Formato FASTA
En bioinformática, el formato FASTA es un formato de fichero informático basado en texto, utilizado para representar secuencias bien de ácidos nucleicos, bien de péptido, y en el que los pares de bases o los aminoácidos se representan usando códigos de una única letra. El formato también permite incluir nombres de secuencias y comentarios que preceden a las secuencias en sí.[1]
| Formato FASTA | ||
|---|---|---|
| Desarrollador | ||
| David J. Lipman y William Raymond Pearson | ||
| Información general | ||
| Extensión de archivo | .fasta, .fna, .ffn, .faa, .frn} | |
| Tipo de MIME | | |
| Formato abierto | ? | |
La simplicidad del formato FASTA hace fácil el manipular y analizar secuencias usando herramientas de procesado de textos y lenguajes de guion como Python y PERL.
Formato
Una secuencia bajo formato FASTA comienza con una descripción en una única línea (línea de cabecera), seguida por líneas de datos de secuencia. La línea de descripción se distingue de los datos de secuencia por un símbolo '>' (mayor que) en la primera columna. La palabra siguiente a este símbolo es el identificador de la secuencia, y el resto de la línea es la descripción (ambos son opcionales). No debería existir espacio entre el '>' y la primera letra del identificador. Se recomienda que todas las líneas de texto sean menores de 80 caracteres. La secuencia termina si aparece otra línea comenzando con el símbolo '>'; esto indica el comienzo de otra secuencia. Un ejemplo simple de una secuencia en el formato FASTA puede ser:
>gi|5524211|gb|AAD44166.1| cytochrome b [Elephas maximus maximus] LCLYTHIGRNIYYGSYLYSETWNTGIMLLLITMATAFMGYVLPWGQMSFWGATVITNLFSAIPYIGTNLV EWIWGGFSVDKATLNRFFAFHFILPFTMVALAGVHLTFLHETGSNNPLGLTSDSDKIPFHPYYTIKDFLG LLILILLLLLLALLSPDMLGDPDNHMPADPLNTPLHIKPEWYFLFAYAILRSVPNKLGGVLALFLSIVIL GLMPFLHTSKHRSMMLRPLSQALFWTLTMDLLTLTWIGSQPVEYPYTIIGQMASILYFSIILAFLPIAGX IENY
Convertidores de formato
Los archivos FASTA pueden ser convertidos por lotes a, o desde, el formato MultiFASTA usando herramientas libres como FASTA to multi-FASTA converter y multi-FASTA to FASTA converter. También pueden conseguirse otras herramientas libres para conversión por lotes desde formatos de cromatogramas (ABI/SCF) a FASTA: ABI2FASTA converter y Chromatogram explorer.
Línea de cabecera
La línea de cabecera, que comienza con '>', proporciona un nombre y/o un identificador único a la secuencia, y a menudo bastante información adicional. Muy diferentes bases de datos de secuencias usan cabeceras estandarizadas, lo que ayuda a la extracción automática de información desde la cabecera. La línea de cabecera puede contener más de una cabecera, separadas por un carácter ^A (Control-A, tal y como se encuentra en [1]).
