Como ler um arquivo GenBank

O cabeçalho

• LOCUS: o nome, o tamanho em pares de bases, o tipo de molécula (DNA, mRNA), se é linear ou circular, e uma data.
• DEFINITION: uma descrição de uma linha.
• ACCESSION e VERSION: o identificador do registro, como NM_000546.6. O número depois do ponto muda quando a sequência muda.
• SOURCE e ORGANISM: de onde vem a sequência.
• REFERENCE: os artigos que a descrevem.

FEATURES

Cada elemento tem um tipo (gene, CDS, promoter, misc_feature) e um local, seguidos de qualificadores como /gene="TP53", /product= ou /translation=, que traz a sequência de proteína de um CDS.

• 100..500: bases 100 a 500 na fita de cima.
• complement(100..500): as mesmas bases, lidas na fita oposta.
• join(100..200,300..450): pedaços unidos, como os éxons de um gene.
• <1..300 ou 200..>900: o elemento continua além do fim da sequência.

ORIGIN

A sequência em si, em blocos de dez em minúsculas com a posição no início de cada linha, terminando com //.

Trabalhando com ele

O conversor GenBank para FASTA tira os números e espaços e entrega a sequência pura que a maioria das ferramentas espera. Para ver os elementos desenhados num mapa, abra o arquivo no Visualizador de mapas de plasmídeo. Um elemento na fita complementar se lê de 5' a 3' como o complemento reverso do seu intervalo.