FASTA格式

文件格式

生物资讯学中,FASTA格式是一种用于记录核酸序列肽序列的文本格式,其中的核酸或氨基酸均以单个字母编码呈现。该格式同时还允许在序列之前定义名称和编写注释。这一格式最初由FASTA英语FASTA软件包定义,但现今已是生物资讯学领域的一项标准。

FASTA简明的格式降低了序列操纵和分析的难度,令序列可被文本处理工具和诸如PythonRubyPerl脚本语言处理。

格式

编辑

FASTA格式中的一条完整序列,包含开头的单行描述行和多行序列数据。描述行行首前置半角大于号(“>”)以和数据行区分。“>”后紧接的内容为该序列的标识符,该行剩余部分则为序列的描述(标识符与描述均非必须)。“>”和标识符之间不应有空格,且建议将单行内容限制在80字符以内。序列的结束以下一条序列的“>”出现为标识。如下为FASTA评论区格式一条序列的示例:

>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|”是序列的名称。

历史

编辑

原版FASTA/Pearson格式定义出现在FASTA程序包的文档中。可随FASTA的任一免费版本下载(见fasta20.doc、fastaVN.doc或fastaVN.me,其中VN代表版本号)。

FASTA格式中的一条序列由多行文本组成,每一行的字符数均不能超过120字符,通常不推荐超过80字符。这一限制可能与软件为单行显示预分配固定大小内存有关:当时大部分的用户都使用DEC VT(或其兼容)终端,而这一终端单行支持显示的字符数上限在80到132个之间。大部分人会将他们的终端配置为字号较大的80字符模式,因此在FASTA中每行只包含80字符或更少(通常为70字符)成为了推荐的做法。此外,标准打印页的一行宽度也在70到80字符之间(取决于字体)。

FASTA文件的首行以一个“>”(大于号)或“;”(分号,较不常见)起始,后者是一条注释。然而,后续以分号起始的各行却会被软件忽略。由于软件只会识别第一条注释,早期会在首行注释中编写序列摘要(以唯一的图书馆登录号起始);但随时间推移,现在的常见做法是只使用“>”(包括首行),不再使用任何“;”注释(因软件会忽略后者)。

在首行(用于唯一描述序列)之后,是以单字母标准编码表达的实际序列数据。有效编码以外的任何字符(包括空格、制表符、星号等)都会被忽略。在结尾以“*”(星号)以示序列结束亦是早期的一种常见做法(与PIR格式序列类似);同样因为如上原因,描述和序列之间往往还会留有空行。

如下为一些序列文件的样例:

;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文件可由单序列FASTA文件字符串连接而成。这并不与FASTA文件要求首行可以“;”或“>”起始的格式相冲突,因为只要后续所有序列都以“>”起始便可被软件视为不同序列(并推而广之要求序列定义行必须使用“>”)。所以,如上的示例在连接后即为合法的多序列文件。

描述行

编辑

描述行(定义行)或标题行以“>”开始,紧随着序列的名称和/或唯一标识符,除此还可包含其他资讯。在过时的做法中,标题行有时可以有一条以上的标题,并以^A(Control-A)控制符分隔。

在原版的Pearson FASTA格式中,以分号起始的注释可在标题行之后出现。但一些遵守NCBI FASTA规范页面存档备份,存于互联网档案馆)的数据库和生物资讯软件不会识别这些注释。如下为多序列FASTA文件的示例:

>SEQUENCE_1
MTEITAAMVKELRESTGAGMMDCKNALSETNGDFDKAVQLLREKGLGKAAKKADRLAAEG
LVSVKVSDDFTIAAMRPSYLSYEDLDMTFVENEYKALVAELEKENEERRRLKDPNKPEHK
IPQFASRKQLSDAILKEAEEKIKEELKAQGKPEKIWDNIIPGKMNSFIADNSQLDSKLTL
MGQFYVMDDKKTVEQVIAEKEKEFGGKIKIVEFICFEVGEGLEKKTEDFAAEVAAQL
>SEQUENCE_2
SATVSEINSETDFVAKNDQFIALTKDTTAHIQSNSLQSVEELHSSTINGVKFEEYLKSQI
ATIGENLVVRRFATLKAGANGVVNGYIHTNGRVGVVIAAACDSAEVASKSRDLLRQICMH