En el formato FASTA Pearson original, uno o más comentarios, distinguidos por un carácter ';' (punto y coma) al comienzo de la línea, podían aparecer tras la cabecera. La mayoría de las bases de datos y aplicaciones bioinformáticas no reconocen tales comentarios y siguen la especificación FASTA del NCBI. Un ejemplo de archivo con una secuencia múltiple bajo FASTA podría ser:
>SEQUENCE_1 MTEITAAMVKELRESTGAGMMDCKNALSETNGDFDKAVQLLREKGLGKAAKKADRLAAEG LVSVKVSDDFTIAAMRPSYLSYEDLDMTFVENEYKALVAELEKENEERRRLKDPNKPEHK IPQFASRKQLSDAILKEAEEKIKEELKAQGKPEKIWDNIIPGKMNSFIADNSQLDSKLTL MGQFYVMDDKKTVEQVIAEKEKEFGGKIKIVEFICFEVGEGLEKKTEDFAAEVAAQL >SEQUENCE_2 SATVSEINSETDFVAKNDQFIALTKDTTAHIQSNSLQSVEELHSSTINGVKFEEYLKSQI ATIGENLVVRRFATLKAGANGVVNGYIHTNGRVGVVIAAACDSAEVASKSRDLLRQICMH
Representación de la secuencia
Tras la línea de cabecera y los comentarios, una o más líneas pueden seguir para describir la secuencia: cada línea de una secuencia debería tener algo menos de 80 caracteres. Las secuencia pueden corresponder a secuencias de proteínas (estructura primaria de las proteínas) o de ácidos nucleicos, y pueden contener huecos (o gaps) o caracteres de alineamiento. Normalmente se espera que las secuencias se representen en los códigos estándar IUB/IUPAC para aminoácidos y ácidos nucléicos, con las siguientes excepciones: se aceptan letras minúsculas y se mapean a mayúsculas; un único guion o raya puede usarse para representar un hueco; y en secuencias de aminoácidos, 'U' y '*' son caracteres aceptables (ver más abajo). No se admiten dígitos numéricos, pero se utilizan en algunas bases de datos para indicar la posición en la secuencia.
Los códigos de ácidos nucléicos soportados son:
| Código de ácido nucleico | Significado |
|---|---|
| A | Adenosina |
| C | Citosina |
| G | Guanina |
| T | Timidina |
| U | Uracilo |
| R | G A (puRina) |
| Y | T C (pirimidina/pYrimidine) |
| K | G T (cetona/Ketone) |
| M | A C (grupo aMino) |
| S | G C (interacción fuerte/Strong interaction) |
| W | A T (interacción débil/Weak interaction) |
| B | G T C (no A) (B viene tras la A) |
| D | G A T (no C) (D viene tras la C) |
| H | A C T (no G) (H viene tras la G) |
| V | G C A (no T, no U) (V viene tras la U) |
| N | A G C T (cualquiera/aNy) |
| X | máscara |
| - | hueco (gap) de longitud indeterminada |
Los códigos de aminoácidos soportados son:
| Código de aminoácido | Significado |
|---|---|
| A | Alanina |
| B | Ácido aspártico o Asparagina |
| C | Cisteína |
| D | Ácido aspártico |
| E | Ácido glutámico |
| F | Fenilalanina |
| G | Glicina |
| H | Histidina |
| I | Isoleucina |
| K | Lisina |
| L | Leucina |
| M | Metionina |
| N | Asparagina |
| O | Pirrolisina |
| P | Prolina |
| Q | Glutamina |
| R | Arginina |
| S | Serina |
| T | Treonina |
| U | Selenocisteína |
| V | Valina |
| W | Triptófano |
| Y | Tirosina |
| Z | Ácido glutámico o Glutamina |
| X | cualquiera |
| * | parada de traducción |
| - | hueco (gap) de longitud indeterminada |
Identificadores de secuencia
El NCBI definió un estándar para el identificador único usado para las secuencias (SeqID) en la línea de cabecera. La página man (manual de algunas aplicaciones o comandos bajo Unix) de la herramienta software formatdb comenta lo siguiente sobre el asunto: "formatdb analizará automáticamente el SeqID y creará índices, pero los identificadores de la base de datos en la línea de definición FASTA deben seguir las convenciones del FASTA Defline Format (formato FASTA de definición de línea)".
