FASTA-последовательность (.fasta)
FASTA СтандартFASTA это распространенный текстовый формат последовательностей; размер зависит от данных и форматирования. Записи GenBank различаются, а статистика обновляется с каждым выпуском.
Конвертировать из FASTA в GENBANK
Бесплатный конвертер из FASTA в GENBANK прямо в браузере. Конвертируйте файлы мгновенно на Вашем устройстве.
Анализ и метаданные
Операционные системы и анализаторы файлов идентифицируют файлы FASTA по начальной двоичной последовательности байтов:
Сигнатура заголовка на уровне байтов (Magic Bytes)
Операционные системы и анализаторы файлов идентифицируют файлы FASTA по начальной двоичной последовательности байтов:
HEX-СИГНАТУРА (СМЕЩЕНИЕ 0):
3EПРЕДСТАВЛЕНИЕ ASCII: >
Стандартизация: FASTA это распространенный текстовый формат последовательностей; размер зависит от данных и форматирования. Записи GenBank различаются, а статистика обновляется с каждым выпуском.
Технические спецификации
| Архитектура контейнера | Текстовый файл последовательности: строки заголовков начинаются с '>', за которым следует идентификатор последовательности; в последующих строках содержатся однобуквенные коды нуклеотидов или аминокислот |
| Сжатие | Несжатый текст (часто сжимается с помощью Gzip как .fasta.gz или .fa.gz) |
| Порядок байтов (Endianness) | Текстовый поток ASCII / UTF-8 |
| Цветовые пространства | Н/Д (Данные геномных последовательностей) |
| Каналы и структура | Коды нуклеиновых кислот (A, C, G, T, U, N) или коды IUPAC для 20 аминокислот |
| Максимальные размеры | Неограниченная длина последовательности (поддерживает целые хромосомы человека размером более 250 миллионов пар оснований) |
| Прозрачность | Отсутствует |
| Потоковая передача и прогрессивная загрузка | Последовательная потоковая обработка запись за записью |
Техническая матрица сравнения: FASTA с конкурентами
| Технический атрибут | FASTA (Текущий) | FASTQ | GENBANK | GFF |
|---|---|---|---|---|
| Оценки качества | Отсутствуют (чистые буквы последовательности) | Показатели качества Phred для каждого основания | Отсутствуют (аннотации признаков) | Отсутствуют (координаты признаков) |
| Строка заголовка | Начинается с символа '>' | Начинается с символа '@' | Структурированный блок LOCUS | Геномные столбцы, разделенные символами табуляции |
| Основное назначение | Референтные геномы и поиск BLAST | Секвенаторы для высокопроизводительного секвенирования (Illumina) | Комплексные аннотированные гены | Аннотации геномных признаков |
| Размер файла (человек) | FASTA это распространенный текстовый формат последовательностей; размер зависит от данных и форматирования. Записи GenBank различаются, а статистика обновляется с каждым выпуском. | ~100+ гигабайт (с показателями качества) | Многогигабайтный текст с разметкой | ~50 мегабайт |
Распространенные сценарии повреждения и руководство по восстановлению в HEX
Инструмент биоинформатики сообщает: 'Недопустимый символ последовательности в строке X'.
Первопричина: Пробелы, цифры или символы вне номенклатуры IUPAC внутри строк последовательности.
Восстановление: Фильтрация и очистка символов последовательности с помощью File2File.app Bioinformatics Tool.
Анализ безопасности и векторы атак на парсер
Инструменты геномики анализируют массивные многогигабайтные файлы FASTA, где при индексировании координат последовательности может происходить переполнение целых чисел.
Известные векторы атак
- Переполнение целых чисел в 32-разрядных индексаторах последовательностей (FAI) при работе с последовательностями длиной более 2^31 пар оснований.
- Переполнение буфера при чтении чрезмерно длинных заголовков идентификаторов последовательностей.
- Отказ в обслуживании посредством патологических запросов выравнивания.
Лучшие практики защиты: Используйте 64-разрядные типы координат и применяйте проверку максимальной длины заголовка.
История происхождения и ключевые этапы
Ключевые преимущества и плюсы
- Бесспорный глобальный стандарт вычислительной биологии: используется каждым геномным инструментом, секвенатором и базой данных на Земле.
- Исключительная простота: строка 1 начинается с '>', за которым следует идентификатор, а затем идут обычные буквенные обозначения генетической последовательности.
- Емкость для множества последовательностей: один файл может содержать тысячи отдельных генов или полных вирусных геномов.
Технические ограничения и минусы
- Не содержит оценок качества секвенирования (в отличие от FASTQ, который хранит показатели достоверности Phred для каждого основания).
- Отсутствует стандартизированный синтаксис метаданных для строк заголовков помимо первоначального идентификатора.
- Огромный объем хранилища для наборов данных полного генома без Gzip или специализированного геномного сжатия.
Интересные технические факты
- FASTA это распространенный текстовый формат последовательностей; размер зависит от данных и форматирования. Записи GenBank различаются, а статистика обновляется с каждым выпуском.
- Четыре буквы ДНК, хранящиеся в файлах FASTA,: это A (аденин), C (цитозин), G (гуанин) и T (тимин).
- Когда геном коронавируса COVID-19 был впервые секвенирован в январе 2020 года, ученые поделились им во всем мире в виде файла FASTA длиной 30 000 букв.
Часто задаваемые технические вопросы
Что такое файл FASTA?
Файл FASTA: это простой текстовый файл, используемый в биологии для хранения последовательностей ДНК, РНК или белков с использованием однобуквенных аббревиатур.
В чем разница между FASTA и FASTQ?
FASTA хранит только буквенные обозначения генетической последовательности, а FASTQ: и последовательность, и оценку точности секвенирования для каждого основания.
Как просмотреть файл FASTA?
Вы можете открыть файлы FASTA в любом текстовом редакторе, просмотреть их в программном обеспечении для биоинформатики, таком как Jalview или UGENE, или конвертировать их с помощью File2File.app.
Связанные конвертации для FASTA
Конвертер преобразует последовательность FASTA в базовую запись в стиле GenBank и записывает ее в раздел ORIGIN; он не выводит и не добавляет аннотации биологических признаков.
Преобразование плоского файла GenBank в последовательность FASTA удаляет метаданные аннотаций, оставляя только нуклеотидные или аминокислотные последовательности, необходимые для быстрого биоинформатического анализа.