Sequência FASTA (.fasta)
FASTA PadrãoFASTA é um formato de texto comum para sequências; o tamanho depende dos dados e da formatação. Os registros GenBank variam e as estatísticas mudam a cada versão.
Converter FASTA para GENBANK
Conversor gratuito de FASTA para GENBANK no navegador. Converta arquivos instantaneamente no seu dispositivo.
Inspeção e metadados
Sistemas operacionais e analisadores de arquivos identificam arquivos FASTA pela sequência inicial de bytes:
Assinatura do arquivo em bytes (magic bytes)
Sistemas operacionais e analisadores de arquivos identificam arquivos FASTA pela sequência inicial de bytes:
ASSINATURA HEXADECIMAL (DESLOCAMENTO 0):
3EREPRESENTAÇÃO ASCII: >
Padronização: FASTA é um formato de texto comum para sequências; o tamanho depende dos dados e da formatação. Os registros GenBank variam e as estatísticas mudam a cada versão.
Especificações técnicas
| Estrutura do contêiner | Arquivo de texto simples em que as linhas de cabeçalho começam com ">" e trazem um identificador; as linhas seguintes contêm códigos de uma letra para nucleotídeos ou aminoácidos |
| Compressão | Texto sem compactação (muitas vezes compactado com Gzip, como .fasta.gz ou .fa.gz) |
| Ordem dos bytes (endianness) | Fluxo de texto ASCII/UTF-8 |
| Espaços de cor | Não se aplica (dados de sequências genômicas) |
| Canais e Estrutura | Códigos de ácidos nucleicos (A, C, G, T, U, N) ou códigos IUPAC para os 20 aminoácidos |
| Dimensões Máximas | Comprimento de sequência sem limite definido (pode conter cromossomos humanos inteiros com mais de 250 milhões de pares de bases) |
| Transparência | Nenhuma |
| Streaming e Progressivo | Processamento sequencial em fluxo, registro por registro |
Matriz de comparação técnica: FASTA e formatos concorrentes
| Atributo técnico | FASTA (Atual) | FASTQ | GENBANK | GFF |
|---|---|---|---|---|
| Pontuações de Qualidade | Nenhuma (apenas letras de sequência) | Pontuações de qualidade Phred por base | Nenhuma (anotações de características) | Nenhuma (coordenadas de características) |
| Linha de Cabeçalho | Começa com o caractere '>' | Começa com o caractere '@' | Bloco LOCUS estruturado | Colunas genômicas delimitadas por tabulação |
| Uso Principal | Genomas de referência e busca BLAST | Sequenciadores de alto rendimento brutos (Illumina) | Genes anotados abrangentes | Anotações de recursos genômicos |
| Tamanho do Arquivo (Humano) | FASTA é um formato de texto comum para sequências; o tamanho depende dos dados e da formatação. Os registros GenBank variam e as estatísticas mudam a cada versão. | ~100+ Gigabytes (com qualidades) | Texto rico de vários gigabytes | ~50 Megabytes |
Modos comuns de corrupção e guia de recuperação com editor hexadecimal
A ferramenta de bioinformática relata 'Caractere de sequência inválido na linha X'.
Causa principal: Espaços em branco, números ou caracteres não IUPAC dentro das linhas de sequência.
Recuperação: Filtre e limpe os caracteres de sequência usando a Ferramenta de Bioinformática File2File.app.
Análise de segurança e vetores de ataque a analisadores
Ferramentas de genômica analisam arquivos FASTA massivos de vários gigabytes onde estouros de inteiros podem ocorrer ao indexar coordenadas de sequência.
Vetores de ataque conhecidos
- Estouro de inteiro em indexadores de sequência de 32 bits (FAI) excedendo 2^31 pares de bases.
- Estouro de buffer ao ler cabeçalhos de identificadores de sequência excessivamente longos.
- Negação de serviço através de consultas de alinhamento patológicas.
Melhores práticas defensivas: Use tipos de coordenadas de 64 bits e aplique validação de comprimento máximo de cabeçalho.
Origens históricas e marcos
Principais vantagens
- Padrão global da biologia computacional, usado em ferramentas de genômica, sequenciadores e bancos de dados.
- Simplicidade extrema: a linha 1 começa com '>', seguida por um ID e por letras genéticas em texto puro.
- Capacidade para várias sequências: um único arquivo pode conter milhares de genes individuais ou genomas virais completos.
Limitações técnicas e desvantagens
- Não contém pontuações de qualidade de sequenciamento (ao contrário do FASTQ, que armazena pontuações de confiança Phred por base).
- Nenhuma sintaxe de metadados padronizada para linhas de cabeçalho além do identificador inicial.
- Pegada de armazenamento enorme para conjuntos de dados de genoma inteiro sem Gzip ou compressão genômica especializada.
Curiosidades técnicas
- FASTA é um formato de texto comum para sequências; o tamanho depende dos dados e da formatação. Os registros GenBank variam e as estatísticas mudam a cada versão.
- As quatro letras de DNA armazenadas em arquivos FASTA são A (Adenina), C (Citosina), G (Guanina) e T (Timina).
- Quando o genoma do coronavírus COVID-19 foi sequenciado pela primeira vez em janeiro de 2020, os cientistas o compartilharam globalmente como um arquivo FASTA de 30.000 letras.
Perguntas técnicas frequentes
O que é um arquivo FASTA?
Um arquivo FASTA é um arquivo de texto simples usado na biologia para armazenar sequências de DNA, RNA ou proteínas usando abreviações de uma única letra.
Qual é a diferença entre FASTA e FASTQ?
O FASTA armazena apenas as letras da sequência genética, enquanto o FASTQ armazena tanto as letras quanto a pontuação de qualidade de precisão de sequenciamento para cada base.
Como posso visualizar um arquivo FASTA?
Você pode abrir arquivos FASTA em qualquer editor de texto, visualizá-los em softwares de bioinformática como Jalview ou UGENE, ou convertê-los usando o File2File.app.
Conversões de FASTA relacionadas
O conversor transforma a sequência FASTA num registo básico ao estilo GenBank e escreve-a na secção ORIGIN; não infere nem acrescenta anotações de características biológicas.
Converter um arquivo GenBank para FASTA remove os metadados de anotação e mantém apenas as sequências brutas de nucleotídeos ou aminoácidos necessárias para análises rápidas de bioinformática.