Sin embargo, no se da una descripción definitiva del formato defline de FASTA. Se ofrece a continuación un intento de tal formato:[cita requerida]
GenBank gi|gi-number|gb|accesión|locus EMBL Data Library gi|gi-number|emb|accesión|locus DDBJ, DNA Database of Japan gi|gi-number|dbj|accesión|locus NBRF PIR pir||entrada Protein Research Foundation prf||nombre SWISS-PROT sp|accesión|nombre Brookhaven Protein Data Bank (1) pdb|entry|chain Brookhaven Protein Data Bank (2) entry:chain|PDBID|CADENA|SECUENCIA Patentes pat|país|número GenInfo Backbone Id bbs|número Identificador general base datos gnl|base de datos|identificador NCBI Reference Sequence ref|accesión|locus Local Sequence identifier lcl|identificador
Las barras verticales en la lista de arriba no son separadores en el sentido de la Backus-Naur form, sino que son parte del formato.
Extensiones de archivo
No hay una extensión de archivo estándar para un fichero de texto conteniendo secuencias formateadas bajo FASTA. Los ficheros de este formato tienen a menudo extensiones como .fa, .mpfa, .fna, .fsa, .fas o .fasta.
Formato HUPO-PSI
Este formato pretende resolver bastantes problemas del formato tradicional FASTA:
- Las líneas de definición varían ampliamente sin una buena razón. Esto causa problemas a los usuarios finales que quieren usar estos archivos con herramientas de identificación de proteínas. Los creadores de estas herramientas se enfrentan a un desafío importante: o bien soportar todas estas variaciones, o bien permitir al usuario hacer frente a las mismas.
- La misma base de datos es procesada en diferentes motores de búsqueda -> identificadores diferentes -> dificultades para mapear (P00761 vs. ALBU_HUMAN).
- La misma proteína en diferentes bases de datos puede tener identificadores muy diferentes (P00761 vs gi|3446572|sp|p00761 vs. IPI:12345678).
- La información extraída de los formatos FASTA es heterogénea, lo que provoca problemas de análisis sintáctico.
- Descripción y disponibilidad de la taxonomía (nombres lationos, nombres comunes, TaxID del NCBI=
Bloque de cabecera
Incluye información sobre la/s base/s de datos incluida/s. Todas las líneas del bloque empiezan con el carácter '#'. Un término de cabecera de la lista siguiente por línea:
| Términos para la cabecera | Descripción | Valor |
|---|---|---|
| #\DbComponent= | Incremento en la cuenta | Entero |
| #\Name= | Nombre de la base de datos | CV según proveedor de la base de datos (UniprotKnowledgeBase) |
| #\PrimaryIdentifierType= | Identificador para ser usado como prefijo para entradas de proteínas individuales | CV |
| #\Decoy= | ¿Es una base de datos señuelo? | ?: true/false or description |
| #\Version= | Versión de la base de datos, de acuerdo a su proveedor | De acuerdo al proveedor de la base de datosAccording to the database provider |
| #\ReleaseDate= | Fecha de la base de datos fuente | |
| #\NumberOfEntries= | Número de entradas | Entero |
| #\Sequence_type= | Tipo de secuencia | DNA (ADN), AA, RNA (ARN), EST, etc. |
Ejemplo de bloque cabecera:
#\Dbcomponent=1 #\Name=UniProt_SwissProt #\PrimaryIdentifierType=sp_ac #\Version=52.3 #\ReleaseDate=20070425 #\NumberOfEntries=248942 #\Sequence_type=Protein_sequence #\Dbcomponent=2 #\Name=ENSEMBL #\PrimaryIdentifierType=sp_ac #\Version=12.45.3.2 #\ReleaseDate=20070425 #\NumberOfEntries=1234567 #\Sequence_type=Protein_sequence
