Secvență FASTA (.fasta)
FASTA StandardFASTA este un format text uzual pentru secvențe; dimensiunea depinde de date și formatare. Înregistrările GenBank diferă, iar statisticile se schimbă la fiecare ediție.
Convertește din FASTA în GENBANK
Convertor gratuit din FASTA în GENBANK direct în browser. Convertește fișiere instantaneu pe dispozitivul tău.
Inspectare și metadate
Sistemele de operare și analizatoarele de fișiere identifică fișierele FASTA prin inspectarea secvenței binare inițiale:
Semnătura antetului la nivel de octet (octeți magici)
Sistemele de operare și analizatoarele de fișiere identifică fișierele FASTA prin inspectarea secvenței binare inițiale:
SEMNĂTURĂ HEXAZECIMALĂ (DECALAJ 0):
3EREPREZENTARE ASCII: >
Standardizare: FASTA este un format text uzual pentru secvențe; dimensiunea depinde de date și formatare. Înregistrările GenBank diferă, iar statisticile se schimbă la fiecare ediție.
Specificații tehnice
| Arhitectură container | Fișier de secvență text simplu: liniile de antet încep cu „>”, urmat de identificatorul secvenței, iar liniile următoare conțin coduri de nucleotide sau aminoacizi, fiecare reprezentat de o literă |
| Compresie | Text necomprimat (adesea comprimat cu Gzip ca .fasta.gz sau .fa.gz) |
| Ordinea octeților | Flux de text ASCII / UTF-8 |
| Spații de culoare | Nu se aplică (date de secvență genomică) |
| Canale și structură | Coduri de acizi nucleici (A, C, G, T, U, N) sau coduri IUPAC pentru cei 20 de aminoacizi ai proteinelor |
| Dimensiuni maxime | Lungime nelimitată a secvenței (acceptă cromozomi umani întregi, de peste 250 de milioane de perechi de baze) |
| Transparență | Niciuna |
| Streaming și progresiv | Procesare secvențială în flux, înregistrare cu înregistrare |
Matrice de comparație tehnică: FASTA vs. concurenți
| Atribut tehnic | FASTA (Curent) | FASTQ | GENBANK | GFF |
|---|---|---|---|---|
| Scoruri de calitate | Niciuna (doar litere de secvență) | Scoruri de calitate Phred per bază | Niciunul (anotații de caracteristici) | Niciunul (coordonate de caracteristici) |
| Linie de antet | Începe cu caracterul '>' | Începe cu caracterul '@' | Bloc LOCUS structurat | Coloane genomice delimitate prin tabulatori |
| Utilizare primară | Genomuri de referință și căutare BLAST | Secvențiatoare de mare debit pentru date brute (Illumina) | Gene adnotate cuprinzătoare | Anotații ale caracteristicilor genomice |
| Dimensiune fișier (Uman) | FASTA este un format text uzual pentru secvențe; dimensiunea depinde de date și formatare. Înregistrările GenBank diferă, iar statisticile se schimbă la fiecare ediție. | ~100+ gigaocteți (cu scoruri de calitate) | Text formatat de ordinul mai multor gigaocteți | ~50 Megabaiți |
Moduri comune de corupție și ghid de recuperare hexazecimală
Instrumentul de bioinformatică raportează 'Caracter de secvență nevalid la linia X'.
Cauză principală: Spații albe, numere sau caractere non-IUPAC în interiorul liniilor de secvență.
Recuperare: Filtrează și curăță caracterele secvenței cu Bioinformatics Tool din File2File.app.
Analiză de securitate și vectori de atac asupra parserului
Instrumentele de genomică analizează fișiere FASTA masive de mulți gigabiți unde pot apărea depășiri de capacitate a numerelor întregi la indexarea coordonatelor secvenței.
Vectori de atac cunoscuți
- Depășire de capacitate a numerelor întregi în indexatorii de secvențe pe 32 de biți (FAI) care depășesc 2^31 perechi de baze.
- Depășire de tampon la citirea antetelor de identificare a secvenței excesiv de lungi.
- Refuzul serviciului prin interogări de aliniere patologice.
Cele mai bune practici de securitate: Folosește tipuri de coordonate pe 64 de biți și verifică respectarea lungimii maxime a antetului.
Origini istorice și repere
Avantaje cheie și beneficii
- FASTA este folosit pe scară largă pentru secvențe biologice, dar compatibilitatea instrumentelor, bazelor de date și aparatelor variază în funcție de fluxul de lucru.
- Simplitate extremă: linia 1 începe cu '>' urmată de un ID și apoi de litere genetice în text simplu.
- Capacitate pentru mai multe secvențe: un singur fișier poate conține mii de gene individuale sau genomuri virale complete.
Limitări tehnice și dezavantaje
- Nu conține scoruri de calitate a secvențierii (spre deosebire de FASTQ, care stochează scoruri de încredere Phred per bază).
- Fără sintaxă de metadate standardizată pentru liniile de antet dincolo de identificatorul inițial.
- Amprentă de stocare enormă pentru seturile de date de întreg genomul fără Gzip sau compresie genomică specializată.
Curiozități tehnice interesante
- FASTA este un format text uzual pentru secvențe; dimensiunea depinde de date și formatare. Înregistrările GenBank diferă, iar statisticile se schimbă la fiecare ediție.
- Cele patru litere ale ADN-ului stocate în fișierele FASTA sunt A (Adenină), C (Citozină), G (Guanină) și T (Timină).
- Când genomul coronavirusului COVID-19 a fost secvențiat pentru prima dată în ianuarie 2020, oamenii de știință l-au distribuit la nivel global ca un fișier FASTA de 30.000 de litere.
Întrebări tehnice frecvente
Ce este un fișier FASTA?
Un fișier FASTA este un fișier text simplu utilizat în biologie pentru a stoca secvențe de ADN, ARN sau proteine folosind abrevieri dintr-o singură literă.
Care este diferența dintre FASTA și FASTQ?
FASTA stochează doar literele secvenței genetice, în timp ce FASTQ stochează atât literele, cât și scorul de calitate a preciziei secvențierii pentru fiecare bază.
Cum pot vizualiza un fișier FASTA?
Poți deschide fișiere FASTA în orice editor de text, le poți vizualiza în programe de bioinformatică precum Jalview sau UGENE ori le poți converti folosind File2File.app.
Perechi de conversie FASTA conexe
Convertorul transformă secvența FASTA într-o înregistrare de bază în stil GenBank și o scrie în secțiunea ORIGIN; nu deduce și nu adaugă adnotări pentru caracteristici biologice.
Conversia unui fișier text GenBank în secvență FASTA elimină metadatele de adnotare și păstrează doar secvențele brute de nucleotide sau aminoacizi necesare pentru analize bioinformatice rapide.