FASTA格式

文件格式

生物資訊學中,FASTA格式是一種用於記錄核酸序列肽序列的文字格式,其中的核酸或胺基酸均以單個字母編碼呈現。該格式同時還允許在序列之前定義名稱和編寫注釋。這一格式最初由FASTA英語FASTA軟體套件定義,但現今已是生物資訊學領域的一項標準。

FASTA簡明的格式降低了序列操縱和分析的難度,令序列可被文字處理工具和諸如PythonRubyPerl手稿語言處理。

格式

編輯

FASTA格式中的一條完整序列,包含開頭的單行描述行和多行序列資料。描述行行首前置半形大於號(「>」)以和資料行區分。「>」後緊接的內容為該序列的識別碼,該行剩餘部分則為序列的描述(識別碼與描述均非必須)。「>」和識別碼之間不應有空格,且建議將單行內容限制在80字元以內。序列的結束以下一條序列的「>」出現為標識。如下為FASTA評論區格式一條序列的範例:

>gi|31563518|ref|NP_852610.1 关,瓦斯4 microtubule-associated proteins 1A/1B light chain 3A isoform b [Homo sapiens]
MKMRFFSSPCGKAAVDPADRCKEVQQIRDQHPSKIPVIIERYKGEKQLPVLDKTKFLVPDHVNMSELVKI
IRRRLQLNPTQAFFLLVNQHSMVSVSTPIADIYEQEKDEDGFLYMVYASQETFGFIRENE

上例中,「gi|31563518|ref|NP_852610.1|」是序列的名稱。

歷史

編輯

原版FASTA/Pearson格式定義出現在FASTA程式包的文件中。可隨FASTA的任一免費版本下載(見fasta20.doc、fastaVN.doc或fastaVN.me,其中VN代表版本號)。

FASTA格式中的一條序列由多行文字組成,每一行的字元數均不能超過120字元,通常不推薦超過80字元。這一限制可能與軟體為單行顯示預分配固定大小主記憶體有關:當時大部分的使用者都使用DEC VT(或其相容)終端,而這一終端單行支援顯示的字元數上限在80到132個之間。大部分人會將他們的終端組態為字號較大的80字元模式,因此在FASTA中每行只包含80字元或更少(通常為70字元)成為了推薦的做法。此外,標準列印頁的一行寬度也在70到80字元之間(取決於字型)。

FASTA檔案的首行以一個「>」(大於號)或「;」(分號,較不常見)起始,後者是一條注釋。然而,後續以分號起始的各行卻會被軟體忽略。由於軟體只會辨識第一條注釋,早期會在首行注釋中編寫序列摘要(以唯一的圖書館登入號起始);但隨時間推移,現在的常見做法是只使用「>」(包括首行),不再使用任何「;」注釋(因軟體會忽略後者)。

在首行(用於唯一描述序列)之後,是以單字母標準編碼表達的實際序列資料。有效編碼以外的任何字元(包括空格、制表符、星號等)都會被忽略。在結尾以「*」(星號)以示序列結束亦是早期的一種常見做法(與PIR格式序列類似);同樣因為如上原因,描述和序列之間往往還會留有空行。

如下為一些序列檔案的樣例:

;LCBO - Prolactin precursor - Bovine
; a sample sequence in FASTA format
MDSKGSSQKGSRLLLLLVVSNLLLCQGVVSTPVCPNGPGNCQVSLRDLFDRAVMVSHYIHDLSS
EMFNEFDKRYAQGKGFITMALNSCHTSSLPTPEDKEQAQQTHHEVLMSLILGLLRSWNDPLYHL
VTEVRGMKGAPDAILSRAIEIEEENKRLLEGMEMIFGQVIPGAKETEPYPVWSGLPSLQTKDED
ARYSAFYNLLHCLRRDSSKIDTYLKLLNCRIIYNNNC*

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

>gi|5524211|gb|AAD44166.1| cytochrome b [Elephas maximus maximus]
LCLYTHIGRNIYYGSYLYSETWNTGIMLLLITMATAFMGYVLPWGQMSFWGATVITNLFSAIPYIGTNLV
EWIWGGFSVDKATLNRFFAFHFILPFTMVALAGVHLTFLHETGSNNPLGLTSDSDKIPFHPYYTIKDFLG
LLILILLLLLLALLSPDMLGDPDNHMPADPLNTPLHIKPEWYFLFAYAILRSVPNKLGGVLALFLSIVIL
GLMPFLHTSKHRSMMLRPLSQALFWTLTMDLLTLTWIGSQPVEYPYTIIGQMASILYFSIILAFLPIAGX
IENY

多序列FASTA檔案可由單序列FASTA檔案字串連接而成。這並不與FASTA檔案要求首行可以「;」或「>」起始的格式相衝突,因為只要後續所有序列都以「>」起始便可被軟體視為不同序列(並推而廣之要求序列定義行必須使用「>」)。所以,如上的範例在連接後即為合法的多序列檔案。

描述行

編輯

描述行(定義行)或標題行以「>」開始,緊隨著序列的名稱和/或唯一識別碼,除此還可包含其他資訊。在過時的做法中,標題行有時可以有一條以上的標題,並以^A(Control-A)控制符分隔。

在原版的Pearson FASTA格式中,以分號起始的注釋可在標題行之後出現。但一些遵守NCBI FASTA規範頁面存檔備份,存於網際網路檔案館)的資料庫和生物資訊軟體不會辨識這些注釋。如下為多序列FASTA檔案的範例:

