FASTA — текстовый формат для нуклеотидных или полипептидных последовательностей, в котором нуклеотиды или аминокислоты обозначаются при помощи однобуквенных кодов. Из-за своей простоты и практичности в настоящее время используется большинством программ работы с биологическими последовательностями. Файлы данного формата могут содержать названия последовательностей, их идентификаторы в базах данных и комментарии. В зависимости от природы содержащихся в нем биологических последовательностей файл формата FASTA может иметь различные расширения.
История и распространение Формат придуман и в 1985 году для , предназначенной для поиска в больших базах последовательностей, гомологичных данной. Первичное описание формата было произведено ими в документации этой программы, а сейчас его описание является частью документации программы BLAST.
Простота FASTA-формата позволяет легко осуществлять различные действия с последовательностями при помощи инструментов редактирования текста и скриптовых языков программирования, таких как Python, Ruby, Perl, Java.
Форматы FASTA и FASTQ (Sanger Institute) наиболее популярны для представления данных о биологических последовательностях. Существуют также другие форматы, в том числе используемые в банках данных GenBank, EMBL и UniProt.
Формат Последовательности в формате FASTA начинаются с однострочного описания, за которым следуют строки, содержащие собственно последовательность. Описание отмечается символом «больше» («>») в первой колонке. Слово за этим символом и до первого пробела является идентификатором последовательности, далее следует опциональное описание. Следующие несколько строк могут иметь первым символом точку с запятой («;»), и тогда они будут восприниматься как комментарии. На данный момент многие базы данных и программы не распознают комментарии, поэтому они мало распространены. Дальше следуют строки, содержащие собственно биологические последовательности. Обычно строки в формате FASTA ограничены длиной от 80 до 120 символов (по историческим причинам), но современные программы распознают последовательности, записанные полностью в одну строку. В один файл могут быть записаны несколько последовательностей, таким образом получается мульти-FASTA файл, однако перед каждой последовательностью должен стоять свой идентификатор. Пример одной последовательности в формате FASTA:
>gi|31563518|ref|NP_852610.1| microtubule-associated proteins 1A/1B light chain 3A isoform b [Homo sapiens] MKMRFFSSPCGKAAVDPADRCKEVQQIRDQHPSKIPVIIERYKGEKQLPVLDKTKFLVPDHVNMSELVKI IRRRLQLNPTQAFFLLVNQHSMVSVSTPIADIYEQEKDEDGFLYMVYASQETFGFIRENE
Идентификатором этой последовательности является gi|31563518|ref|NP_852610.1|.
Последовательности записываются в виде однобуквенных кодов нуклеотидов или аминокислот, совпадающих с их стандартными однобуквенными обозначениями, принятыми /ИЮПАК, в порядке от 5'- к 3'-концу для нуклеиновых кислот и от N- к С-концу для аминокислот, в них допускаются пробелы, символы могут быть как в верхнем, так и в нижнем регистре. Числа, служебные символы конца строки и табуляции игнорируются программами работы с последовательностями.
Нуклеиновые кислоты обозначаются:: Код Значение Мнемоника A A Adenine — Аденин C C Cytosine — Цитозин G G Guanine — Гуанин T T Thymine — Тимин (5-метилурацил) U U Uracil — Урацил R A, G puRine — Пурины Y C, T, U pYrimidines — Пиримидины K G, T, U Кетоновые основания M A, C Основания с аминогруппами (aMino) S C, G Сильное (Strong) взаимодействие в комплементарной паре (три водородные связи) W A, T, U Слабое (Weak) взаимодействие в комплементарной паре (две водородные связи) B не A (то есть C, G, T или U) B идёт за A D не C (то есть A, G, T или U) D идёт за C H не G (A, C, T или U) H идёт за G V не T и не U (A, C или G) V идёт за U N A C G T U Любой (aNy) нуклеотид
Для аминокислот есть 22 обычных кода (канонические аминокислоты, селеноцистеин и пирролизин), 4 специальных (обозначения множеств аминокислот) и * для обозначения стоп-кодона (в формальных трансляциях генов). Код аминокислоты Значение A Аланин B Аспарагиновая кислота (D) или Аспарагин (N) C Цистеин D Аспарагиновая кислота E Глутаминовая кислота F Фенилаланин G Глицин H Гистидин I Изолейцин J Лейцин (L) или Изолейцин (I) K Лизин L Лейцин M Метионин N Аспарагин O Пирролизин P Пролин Q Глутамин R Аргинин S Серин T Треонин U Селеноцистеин V Валин W Триптофан Y Тирозин Z Глутаминовая кислота (E) или Глутамин (Q) X Любая аминокислота *Терминация трансляции
Fasta-формат используется также для файлов, содержащих выравнивания биологических последовательностей. В этом случае в каждую последовательность в места, соответствующие позициям, не представленным в данной последовательности, вставляются символы «гэпов» (обычно это дефис или точка), в результате все последовательности в файле должны иметь одинаковую длину.
