od danych i formatowania. Rekordy GenBank są różne, a statystyki zmieniają się z każdym wydaniem.
- Cztery litery DNA przechowywane w plikach FASTA to A (adenina), C (cytozyna), G (guanina) i T (tymina).
- Gdy w styczniu 2020 r. po raz pierwszy zsekwencjonowano genom koronawirusa wywołującego COVID-19, naukowcy udostępnili go na całym świecie jako plik FASTA zawierający 30 000 znaków.
Często zadawane pytania techniczne
Czym jest plik FASTA?
Plik FASTA to plik tekstowy używany w biologii do przechowywania sekwencji DNA, RNA lub białek przy użyciu jednoliterowych skrótów.
Jaka jest różnica między formatem FASTA a FASTQ?
FASTA przechowuje tylko litery sekwencji genetycznej, a FASTQ także wynik jakości sekwencjonowania dla każdej zasady.
Jak mogę wyświetlić plik FASTA?
Możesz otwierać pliki FASTA w dowolnym edytorze tekstowym, oglądać je w oprogramowaniu do bioinformatyki, takim jak Jalview lub UGENE, albo skonwertować je za pomocą File2File.app.
Powiązane pary konwersji FASTA
Konwerter przekształca sekwencję FASTA w podstawowy rekord w stylu GenBank i zapisuje ją w sekcji ORIGIN; nie wyprowadza ani nie dodaje adnotacji cech biologicznych.
Konwersja pliku płaskiego GenBank na sekwencję FASTA usuwa metadane adnotacji, pozostawiając jedynie surowe sekwencje nukleotydów lub aminokwasów niezbędne do szybkiej analizy bioinformatycznej.