>SEQUENCE_1
MTEITAAMVKELRESTGAGMMDCKNALSETNGDFDKAVQLLREKGLGKAAKKADRLAAEG
LVSVKVSDDFTIAAMRPSYLSYEDLDMTFVENEYKALVAELEKENEERRRLKDPNKPEHK
IPQFASRKQLSDAILKEAEEKIKEELKAQGKPEKIWDNIIPGKMNSFIADNSQLDSKLTL
MGQFYVMDDKKTVEQVIAEKEKEFGGKIKIVEFICFEVGEGLEKKTEDFAAEVAAQL
>SEQUENCE_2
SATVSEINSETDFVAKNDQFIALTKDTTAHIQSNSLQSVEELHSSTINGVKFEEYLKSQI
ATIGENLVVRRFATLKAGANGVVNGYIHTNGRVGVVIAAACDSAEVASKSRDLLRQICMH

序列表現

編輯

在標題行和注釋之後,是由一行或多行構成的序列資料,其中每行的長度應短於80字元。序列可以是蛋白質序列核酸序列,其中可以包含空白占位或比對用字元(見序列比對)。序列應以標準的IUB/IUPAC胺基酸核酸編碼表達,除以下例外:允許小寫字母,並會被轉作大寫字母;一個半形連字元可表示一個空白字元;且在胺基酸序列中,U和*是合法字元(見下文)。標準中不允許數字,但部分資料庫使用數字來表示序列的位置。

支援的核酸編碼如下:[1][2]

核酸編碼 含義 輔助記憶
A A 腺嘌呤Adenine
C C 胞嘧啶Cytosine
G G 鳥嘌呤Guanine
T T 胸腺嘧啶Thymine
U U 尿嘧啶Uracil
R A、G 嘌呤puRine
Y C、T、U 嘧啶pYrimidines
K G、T、U 基(Ketones
M A、C 胺基aMino
S C、G 強(Strong)結合力
W A、T、U 弱(Weak)結合力
B 非A(如C、G、T、U) A後為B
D 非C(如A、G、T、U) C後為D
H 非G(如A、C、T、U) G後為H
V 非T非U(如A、C、G) U後為V
N A C G T U 任意核酸(Nucleic acid
- 不定長度空白預留位置

支援的蛋白質序列編碼(25條胺基酸和3條特殊編碼)如下:

胺基酸編碼 含義
A 丙胺酸Alanine
B 天門冬胺酸Aspartic acid,D)或天門冬醯胺Asparagine,N)
C 半胱胺酸Cysteine
D 天門冬胺酸Aspartic acid
E 麩胺酸Glutamic acid
F 苯丙胺酸Phenylalanine
G 甘胺酸Glycine
H 組胺酸Histidine
I 異白胺酸Isoleucine
J 白胺酸Leucine,L)或異白胺酸Isoleucine,I)
K 離胺酸Lysine
L 白胺酸Leucine
M 甲硫胺酸Methionine
N 天門冬醯胺Asparagine
O 吡咯離胺酸Pyrrolysine
P 脯胺酸Proline
Q 麩醯胺酸Glutamine
R 精胺酸Arginine
S 絲胺酸Serine
T 蘇胺酸Threonine
U 硒半胱胺酸Selenocysteine
V 纈胺酸Valine
W 色胺酸Tryptophan
Y 酪胺酸Tyrosine
Z 麩胺酸Glutamic acid,E)或麩醯胺酸Glutamine,Q)
X 任意
* 轉譯終止
- 不定長度空白預留位置

序列識別碼

編輯

NCBI標準定義了標題行中序列唯一識別碼(SeqID)的格式。在Formatdb英語formatdb手冊頁中有寫到:「formatdb可以自動地解析SeqID並建立索引,但在FASTA定義行中的資料庫識別碼必須遵守FASTA定義行格式的慣例。」

下表為NCBI FASTA定義行的格式(另見"The NCBI Handbook", Chapter 16, The BLAST Sequence Analysis Tool頁面存檔備份,存於網際網路檔案館))。

資料庫 格式
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 lcl|identifier

上表中的管道符(「|」)並不是巴科斯範式中的分隔符,而是格式本身的一部分。多個識別碼可以連接,同樣使用管道符分隔。

壓縮

編輯

FASTA檔案的壓縮需要特製的壓縮工具來處理檔案里所包含的兩部分資訊:識別碼與序列。為取得更好的壓縮率,壓縮工具會將之分為兩條獨立的壓縮流處理。例如使用上下文模型和數學編碼進行無失真壓縮的MFCompress演算法[3]

副檔名

編輯

包含FASTA格式序列的文字檔案並無標準的副檔名。下表列出了各種副檔名及其含義。

副檔名 含義 備註
fasta (.fas) 普通FASTA 任意普通的FASTA檔案。此類副檔名還有fa、seq、fsa。
fna 核酸FASTA 普遍用於表示核酸序列的FASTA檔案。
ffn 核酸編碼區FASTA 包含基因組編碼區的FASTA檔案。
faa 胺基酸FASTA 包含表示胺基酸序列的FASTA檔案。含有多種蛋白質序列的FASTA檔案還可使用更具體的mpfa副檔名。
frn 非編碼RNA FASTA 包含以DNA字母編碼表示的基因組非編碼RNA區(如tRNA、rRNA)的FASTA檔案。

參見

編輯

參考文獻

編輯
  1. ^ Tao Tao. Single Letter Codes for Nucleotides. [NCBI Learning Center]. National Center for Biotechnology Information. 2011-08-24 [2012-03-15]. (原始內容存檔於2012-07-13). 
  2. ^ IUPAC code table. NIAS DNA Bank. [2016-02-25]. (原始內容存檔於2011-08-11). 
  3. ^ Pinho, A; Pratas, D. MFCompress: a compression tool for FASTA and multi-FASTA data.. Bioinformatics. 2014, 30 (1): 117–118. PMID 24132931. doi:10.1093/bioinformatics/btt594. 

外部連結

編輯