Os formatos
- FASTA é uma linha de título que começa com >, seguida da sequência. Quase todo programa lê.
- GenBank, os registros do NCBI, têm um cabeçalho, uma tabela FEATURES que descreve os genes e outras partes, e a sequência depois de ORIGIN, com // no final.
- EMBL, os registros do ENA, trazem a mesma informação com um código de duas letras no início de cada linha e a sequência depois de SQ.
Converter a sequência inteira
- Abra GenBank e EMBL para FASTA.
- Cole o registro, ou vários em seguida.
- Copie ou baixe o FASTA. O número de acesso e a descrição viram a linha de título.
Tirar um único gene
Um registro de genoma pode ter milhares de features. O Extrator de features GenBank escreve o DNA de cada CDS, gene, rRNA ou outro tipo de feature que você escolher como uma entrada FASTA própria. Ele segue join() nos genes divididos em éxons e complement() nos genes da outra fita, então a sequência sai na ordem e na orientação certas.
Obter a proteína
Nas sequências codificadoras, a proteína geralmente já está escrita no registro, no qualificador /translation. O Extrator de traduções GenBank lista essas proteínas em FASTA sem traduzir nada de novo.
O que muda
Num registro GenBank, a sequência fica em blocos numerados de dez bases depois de ORIGIN:
ORIGIN
1 atggtgagca agggcgagga gctgttcacc ggggtggtgc
//Em FASTA, os números e espaços saem e as bases são unidas numa só sequência abaixo de uma linha de título:
>título do registro
atggtgagcaagggcgaggagctgttcaccggggtggtgcProblemas comuns
- Letras minúsculas. O GenBank escreve as bases em minúsculas. A maioria dos programas ignora isso, mas algumas ferramentas de genoma tratam minúsculas como repetições "mascaradas". Converta para maiúsculas se um programa exigir.
- Features parciais. Uma localização como
<1..>500indica que o gene continua além das pontas do registro, então a sequência extraída está incompleta. - Vários registros colados juntos. Cada registro, terminado em //, vira uma entrada FASTA própria. Um // que falta junta dois registros num só.