Convertor GenBank în FASTA
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.
Compararea formatelor și specificații tehnice
| Specificație | GENBANK | FASTA |
|---|---|---|
| Tip MIME | text/ | text/ |
| Tip | fișier plat cu nucleotide adnotate | text cu secvențe bioinformatice |
| Compresie | niciuna (text pur) | niciuna (text pur) |
| Specificație standard | NCBI GenBank Flatfile Release Notes | NCBI FASTA Specification |
| Antet Magic Bytes | 4C 4F 43 55 53 20 20 20 20 (LOCUS ) | 3E ('>' Sequence header line) |
Prezentare generală a formatului și aplicații
Înregistrările GenBank includ datele secvenței și adnotări. FASTA stochează o secvență împreună cu o linie de descriere și este acceptat de multe instrumente de aliniere și căutare, inclusiv BLAST, dacă este formatat conform cerințelor instrumentului. Conversia în FASTA elimină adnotările, iar cerințele de intrare diferă între aplicațiile bioinformatice.
Specificații tehnice și detalii despre codecuri
Formatul de fișier GenBank utilizează tipul MIME text/plain și conține text puternic structurat, organizat în secțiuni de cuvinte cheie distincte, cum ar fi LOCUS, DEFINITION, ACCESSION și ORIGIN. Formatul FASTA utilizează, de asemenea, tipul MIME text/plain, dar elimină toate secțiunile, cu excepția unei singure linii de antet care începe cu un simbol „mai mare decât" și a rândurilor ulterioare de litere ale secvenței brute. Niciun format nu utilizează compresia în mod implicit, ceea ce înseamnă că ambele există ca fișiere text simplu codificate în ASCII sau UTF-8. Semnăturile de tip magic bytes nu există pentru aceste formate text simplu. În schimb, software-ul le identifică prin scanarea anteturilor text inițiale, căutând cuvinte cheie precum LOCUS în fișierele GenBank sau caracterul „>" în fișierele FASTA. Deoarece FASTA păstrează doar datele secvenței și elimină adnotările, conversia este strict unidirecțională pentru secvența în sine, deși orice note biologice din fișierul plan original se pierd în rezultatul generat.
Compatibilitate SO și browser
FASTA și GenBank sunt formate text, dar aplicațiile pot impune anumite reguli de împărțire a liniilor, identificatori, alfabete de secvență sau câmpuri de înregistrare. Multe instrumente bioinformatice citesc FASTA; verifică varianta și setările acceptate de instrumentul pe care vrei să-l folosești.
Informații utile
Păstrează o copie de rezervă a fișierului GenBank original înainte să rulezi un script de conversie. După ce elimini adnotările și obții un fișier FASTA, nu mai poți recupera doar din secvență coordonatele originale ale genelor, referințele bibliografice sau tabelele de traducere.
Întrebări frecvente
Cum convertești un fișier GenBank în secvență FASTA fără a pierde calitatea?
Conversia nu pierde din datele secvenței genetice propriu-zise: literele pentru nucleotide sau proteine rămân neschimbate. Totuși, se pierd adnotările biologice descriptive, precum numele genelor, citările autorilor și tabelele de caracteristici, deoarece formatul FASTA este conceput să conțină doar antetul și secvența.
Care este diferența dintre un fișier GenBank și o secvență FASTA?
Un fișier GenBank este un document complex, alcătuit din mai multe secțiuni, care conține metadate biologice bogate și secvența brută la final. O secvență FASTA este un format text minimal, alcătuit dintr-o singură linie de descriere, precedată de simbolul „mai mare decât” (>), urmată de liniile secvenței brute.