Konvertor GenBank súborov na FASTA sekvencie
Konverzia GenBank súboru na FASTA sekvenciu odstráni metadátové anotácie a ponechá iba surové nukleotidové alebo aminokyselinové sekvencie potrebné na rýchlu bioinformatickú analýzu.
Porovnanie formátov a technické špecifikácie
| Špecifikácia | GENBANK | FASTA |
|---|---|---|
| MIME typ | text/plain | text/plain |
| Typ | annotated nucleotide flatfile | bioinformatics sequence text |
| Kompresia | none (plain text) | none (plain text) |
| Štandardná špecifikácia | NCBI GenBank Flatfile Release Notes | NCBI FASTA Specification |
| Hlavička magických bajtov | 4C 4F 43 55 53 20 20 20 20 (LOCUS ) | 3E ('>' Sequence header line) |
Prehľad formátu a použitie
Výskumníci často premieňajú anótované genetické záznamy na jednoduché formáty sekvencií pri vykonávaní rozsiahlych výpočtových porovnaní. GenBank súbor obsahuje bohaté biologické informácie, ako sú mená autorov, dátumy publikovania, súradnice génov a funkčné vlastnosti. Programy určené na zarovnávanie sekvencií, vytváranie fylogenetických stromov a vyhľadávanie v databázach však často nedokážu prečítať toto zložité štruktúrované balenie. Konverzia súboru do formátu FASTA extrahuje jadrový genetický kód. Tento proces robí údaje kompatibilnými so štandardnými nástrojmi na zarovnávanie, ako sú BLAST, Clustal Omega a Bowtie. Bioinformatické kanály sa spoliehajú na túto transformáciu, pretože záznamy surových sekvencií sa spracúvajú oveľa rýchlejšie, keď výpočtové nástroje nemusia analyzovať biologické metadáta.
Technické špecifikácie a prehľad kodekov
Formát GenBank používá typ MIME text/plain a obsahuje vysoko štruktúrovaný text usporiadaný do samostatných sekcií s kľúčovými slovami, ako sú LOCUS, DEFINITION, ACCESSION a ORIGIN. Formát FASTA taktiež používa typ MIME text/plain, ale vynecháva všetky sekcie okrem jediného riadku hlavičky začínajúceho symbolom väčšie než a nasledujúcich riadkov surových písmen sekvencie. Žiadny z formátov v predvolenom nastavení nepoužíva kompresiu, čo znamená, že oba existujú ako súbory v čistom texte kódované v ASCII alebo UTF-8. Podpisy magických bajtov pre tieto textové formáty neexistujú. Namiesto toho ich softvér identifikuje skenovaním počiatočných textových hlavičiek a vyhľadávaním kľúčových slov, ako je LOCUS v súboroch GenBank alebo znak '>' v súboroch FASTA. Keďže FASTA uchováva iba údaje sekvencie a zahadzuje anotácie, konverzia je pre samotnú sekvenciu prísne jednosmerná, hoci všetky biologické poznámky v pôvodnom súbore sa v tvare výstupu stratia.
Kompatibilita s OS a prehliadačmi
Oba formáty súborov fungujú univerzálne vo všetkých moderných operačných systémoch vrátane systémov Windows, macOS, Linux a variantov Unix. Pretože ide o súbory s čistým textom, používatelia ich môžu otvárať a upravovať v štandardných textových editoroch, ako sú Poznámkový blok (Notepad), TextEdit alebo Nano. Webové prehliadače tieto súbory ľahko spracúvajú a bioinformatické webové portály ich vykresľujú priamo v okne prehliadača. Nástroje príkazového riadka napísané v jazykoch Python, Perl a C++ natívne analyzujú oba formáty bez toho, aby vyžadovali špecializované proprietárne doplnky alebo náročné softvérové balíky.
💡 Užitočné informácie
Pred spustením konverzného skriptu si vždy ponechajte záložnú kópiu pôvodného GenBank súboru. Akonáhle odstránite anotácie do súboru FASTA, nemôžete už zo samotných údajov sekvencie obnoviť pôvodné súradnice génov, publikačné odkazy ani translačné tabuľky.
Porovnanie formátov a technické špecifikácie
Typický bakteriálny genóm uložený ako anótovaný GenBank súbor môže mať veľkosť 5 megabajtov. Odstránenie metadát na vytvorenie súboru FASTA zmenšuje veľkosť súboru na približne 3 megabajty. Pri štandardnom 4G mobilnom pripojení s rýchlosťou sťahovania 15 megabitov za sekundu trvá prenos ktoréhokoľvek súboru menej ako pol sekundy. Cez sieť 5G alebo gigabitové optické pripojenie sa prenos dokončí okamžite za niekoľko milisekúnd.
Často kladené otázky
Ako previesť GenBank súbor na FASTA sekvenciu bez straty kvality?
Konverzia je úplne bezstratová, pokiaľ ide o skutočné údaje genetickej sekvencie. Nukleotidové alebo proteínové písmená zostávajú presné. Stratíte však všetky opisné biologické anotácie, ako sú názvy génov, citácie autorov a tabuľky vlastností, pretože formát FASTA je navrhnutý tak, aby obsahoval iba hlavičku a samotnú sekvenciu.
Aký je rozdiel medzi GenBank súborom a FASTA sekvenciou?
GenBank súbor je zložitý dokument s viacerými sekciami, ktorý obsahuje bohaté biologické metadáta a surovú sekvenciu na konci. FASTA sekvencia je minimálny textový formát pozostávajúci iba z jedného opisného riadku hlavičky predchádzaného symbolom väčšie než, za ktorým nasledujú riadky surovej sekvencie.