Los formatos
- FASTA es una línea de título que empieza por >, seguida de la secuencia. Casi todos los programas lo leen.
- GenBank, los registros del NCBI, tienen una cabecera, una tabla FEATURES que describe los genes y otras partes, y la secuencia después de ORIGIN, con // al final.
- EMBL, los registros del ENA, contienen la misma información con un código de dos letras al principio de cada línea y la secuencia después de SQ.
Convertir la secuencia completa
- Abre GenBank y EMBL a FASTA.
- Pega el registro, o varios seguidos.
- Copia o descarga el FASTA. El número de acceso y la descripción pasan a ser la línea de título.
Sacar un solo gen
Un registro de un genoma puede tener miles de features. El Extractor de features GenBank escribe el ADN de cada CDS, gen, ARNr u otro tipo de feature que elijas como entrada FASTA propia. Sigue join() en los genes divididos en exones y complement() en los genes de la otra hebra, así que la secuencia sale en el orden y la orientación correctos.
Obtener la proteína
En las secuencias codificantes, la proteína suele estar ya escrita en el registro, en el calificador /translation. El Extractor de traducciones GenBank lista esas proteínas en FASTA sin volver a traducir nada.
Qué cambia
En un registro GenBank, la secuencia se guarda en bloques numerados de diez bases después de ORIGIN:
ORIGIN
1 atggtgagca agggcgagga gctgttcacc ggggtggtgc
//En FASTA se quitan los números y los espacios, y las bases se unen en una sola cadena bajo una línea de título:
>título del registro
atggtgagcaagggcgaggagctgttcaccggggtggtgcProblemas frecuentes
- Letras minúsculas. GenBank escribe las bases en minúscula. La mayoría de los programas ignoran mayúsculas y minúsculas, pero algunas herramientas de genomas tratan las minúsculas como repeticiones "enmascaradas". Pasa a mayúsculas si un programa lo necesita.
- Características parciales. Una ubicación como
<1..>500indica que el gen sigue más allá de los extremos del registro, así que la secuencia extraída está incompleta. - Varios registros pegados juntos. Cada registro, que termina en //, se convierte en su propia entrada FASTA. Si falta un //, dos registros se funden en uno.