Идентификаторы последовательностей Центр NCBI определил правила создания уникальных идентификаторов последовательностей (SeqID). В строку описания допускается вносить следующие варианты идентификаторов: Тип Формат(ы) Пример(ы) Локальный (не отсылает к внешним базам данных) lcl|целое число lcl|строка lcl|123 lcl|hmm271 GenInfo идентификатор последовательности остова bbs|целое число bbs|123 GenInfo тип молекулы остова bbm|целое число bbm|123 GenInfo ID импорта gim|целое число gim|123GenBank gb|код доступа|локус gb|M73307|AGMA13GTEMBL emb|код доступа|локус emb|CAM43271.1|PIR pir|код доступа|название pir||G36364SWISS-PROT sp|код доступа|название sp|P01013|OVAX_CHICK Патент pat|страна|патент|номер последовательности pat|US|RE33188|1 Патентная заявка pgp|страна|номер заявки|номер последовательности pgp|EP|0238993|7 RefSeq ref|код доступа|название ref|NM_010450.1| Ссылка на базу данных не из этого списка gnl|база данных|целое число gnl|база данных|строка gnl|taxon|9606 gnl|PID|e1632 Интегрированная база данных GenInfo gi|целое число gi|21434723DDBJ dbj|код доступа|локус dbj|BAC85684.1| PRF prf|код доступа|название prf||0806162CPDB pdb|запись|цепь pdb|1I4L|DGenBank с аннотациями от третьих лиц tpg|код доступа|название tpg|BK003456|EMBL с аннотациями от третьих лиц tpe|код доступа|название tpe|BN000123|DDBJ с аннотациями от третьих лиц tpd|код доступа|название tpd|FAA00017| TrEMBL tr|код доступа|название tr|Q90RT2|Q90RT2_9HIV1
Вертикальные чёрточки («|») в списке сверху являются не разделителями, а частью формата. Можно ставить идентификаторы подряд, разделяя их чертами. В случае, если какое-то из полей идентификатора оставлено пустым, для обеспечения совместимости с программами необходимо ставить две черты подряд.
Расширения файлов Файлы формата fasta могут иметь различное расширение в зависимости от природы представленных в них биологических данных. Расширение Значение Примечания fasta Обычные данные fasta Любые данные fasta. Иногда также .fa, .seq, .fsa, .fasfnaаббр. от «fasta nucleic acid»Для описания нуклеотидных последовательностей.ffnКодирующие участки нуклеотидовСодержат кодирующие участки геномов.faaаббр. от «fasta amino acid»Содержат аминокислотные последовательности. Используется расширение mpfa при хранении нескольких белков в одном файле.frnНекодирующая РНК в формате FASTAСодержат некодирующие РНК в алфавите ДНК, например тРНК, рРНКafa, mfaВыравнивание в формате FASTA (a от «alignment», m от «multiple»)Содержат выравнивания биологических (нуклеотидных или аминокислотных) последовательностей
Примечания
Ссылки Конвертер файлов биологических последовательностей Инструкция по созданию файла FASTA-формата вручную
Категория:Форматы файлов в биоинформатике