Línea de cabecera de secuencia
| Descripción de la línea de cabecera de la entrada individual | Ejemplo |
|---|---|
| La cabecera empieza con >, seguido por la AC primaria, precedida con el prefijo de la base de datos (útil si hay concatenadas más de una base de datos). Campo obligatorio. | >sp_ac|P000761 |
| Descripción de toda la información aparte de la secuencia \term=valor (los términosterms son descriptores de vocabulario controlado) | \ID=ALBU_HUMAN |
| El orden de los campos adicionales no es importante | |
| Valor puede ser una lista. Los elementos de la lista son representado como (valor_1)(valor_2) | \ALTERNATE_AC=(P00786)(Q22222) |
| Valor puede estar entre " ", si es necesario | \DE="Human serum albumin" |
| ' puede usarse como separador para todos los campos individuales | \MODRES=(1|Acetyl) |
| ¿Ctrl-A como separador para entradas multi-cabecera? (Caso de uso NCBInr) | (Caso de uso NCBInr) |
| Término de campo cabecera | Definición | Formato |
|---|---|---|
| ALT_AC | AC alternativa | |
| ID | SwissProt_ID | |
| DE | Descripción de la proteína | |
| ALT_DE | Descripción alternativa | |
| NCBITAXID | Identificador de taxonomía NCBI (9606) | Entero |
| TAX_LATIN | Taxonomía con nombre en latín (Homo sapiens) | |
| TAX_COM | Taxonomía en formato de nombre común (human) | |
| MODRES | Residuo modificado (PTM) | (posición|modificación) (PSI_MOD) |
| VARIANT | Mutación de residuo | (posición|residuo original|residuo final) |
Ejemplo de entrada de proteína:
>sp_ac|P02769_WOSIG0 \ID=ALBU_BOVIN \DE="Serum albumin precursor (Allergen Bos d 6) (BSA)"\NCBITAXID=9913 \MODRES=(1|Acetyl) \VARIANT=(196|A|T) \LENGTH=589 RGVFRRDTHKSEIAHRFKDLGEEHFKGLVLIAFSQYLQQCPFDEHVKLVNELTEFAKTCV ADESHAGCEKSLHTLFGDELCKVASLRETYGDMADCCEKQEPERNECFLSHKDDSPDLPK LKPDPNTLCDEFKADEKKFWGKYLYEIARRHPYFYAPELLYYANKYNGVFQECCQAEDKG ACLLPKIETMREKVLASSARQRLRCASIQKFGERALKAWSVARLSQKFPKAEFVEVTKLV TDLTKVHKECCHGDLLECADDRADLAKYICDNQDTISSKLKECCDKPLLEKSHCIAEVEK DAIPENLPPLTADFAEDKDVCKNYQEAKDAFLGSFLYEYSRRHPEYAVSVLLRLAKEYEA TLEECCAKDDPHACYSTVFDKLKHLVDEPQNLIKQNCDQFEKLGEYGFQNALIVRYTRKV PQVSTPTLVEVSRSLGKVGTRCCTKPESERMPCTEDYLSLILNRLCVLHEKTPVSEKVTK CCTESLVNRRPCFSALTPDETYVPKAFDEKLFTFHADICTLPDTEKQIKKQTALVELLKH KPKATEEQLKTVMENFVAFVDKCCAADDKEACFAVEGPKLVVSTQTALA
Referencias
- «What is FASTA Format?». zhanglab.ccmb.med.umich.edu. explains the FASTA format
- Mount, David W. Bioinformatics: Sequence and Genome Analysis, 2ª ed. Spring Harbor Press, 2004. ISBN 0-87969-712-1. Págs. 45 y siguientes.
- Descripción del formato FASTA del NCBI.
Véase también
Enlaces externos
- Convertidor Multi-FASTA a FASTA(Freeware)
- Convertidor FASTA a multi-FASTA(Freeware)
- , describe otro formato FASTA según propuso el Human Proteome Organisation's Proteomics Standards Initiative.
- Readseq, para convertir formatos de secuencia a to FASTA. No se actualiza desde 1999. Necesita Java.
- Readseq en línea en IUBio --
- . Necesita Java
- Convertidor GenBank a Fasta el 9 de mayo de 2008 en Wayback Machine.. Pobremente documentado.
- Conversor de secuencia entre 16 formatos diferentes.