Как читать файл GenBank

Шапка

• LOCUS: название, длина в парах нуклеотидов, тип молекулы (DNA, mRNA), линейная она или кольцевая и дата.
• DEFINITION: описание в одну строку.
• ACCESSION и VERSION: идентификатор записи, например NM_000546.6. Число после точки меняется, когда меняется последовательность.
• SOURCE и ORGANISM: откуда последовательность.
• REFERENCE: статьи, где она описана.

FEATURES

У каждого элемента есть тип (gene, CDS, promoter, misc_feature) и координаты, а за ними квалификаторы вроде /gene="TP53", /product= или /translation=, где хранится белковая последовательность CDS.

• 100..500: нуклеотиды с 100 по 500 на верхней цепи.
• complement(100..500): те же нуклеотиды, прочитанные на противоположной цепи.
• join(100..200,300..450): соединённые куски, например экзоны гена.
• <1..300 или 200..>900: элемент продолжается за конец последовательности.

ORIGIN

Сама последовательность строчными буквами блоками по десять с позицией в начале каждой строки, заканчивающаяся на //.

Работа с ним

GenBank в FASTA убирает числа и пробелы и даёт простую последовательность, которую ждут большинство инструментов. Чтобы увидеть элементы на карте, откройте файл в Просмотр карты плазмиды. Элемент на комплементарной цепи читается от 5' к 3' как обратный комплемент своего диапазона.

Чтение одного признака

     CDS             join(101..250,401..559)
                     /gene="abcA"
                     /codon_start=1
                     /transl_table=11
                     /product="ABC transporter"

• Кодирующая последовательность состоит из двух частей: основания 101–250 (150 оснований) и 401–559 (159 оснований), всего 309 оснований.
• 309 ÷ 3 = 103 кодона, последний из которых — стоп-кодон, так что белок длиной 102 аминокислоты.
• /codon_start=1 говорит, что трансляция начинается с первого основания. Значение 2 или 3 используют для неполных последовательностей, начинающихся с середины кодона.
• /transl_table=11 — генетический код бактерий. Если его нет, подразумевается код 1, стандартный.

Частые проблемы

• Позиции сдвинуты на единицу. GenBank считает с 1 и включает оба конца, так что 101..250 — это 150 оснований. Файлы BED и многие языки программирования считают с 0, что сдвигает каждое начало на единицу.
• Белок на одну букву короче ожидаемого. Квалификатор /translation никогда не включает стоп-кодон.
• Два способа записи другой цепи. complement(join(1..100,201..300)) означает, что соединённые части читаются на противоположной цепи, начиная с последней.