FASTA格式

在生物信息学中，FASTA格式是一种用于记录核酸序列或肽序列的文本格式，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软件包定义，但现今已是生物信息学领域的一项标准。

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Python、Ruby和Perl等脚本语言处理。

格式

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

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

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，除此还可包含其他信息。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）的数据库和生物信息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

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或核酸序列，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氨基酸和核酸编码表达，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（）
C C 胞嘧啶（）
G G 鸟嘌呤（）
T T 胸腺嘧啶（）
U U 尿嘧啶（）
R A、G 嘌呤（）
Y C、T、U 嘧啶（）
K G、T、U 酮基（）
M A、C 氨基（）
S C、G 强（）结合力
W A、T、U 弱（）结合力
B 非A（如C、G、T、U） 后为
D 非C（如A、G、T、U） 后为
H 非G（如A、C、T、U） 后为
V 非T非U（如A、C、G） 后为
N A C G T U 任意核酸（）
- 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（）
B 天冬氨酸（，D）或天冬酰胺（，N）
C 半胱氨酸（）
D 天冬氨酸（）
E 谷氨酸（）
F 苯丙氨酸（）
G 甘氨酸（）
H 组氨酸（）
I 异亮氨酸（）
J 亮氨酸（，L）或异亮氨酸（，I）
K 赖氨酸（）
L 亮氨酸（）
M 甲硫氨酸（）
N 天冬酰胺（）
O 吡咯赖氨酸（）
P 脯氨酸（）
Q 谷氨酰胺（）
R 精氨酸（）
S 丝氨酸（）
T 苏氨酸（）
U 硒半胱氨酸（）
V 缬氨酸（）
W 色氨酸（）
Y 酪氨酸（）
Z 谷氨酸（，E）或谷氨酰胺（，Q）
X 任意
* 翻译终止
- 不定长度空白占位符

序列标识符

NCBI标准定义了标题行中序列唯一标识符（SeqID）的格式。在Formatdb的手册页中有写到：“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））。

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

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信息：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

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

参考文献
  1. Tao Tao. . [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. . NIAS DNA Bank. [2016-02-25]. （原始内容存档于2011-08-11）.
  3. Pinho, A; Pratas, D. . Bioinformatics. 2014, 30 (1): 117–118. PMID 24132931. doi:10.1093/bioinformatics/btt594.

外部链接
This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.