(序列文件格式：fasta格式和Flatfile格式.docVIP

1、序列文件格式：fasta 格式和 Flatfile 格式 数据库被用来存放原始数据，以及一系列附加的注释。不同的检索工具和程序利用了这些信息中的不同部分。纵观各种格式，我们可以发现其中应用了一些共同的规则，以使得多种情况下在不同格式之间生成和交换数据成为可能。最便于人阅读的格式对计算机程序来讲很可能并非是最有效率的（例如GenBank flatfile，这是一种人可以阅读的ASN.1版本）。这些记录还有二进代码版，更加紧凑，计算机处理也更快。但不幸的是，由于历史的原因，对一种固定格式的频繁使用使得引入另一种格式极为困难，尽管新的格式可能更加富含信息，更加准确，易于复制和计算，易于抽取信息，易于使用。GBFF的简单性，使我们都可以获得易用的工具，这也是EMBL和GBFF极大通用性的重要原因。作为最简单的格式，一个DNA序列可以表示为一个带有一些标记的核苷酸字符串。这里是一个以FASTA（或Pearson格式）文件表示的核苷酸序列数据：L04459*******************或同样的，一个蛋白质记录：P31373*******************FASTA格式广泛应用于许多分子生物学软件包之中。作为最简单的情况（正如上面所显示的），大于号（）表示一个新文件的开始。标记符??上面第一个例子开始部分的L04459??后面是大写或小写字母的DNA序列，通常60个字符一行（但这并非是标准规定）。如果需要的话，用户或数据库可以在这个简单格式的基础上增加复杂的结构化信息。例如，在不违反上面规定的前提下，可以在FASTA的说明行中加入更多的内容，使这个简单的格式包含更多的信息，就象下面这样：|*******************现在这个FASTA文件中包含了gi号码（见下面）、GenBank检索号码、LOCUS名称、以及GenBank记录中的DEFINATION字段。这个记录是从ASN.1记录生成的，而ASN.1是NCBI用来存储和维护所有数据的格式。（在计算机中这些数据保存为一行，如果打印出来，将比本书的页面宽出许多。所以，这里做了折行处理）。在分子生物学的历史上曾经使用过许多格式，其中有些格式现在还在使用，同时也有许多工具用来在这些格式之间转换数据。NCBI的asn2ff程序可以将ASN.1文件转换为多种flatfile文件格式，它可以生成GenBank、EMBL、GenPept、Swiss-Prot以及FASTA格式的文件。这一程序包含在NCBI工具软件包之中。Don Gilbert的READSEQ是另一个广泛使用的工具，已包含在许多软件包中。在使用这些工具进行格式转换时，用户应当注意，有些GenBank或EMBL格式下的特性将被丢失。READSEQ只工作于序列自身，并不处理注释部分。那些只需要序列数据的程序最好使用FASTA格式的序列来进行查询。尽管FASTA格式的信息含量比其他格式少，但它提供了人和计算机都可理解的处理原始数据的简单方法。GenBank Flatfile格式 GenBank flatfile（GBFF）是GenBank数据库的基本信息单位，也是最广泛地用以表示生物序列的格式之一。在本书写作的时候，它也是从GenBank到DDBJ和EMBL数据库，以及EMBL、DDBJ之间或向其他数据库交换数据时所采用的格式。DDBJ flatfile格式与GBFF格式是相同的。EMBL格式则每行都带有前缀，以表明本行的信息类型。注释部分（见下面）前缀为“FT”，在内容上与其他数据库相同。所有这些格式实际上都是由更结构化的ASN.1生成的。但是主要由于历史的原因，许多用户（专家或非专家）在工作中使用GBFF（或EMBL flatfile格式） GBFF可以分成三个部分，头部包含关于整个记录的信息（描述符）。第二部分包含了注释这一记录的特性，第三部分是核苷酸序列自身。所有的核苷酸数据库记录（DDBJ/ EMBL/ GenBank）都在最后一行以 // 结尾。 头部 头部是记录中与数据库关联最大的部分。各个的数据库并不一定在这一部分包含相同的信息，而可能存在着微小的差别。但各数据库已作出努力以在彼此之间保证信息兼容。 所有的GenBank flatfile开始于LOCUS行： ********************* 这一行中的第一项是LOCUS名称。历史上曾用这个名称来表示本记录描述的基因座，提交者和数据库工作人员花费了无数的时间来设计这一名称。这一成分开始于一个英文字母，总长度不能超过10个字符。第二个字符以后可以是数字或字母，所有字符均要大写。LOCUS名称在以前是最为有用的，那时大多数DNA序列记录只表示一个基因座，这样在GenBank中寻找一个可以用少数几个字母和数