文件格式——fasta格式

fasta格式

在生物信息学中，FASTA格式（又称为Pearson格式），是一种基于文本用于表示核苷酸序列或氨基酸序列的格式。在这种格式中碱基对或氨基酸用单个字母来编码，且容许在序列前添加序列名及注释。

格式

序列文件的第一行是由大于号">"或分号";"打头的任意文字说明（习惯经常使用">"做为起始），用于序列标记。从第二行开始为序列自己，只容许使用既定的核苷酸或氨基酸编码符号（参见下表）。一般核苷酸符号大小写都可，而氨基酸经常使用大写字母。使用时应注意有些程序对大小写有明确要求。文件每行的字母通常不该超过80个字符。

下面是FASTA格式的氨基酸序列实例：

>MCHU - Calmodulin - Human, rabbit, bovine, rat, and chicken ADQLTEEQIAEFKEAFSLFDKDGDGTITTKELGTVMRSLGQNPTEAELQDMINEVDADGNGTID FPEFLTMMARKMKDTDSEEEIREAFRVFDKDGNGYISAAELRHVMTNLGEKLTDEEVDEMIREA DIDGDGQVNYEEFVQMMTAK*

FASTA格式支持的核苷酸代码以下：

核苷酸代码	意义
A	Adenosine
C	Cytosine
G	Guanine
T	Thymidine
U	Uracil
R	G A (puRine)
Y	T C (pYrimidine)
K	G T (Ketone)
M	A C (aMino group)
S	G C (Strong interaction)
W	A T (Weak interaction)
B	G T C (not A) (B comes after A)
D	G A T (not C) (D comes after C)
H	A C T (not G) (H comes after G)
V	G C A (not T, not U) (V comes after U)
N	A G C T (aNy)
X	masked
-	gap of indeterminate length

 

 

FASTA格式支持的氨基酸代码以下：

氨基酸代码	意义
A	Alanine
B	Aspartic acid or Asparagine
C	Cysteine
D	Aspartic acid
E	Glutamic acid
F	Phenylalanine
G	Glycine
H	Histidine
I	Isoleucine
K	Lysine
L	Leucine
M	Methionine
N	Asparagine
O	Pyrrolysine
P	Proline
Q	Glutamine
R	Arginine
S	Serine
T	Threonine
U	Selenocysteine
V	Valine
W	Tryptophan
Y	Tyrosine
Z	Glutamic acid or Glutamine
X	any
*	translation stop
-	gap of indeterminate length

 

最多见的FASTA格式

 

Fasta格式首先以大于号“>”开头，接着是序列的标识符“gi|187608668|ref|NM_001043364.2|”，而后是序列的描述信息。换行后是序列信息，序列中容许空格，换行，空行，直到下一个大于号，表示该序列的结束？？？。

全部来源于NCBI的序列都有一个gi号“gi|gi_identifier”，gi号相似与数据库中的流水号，由数字组成，具备绝对惟一性。一条核酸或者蛋白质改变了，将赋予一个新的gi号（这时序列的接收号可能不变）。

gi号后面是序列的标识符，下表是来源于不一样数据库的标识符的说明。标识符由序列来源标识、序列标识（如接收号、名称等）等几部分组成，他们之间用“|”隔开，若是某项缺失，能够留空可是“|”不能省略。如上例中标识符为“ref|NM_001043364.2|”，表示序列来源于NCBI的参考序列库，接收号为“NM_001043364.2”。

文件中和每一行都不要超过80个字符（一般60个字符）。

对于核酸序列，除了为你们所熟知的A、C、G、T、U外，R表明G或A（嘌呤）；Y表明T或C（嘧啶）；K表明G或T（带酮基）；M表明A或C（带氨基）；S表明G 或C（强）；W表明A或T（弱）；B表明G、T或C；D表明G、A或T；H表明A、C或T；V表明G、C或A；N表明A、G、C、T中任意一种。

Database Name数据库名称	Identifier Syntax 标识符
GenBank	gb|accession|locus
EMBL Data Library	emb|accession|locus
DDBJ, DNA Database of Japan	dbj|accession|locus
NBRF PIR	pir||entry
Protein Research Foundation	prf||name
SWISS-PROT	sp|accession|entry name
Brookhaven Protein Data Bank	pdb|entry|chain
Patents	pat|country|number
GenInfo Backbone Id	bbs|number
General database identifier	gnl|database|identifier
NCBI Reference Sequence	ref|accession|locus
Local Sequence identifier

表：序列来源的数据库与对应的标识符

 

 

 

 

 

 

 

 

 

 

 

 

数据库的冗余(redundancy)

DNA和蛋白质数据库中的不少记录是属于同一基因和蛋白质家族，或在不一样生物体上发现的同源基因。不一样的研究机构可能向数据库发送了相同的序列数据，若是没有被检查出来，则这些记录或多或少地紧密相关。固然，这些记录若是的确很是相近，能够被认定为它们是相同序列，但一些显著的差别多是因为基因组多样性的结果。

冗余数据至少可能致使如下3个潜在的错误

一是若是一组DNA或氨基酸序列包含了大量很是相关序列族，则相应的统计分析将偏向这些族，在分析结果中，这些族的特性被夸大。

二是序列间不一样部分的显著相关多是在数据样本抽样时是有偏的和不正确的。

三是若是这些数据是被用于预测，则这些序列将使预测方法—如人工智能方法—发生偏离。

非冗余(non-redundant, nr)

生物数据很是复杂，它远非“冗余”二字能够准备描述。例如，同一位点上的2个等位基因是否是冗余的？同一辈子物体内的2个同功酶是否冗余？所以，过于苛刻地去除“太过于类似的序列”可能致使一些有价值的信息被删除，应在数据规模和非冗余之间找到一个合理的平衡点。

序列数据的误差或人为假象(artifacts) 主要来自实验过程，这与其它科学数据的状况相同。这些人为假象主要来自如下几个方面：

(1) 载体序列污染：在测定序列等实验过程当中，载体序列可能形成污染，导致序列记录数据中包含了载体序列。

(2) 异源(heterologous)序列污染：有研究代表一些人类cDNA测序结果在实验过程当中被酵母和细菌序列污染。

(3) 序列的重排和缺失。

(4) 重复因子污染：cDNA克隆方法有时会受到逆转录因子(如Alus)的影响 。

(5) 测序偏差和天然多态性：测序过程存在必定的偏差几率。