序列表达

编辑

在标题行和注释之后,是由一行或多行构成的序列数据,其中每行的长度应短于80字符。序列可以是蛋白质序列核酸序列,其中可以包含空白占位或比对用字符(见序列比对)。序列应以标准的IUB/IUPAC氨基酸核酸编码表达,除以下例外:允许小写字母,并会被转作大写字母;一个半角连字符可表示一个空白字符;且在氨基酸序列中,U和*是合法字符(见下文)。标准中不允许数字,但部分数据库使用数字来表示序列的位置。

支持的核酸编码如下:[1][2]

核酸编码 含义 辅助记忆
A A 腺嘌呤Adenine
C C 胞嘧啶Cytosine
G G 鸟嘌呤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 氨基aMino
S C、G 强(Strong)结合力
W A、T、U 弱(Weak)结合力
B 非A(如C、G、T、U) A后为B
D 非C(如A、G、T、U) C后为D
H 非G(如A、C、T、U) G后为H
V 非T非U(如A、C、G) U后为V
N A C G T U 任意核酸(Nucleic acid
- 不定长度空白占位符

支持的蛋白质序列编码(25条氨基酸和3条特殊编码)如下:

氨基酸编码 含义
A 丙氨酸Alanine
B 天冬氨酸Aspartic acid,D)或天冬酰胺Asparagine,N)
C 半胱氨酸Cysteine
D 天冬氨酸Aspartic acid
E 谷氨酸Glutamic acid
F 苯丙氨酸Phenylalanine
G 甘氨酸Glycine
H 组氨酸Histidine
I 异亮氨酸Isoleucine
J 亮氨酸Leucine,L)或异亮氨酸Isoleucine,I)
K 赖氨酸Lysine
L 亮氨酸Leucine
M 甲硫氨酸Methionine
N 天冬酰胺Asparagine
O 吡咯赖氨酸Pyrrolysine
P 脯氨酸Proline
Q 谷氨酰胺Glutamine
R 精氨酸Arginine
S 丝氨酸Serine
T 苏氨酸Threonine
U 硒半胱氨酸Selenocysteine
V 缬氨酸Valine
W 色氨酸Tryptophan
Y 酪氨酸Tyrosine
Z 谷氨酸Glutamic acid,E)或谷氨酰胺Glutamine,Q)
X 任意
* 翻译终止
- 不定长度空白占位符

序列标识符

编辑

NCBI标准定义了标题行中序列唯一标识符(SeqID)的格式。在Formatdb英语formatdb手册页中有写到:“formatdb可以自动地解析SeqID并创建索引,但在FASTA定义行中的数据库标识符必须遵守FASTA定义行格式的惯例。”

下表为NCBI FASTA定义行的格式(另见"The NCBI Handbook", Chapter 16, The BLAST Sequence Analysis Tool页面存档备份,存于互联网档案馆))。

数据库 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(“|”)并不是巴科斯范式中的分隔符,而是格式本身的一部分。多个标识符可以连接,同样使用管道符分隔。

压缩

编辑

FASTA文件的压缩需要特制的压缩工具来处理文件里所包含的两部分资讯:标识符与序列。为获取更好的压缩率,压缩工具会将之分为两条独立的压缩流处理。例如使用上下文模型和数学编码进行无损压缩的MFCompress算法[3]

扩展名

编辑

包含FASTA格式序列的文本文件并无标准的扩展名。下表列出了各种扩展名及其含义。

扩展名 含义 备注
fasta (.fas) 普通FASTA 任意普通的FASTA文件。此类扩展名还有fa、seq、fsa。
fna 核酸FASTA 普遍用于表示核酸序列的FASTA文件。
ffn 核酸编码区FASTA 包含基因组编码区的FASTA文件。
faa 氨基酸FASTA 包含表示氨基酸序列的FASTA文件。含有多种蛋白质序列的FASTA文件还可使用更具体的mpfa扩展名。
frn 非编码RNA FASTA 包含以DNA字母编码表示的基因组非编码RNA区(如tRNA、rRNA)的FASTA文件。

参见

编辑

参考文献

编辑
  1. ^ Tao Tao. Single Letter Codes for Nucleotides. [NCBI Learning Center]. National Center for Biotechnology Information. 2011-08-24 [2012-03-15]. (原始内容存档于2012-07-13). 
  2. ^ IUPAC code table. NIAS DNA Bank. [2016-02-25]. (原始内容存档于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. 

外部链接

编辑