Konvertor FASTA sekvenci na GenBank súbory
Konverzia obyčajnej sekvencie FASTA na súbor GenBank pridáva k surovému genetickému kódu dôležité biologické anotácie a metadátové záznamy.
Porovnanie formátov a technické špecifikácie
| Špecifikácia | FASTA | GENBANK |
|---|---|---|
| MIME typ | text/plain | text/plain |
| Typ | bioinformatics sequence text | annotated nucleotide flatfile |
| Kompresia | none (plain text) | none (plain text) |
| Štandardná špecifikácia | NCBI FASTA Specification | NCBI GenBank Flatfile Release Notes |
| Hlavička magických bajtov | 3E ('>' Sequence header line) | 4C 4F 43 55 53 20 20 20 20 (LOCUS ) |
Prehľad formátu a použitie
Genomickí výskumníci často prechádzajú medzi jednoduchým textom sekvencií a podrobne anótovanými záznamami. Súbor FASTA poskytuje ľahký kontajner obsahujúci iba hlavičku začínajúcu symbolom väčšie než a surové písmená nukleotidov alebo aminokyselín. Táto jednoduchosť sa výborne hodí pre základné zarovnávacie nástroje a vyhľadávanie sekvencií. Keď však vedci potrebujú publikovať nové Genómy alebo študovať špecifické génové vlastnosti, vyžadujú štruktúrované metadáta. Formát GenBank tento problém rieši zabalením genetickej sekvencie do pevného viacriadkového textového dokumentu. Obsahuje štruktúrované sekcie pre názvy lokusov, taxonómiu organizmov, publikačné odkazy a tabuľky vlastností, ktoré presne určujú umiestnenie génov, kódujúcich oblastí a promótora na chromozóme. Bioinformatické kanály, prehliadače genómov a portály na odosielanie údajov, ako je NCBI GenBank, spoliehajú na túto bohatú štruktúru anotácií na správne pochopenie surovej DNA. Vykonaním tejto konverzie sa prekonáva priepasť medzi objavom surovej sekvencie a formálnym biologickým popisom. Zatiaľ čo súbor FASTA jednoducho uvádza, aké písmená sa v DNA nachádzajú, cieľový súbor GenBank vysvetľuje, čo tieto písmená skutočne robia vo vnútri živej bunky.
Technické špecifikácie a prehľad kodekov
Oba formáty využívajú nekomprimovaný obyčajný text s typom MIME text/plain, čo znamená, že sa nespoliehajú na binárne podpisy magických bajtov ani proprietárne hlavičky. Namiesto toho závisia od pravidiel štruktúrovaného parsovania. Súbory FASTA používajú text ASCII začínajúci znakom '>' pre hlavičku a štandardné jednopísmenové kódy pre nukleotidy (A, C, G, T, N). GenBank súbory využívajú prísnu riadkovú architektúru začínajúcu kľúčovým slovom 'LOCUS' a končiacu ukončovacím znakom '//'. Konverzné nástroje musia čítať surové reťazcové údaje zo vstupu FASTA, priradiť sekvenciu do štandardného bloku ORIGIN v GenBank a vložiť používateľom dodané alebo predikované anotačné bloky do sekcie FEATURES. Keďže oba súbory sú v čistom texte, konverzia je úplne bezstratová, pokiaľ ide o primárne údaje sekvencie, hoci anotácie sa musia pridať manuálne alebo vypočítať, pretože FASTA postráda štruktúrované metadáta.
Kompatibilita s OS a prehliadačmi
Keďže oba formáty sú štandardným textom ASCII, vyznačujú sa univerzálnou kompatibilitou vo všetkých moderných operačných systémoch a hardvérových platformách. Môžete ich otvárať a upravovať v systémoch Windows, macOS a Linux pomocou základných textových editorov alebo špecializovaných bioinformatických balíkov, ako sú Geneious, SnapGene a Artemis. Webové prehliadače dokážu vykresliť oba typy súborov natívne v textových oblastiach alebo prostredníctvom prehliadačov sekvencií založených na jazyku JavaScript. Nástroje príkazového riadka, ako sú Biopython, EMBOSS a NCBI BLAST, bezproblémovo analyzujú tieto súbory v desktopových termináloch, vysokovýkonných výpočtových clusteroch a cloudových prostrediach.
💡 Užitočné informácie
Pred konverziou vždy skontrolujte abecedu sekvencie, pretože primiešanie kódov aminokyselin do nukleotidového záznamu GenBank spôsobí, že analyzátory pre odosielanie do NCBI výsledok odmietnu.
Porovnanie formátov a technické špecifikácie
Typický súbor bakteriálneho chromozómu s veľkosťou 5 megabajtov vo formáte FASTA narastie po rozšírení na plne anótovaný GenBank súbor na približne 15 megabajtov v dôsledku pridaných tabuliek vlastností a opisného textu. Pri štandardnom 4G mobilnom pripojení s rýchlosťou 30 megabitov za sekundu sa tento 15-megabajtový súbor prenesie približne za 4 sekundy. V sieti 5G s rýchlosťou 150 megabitov za sekundu klesá čas prenosu pod 1 sekundu. Cez moderné optické pripojenie s rýchlosťou 1 gigabit za sekundu sa súbor presunie okamžite za zlomok sekundy.
Často kladené otázky
Ako previesť FASTA sekvenciu na GenBank súbor bez straty kvality?
Konverzia je pre základnú genetickú sekvenciu úplne bezstratová, pretože oba formáty ukladajú presne rovnaké nukleotidové alebo proteínové písmená. Keďže však súbory FASTA neobsahujú biologické anotácie, každý konvertovaný súbor GenBank bude vyžadovať buď automatickú predikciu génov, alebo manuálnu anotáciu na správne vyplnenie tabuliek vlastností.
Aký je rozdiel medzi FASTA sekvenciou a GenBank súborom?
Súbor FASTA je minimalistický textový formát obsahujúci iba jednoduchý riadok hlavičky a surové reťazce sekvencií. Súbor GenBank je vysoko štruktúrovaný dokument rozdelený do definovaných sekcií, ako sú LOCUS, DEFINITION, ACCESSION, SOURCE, FEATURES a ORIGIN, na ukladanie bohatých biologických metadát spolu so sekvenciou.