这几种文件格式一定要认识哦,最常用的几种文件格式,知道每个文件格式的特征,这是数据分析的入门呢!也是生物信息学的常识。
一、fasta格式
fasta:一种基于文本用于表示核酸序列或多肽序列的格式。缩写为 fa
特征: 两部分, id行和序列行.
- id行:以“>”开头, 有时候会包含注释信息,如 chr1、chr2 … - 序列行:一个字母表示一个碱基/氨基酸,ATCGN 或 20种氨基酸
二、fastq格式
fastq:一种保存生物序列(通常为核酸序列)及其测序质量得分信息的 文本格式。
FASTQ文件中,一个序列通常由四行组成:
• 第一行:以 @ 开头,之后为序列的标识符以及描述信息
• 第二行:为序列信息,如 ATCG • 第三行:以 + 开头,之后可以再次加上序列的标识及描述信息(保留行)
• 第四行:为碱基质量值,与第二行的序列相对应,长度必须与第二行相同
三、gff格式
gff:基因组注释文件,总共有 9 列。
四、gtf格式
gtf:基因注释文件 ,总共有 9 列。
9 attributes 属性,必须要有以下两个值:gene_id value: 表示坐标在基因组上的基因座的唯一的ID。gene_id 与 value 值用空格分 开,如果值为空,则表示没有对应的基因。transcript_id value: 预测的转录本的唯一ID。transcript_id与value值用空格分开,空 表示没有转录本。
【使用column -t 命令。让列对齐】