FASTA格式
在生物信息學中，FASTA格式是一種用於記錄核酸序列或肽序列的文本格式，其中的核酸或氨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軟件包定義，但現今已是生物信息學領域的一項標準。
FASTA簡明的格式降低了序列操縱和分析的難度，令序列可被文本處理工具和諸如Python、Ruby和Perl等腳本語言處理。
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數據。描述行行首前置半角大於號（「>」）以和數據行區分。「>」後緊接的內容為該序列的標識符，該行剩餘部分則為序列的描述（標識符與描述均非必須）。「>」和標識符之間不應有空格，且建議將單行內容限制在80字符以內。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|」是序列的名稱。
歷史 編輯
原版FASTA/Pearson格式定義出現在FASTA程序包的文檔中。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本組成，每一行的字符數均不能超過120字符，通常不推薦超過80字符。這一限制可能與軟件為單行顯示預分配固定大小內存有關：當時大部分的用戶都使用DEC VT（或其兼容）終端，而這一終端單行支持顯示的字符數上限在80到132個之間。大部分人會將他們的終端配置為字號較大的80字符模式，因此在FASTA中每行只包含80字符或更少（通常為70字符）成為了推薦的做法。此外，標準打印頁的一行寬度也在70到80字符之間（取決於字體）。
FASTA文件的首行以一個「>」（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件忽略。由於軟件只會識別第一條注釋，早期會在首行注釋中編寫序列摘要（以唯一的圖書館登錄號起始）；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（因軟件會忽略後者）。
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數據。有效編碼以外的任何字符（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。
如下為一些序列文件的樣例：
;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文件可由單序列FASTA文件字符串連接而成。這並不與FASTA文件要求首行可以「;」或「>」起始的格式相衝突，因為只要後續所有序列都以「>」起始便可被軟件視為不同序列（並推而廣之要求序列定義行必須使用「>」）。所以，如上的示例在連接後即為合法的多序列文件。
描述行 編輯
描述行（定義行）或標題行以「>」開始，緊隨着序列的名稱和/或唯一標識符，除此還可包含其他信息。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）的數據庫和生物信息軟件不會識別這些注釋。如下為多序列FASTA文件的示例：
>SEQUENCE_1
MTEITAAMVKELRESTGAGMMDCKNALSETNGDFDKAVQLLREKGLGKAAKKADRLAAEG
LVSVKVSDDFTIAAMRPSYLSYEDLDMTFVENEYKALVAELEKENEERRRLKDPNKPEHK
IPQFASRKQLSDAILKEAEEKIKEELKAQGKPEKIWDNIIPGKMNSFIADNSQLDSKLTL
MGQFYVMDDKKTVEQVIAEKEKEFGGKIKIVEFICFEVGEGLEKKTEDFAAEVAAQL
>SEQUENCE_2
SATVSEINSETDFVAKNDQFIALTKDTTAHIQSNSLQSVEELHSSTINGVKFEEYLKSQI
ATIGENLVVRRFATLKAGANGVVNGYIHTNGRVGVVIAAACDSAEVASKSRDLLRQICMH
序列表達 編輯
在標題行和注釋之後，是由一行或多行構成的序列數據，其中每行的長度應短於80字符。序列可以是蛋白質序列或核酸序列，其中可以包含空白占位或比對用字符（見序列比對）。序列應以標準的IUB/IUPAC氨基酸和核酸編碼表達，除以下例外：允許小寫字母，並會被轉作大寫字母；一個半角連字符可表示一個空白字符；且在氨基酸序列中，U和*是合法字符（見下文）。標準中不允許數字，但部分數據庫使用數字來表示序列的位置。
| 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 | 酮基（Ketones） |
| M | A、C | 氨基（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） |
| - | 不定長度空白占位符 |
支持的蛋白質序列編碼（25條氨基酸和3條特殊編碼）如下：
| 氨基酸編碼 | 含義 |
|---|---|
| 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 | 穀氨酸（Glutamic acid） |
| F | 苯丙氨酸（Phenylalanine） |
| G | 甘氨酸（Glycine） |
| H | 組氨酸（Histidine） |
| I | 異亮氨酸（Isoleucine） |
| J | 亮氨酸（Leucine，L）或異亮氨酸（Isoleucine，I） |
| K | 賴氨酸（Lysine） |
| L | 亮氨酸（Leucine） |
| M | 甲硫氨酸（Methionine） |
| N | 天冬酰胺（Asparagine） |
| O | 吡咯賴氨酸（Pyrrolysine） |
| P | 脯氨酸（Proline） |
| Q | 穀氨酰胺（Glutamine） |
| R | 精氨酸（Arginine） |
| S | 絲氨酸（Serine） |
| T | 蘇氨酸（Threonine） |
| U | 硒半胱氨酸（Selenocysteine） |
| V | 纈氨酸（Valine） |
| W | 色氨酸（Tryptophan） |
| Y | 酪氨酸（Tyrosine） |
| Z | 穀氨酸（Glutamic acid，E）或穀氨酰胺（Glutamine，Q） |
| X | 任意 |
| * | 翻譯終止 |
| - | 不定長度空白占位符 |
序列標識符 編輯
NCBI標準定義了標題行中序列唯一標識符（SeqID）的格式。在Formatdb的手冊頁中有寫到：「formatdb可以自動地解析SeqID並創建索引，但在FASTA定義行中的數據庫標識符必須遵守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））。
| 數據庫 | 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。多個標識符可以連接，同樣使用管道符分隔。
壓縮 編輯
FASTA文件的壓縮需要特製的壓縮工具來處理文件里所包含的兩部分信息：標識符與序列。為獲取更好的壓縮率，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損壓縮的MFCompress算法[3]。
擴展名 編輯
包含FASTA格式序列的文本文件並無標準的擴展名。下表列出了各種擴展名及其含義。
| 擴展名 | 含義 | 備註 |
|---|---|---|
| fasta (.fas) | 普通FASTA | 任意普通的FASTA文件。此類擴展名還有fa、seq、fsa。 |
| fna | 核酸FASTA | 普遍用於表示核酸序列的FASTA文件。 |
| ffn | 核酸編碼區FASTA | 包含基因組編碼區的FASTA文件。 |
| faa | 氨基酸FASTA | 包含表示氨基酸序列的FASTA文件。含有多種蛋白質序列的FASTA文件還可使用更具體的mpfa擴展名。 |
| 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文件。 |
參見 編輯
參考文獻 編輯
- ^ 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）.
- ^ IUPAC code table. NIAS DNA Bank. [2016-02-25]. （原始內容存檔於2011-08-11）.
- ^ 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
- What is FASTA Format?（頁面存檔備份，存於網際網路檔案館） 什麼是FASTA格式.
- HUPO-PSI Standard FASTA Format HUPO-PSI發表的另一種FASTA格式.
- Sequence ID (seqID) Fields in the FASTA Deflines of Sequences from NCBI （頁面存檔備份，存於網際網路檔案館） FASTA定義行的格式.