Как перевести GenBank в FASTA

Форматы

• FASTA — строка заголовка, начинающаяся с >, за которой идёт последовательность. Его читает почти любая программа.
• Записи GenBank из NCBI содержат шапку, таблицу FEATURES с описанием генов и других частей и последовательность после ORIGIN, с // в конце.
• Записи EMBL из ENA содержат те же сведения с двухбуквенным кодом в начале каждой строки и последовательностью после SQ.

Преобразовать всю последовательность

1. Откройте GenBank в FASTA или EMBL в FASTA для файлов EMBL.
2. Вставьте запись или несколько записей подряд.
3. Скопируйте или скачайте FASTA. Номер доступа и описание становятся строкой заголовка.

Вытащить один ген

Запись генома может содержать тысячи элементов. Извлечение элементов GenBank записывает ДНК каждого CDS, гена, рРНК или другого выбранного типа элемента отдельной записью FASTA. Оно учитывает join() для генов, разбитых на экзоны, и complement() для генов на другой цепи, поэтому последовательность получается в правильном порядке и ориентации.

Получить белок

Для кодирующих последовательностей белок обычно уже записан в самой записи, в квалификаторе /translation. Извлечение трансляций GenBank выводит эти белки в FASTA, ничего не транслируя заново.

Что меняется

Последовательность в записи GenBank хранится после ORIGIN пронумерованными блоками по десять оснований:

ORIGIN
        1 atggtgagca agggcgagga gctgttcacc ggggtggtgc
//

В FASTA номера и пробелы убираются, а основания соединяются в одну строку под строкой заголовка:

>заголовок из записи
atggtgagcaagggcgaggagctgttcaccggggtggtgc

Частые проблемы

• Строчные буквы. GenBank пишет основания строчными. Большинство программ регистр игнорируют, но некоторые геномные инструменты считают строчные буквы «замаскированными» повторами. Переведите в заглавные, если программе это нужно.
• Неполные признаки. Положение вроде <1..>500 означает, что ген продолжается за концы записи, так что извлечённая последовательность неполна.
• Несколько записей, вставленных вместе. Каждая запись, заканчивающаяся на //, становится отдельной записью FASTA. Пропущенный // сливает две записи в одну.