Fasta序列格式

原文：http://blog.csdn.net/shmilyringpull/article/details/7102326

fasta序列格式是blast组织数据的基本格式，无论是数据库还是查询序列，大多数情况都使用fasta序列格式，所以首先对fasta格式在做详细说明。 下面是一个来源于NCBI的fasta格式序列：

[html]  view plain  copy

1. >gi|187608668|ref|NM_001043364.2| Bombyx mori moricin (Mor), mRNA  
2.   
3. AAACCGCGCAGTTATTTAAAATATGAATATTTTAAAACTTTTCTTTGTTTTTA  
4.   
5. TTGTGGCAATGTCTCTGGTGTCATGTAGTACAGCCGCTCCAGCAAAAATACCT  
6.   
7. ATCAAGGCCATTAAGACTGTAGGAAAGGCAGTCGGTAAAGGTCTAAGAGCCAT  
8.   
9. CAATATCGCCAGTACAGCCAACGATGTTTTCAATTTCTTGAAACCGAAGAAAA  
10.   
11. GAAAGCATTAAGAAAAGAAATTGAGTGAATGGTATTAGATATATTACTAAAGG  
12.   
13. ATCGATCACAATGATATATAGATAGGTCATAGATGTCAACGTGAATTTATGGA  
14.   
15. TTTTTGTTTTCCCCTTTGTAGTACTTACTTATAGTCAGTTCTTAAATTGATTG  
16.   
17. CAACGACAACTGTGTACTATTTTTTATATTTGGTTCGAAAAGTTGCATTATTA  
18.   
19. ACGATTTTAGAAAATAAAACTACTTTACTTTTACACG  

     格式首先以大于号“>”开头，接着是序列的标识符“gi|187608668|ref|NM_001043364.2|”，然后是序列的描述信息。换行后是序列信息，标准核苷酸符号或氨基酸单字母符号。通常核苷酸符号大小写均可，而氨基酸一般用大写字母。文件中和每一行都不要超过80个字符（通常60个字符）。序列中允许空格，换行，空行，直到下一个大于号，表示该序列的结束。
     所有来源于NCBI的序列都有一个gi号“gi|gi_identifier”，gi号类似与数据库中的流水号，由数字组成，具有绝对唯一性。一条核酸或者蛋白质改变了，将赋予一个新的gi号（这时序列的接收号可能不变）。gi号后面是序列的标识符，下表是来源于不同数据库的标识符的说明。标识符由序列来源标识、序列标识（如接收号、名称等）等几部分组成，他们之间用“|”隔开，如果某项缺失，可以留空但是“|”不能省略。如上例中标识符为“ref|NM_001043364.2|”，表示序列来源于NCBI的参考序列库，接收号为“NM_001043364.2”。

对于自己构建的序列数据库（序列不是来源与NCBI或其他数据），可以采用“gnl|database|identifier”或者“lcl|identifier”格式，以保证可以使用blast的所有功能。database或者identifier是需要指定的数据库的标识和序列标识，指定的名称可以用大小写字母、数字、下划线“_”、破折号“-”或者点号“.”。注意名称是区分大小写的，同时不能出现空格，空格表示序列标识符结束。
数据库中的序列标识符必须保证唯一，许多时候格式数据库是formatdb报告错误，就是因为标示符重复，还有一点需要强调的是序列不能为空，否则也会报错。
下面是一个例子，这四个序列的标识符都是唯一。

• gnl|H.sapiens|seq1
• gnl|H.sapiens|seq2
• gnl|M.Mus|seq1
• lcl|seq1

 

表：序列来源的数据库与对应的标识符

Database Name数据库名称	Identifier Syntax 标识符
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

表：序列中的每个字母或字符所代表的含义。

核苷酸序列：
        A --> adenosine            M --> A C (amino)
        C --> cytidine                S --> G C (strong)
        G --> guanine               W --> A T (weak)
        T --> thymidine             B --> G T C
        U --> uridine                 D --> G A T
        R --> G A (purine)         H --> A C T
        Y --> T C (pyrimidine)   V --> G C A
        K --> G T (keto)             N --> A G C T (any)
                                   -  gap of indeterminate length

氨基酸序列：
  

 A  alanine                          P  proline
    B  aspartate or asparagine      Q  glutamine
    C  cystine                          R  arginine
    D  aspartate                      S  serine
    E  glutamate                     T  threonine
    F  phenylalanine                      U  selenocysteine
    G  glycine                          V  valine
    H  histidine                        W  tryptophan
    I  isoleucine                       Y  tyrosine
    K  lysine                            Z  glutamate or glutamine
    L  leucine                          X  any
    M  methionine                       *  translation stop
    N  asparagine                        -  gap of indeterminate length