維基百科

FASTA格式

文件格式

在生物資訊學中，FASTA格式是一種用於記錄核酸序列或肽序列的文字格式，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Python、Ruby和Perl等手稿語言處理。

格式

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

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

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

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或核酸序列，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 酮基（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

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）的手冊頁中有寫到：「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

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

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

參考文獻

  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

取自「https://zh.wikipedia.org/w/index.php?title=FASTA格式&oldid=76605186」