fasta格式的最常见的FASTA格式
发布网友
发布时间：2022-04-25 15:43
共1个回答
热心网友
时间：2023-10-14 01:25
从第二行开始是序列本身，标准核苷酸符号或氨基酸单字母符号。通常核苷酸符号大小写均可，而氨基酸一般用大写字母。
文件中和每一行都不要超过80个字符（通常60个字符）。
对于核酸序列，除了为大家所熟知的A、C、G、T、U外，R代表G或A（嘌呤）；Y代表T或C（嘧啶）；K代表G或T（带酮基）；M代表A或C（带氨基）；S代表G
或C（强）；W代表A或T（弱）；B代表G、T或C；D代表G、A或T；H代表A、C或T；V代表G、C或A；N代表A、G、C、T中任意一种
。
EMBL和GenBank数据库的主要内容和格式
序列名称、长度、日期
序列说明、编号、版本号
物种来源、学名、分类学位置
相关文献作者、题目、刊物、日期
序列特征表
碱基组成
序列（每行60个碱基）
EMBL标识字
GenBank标识字
含义
ID
LOCUS
序列名称
DE
DEFINITION
序列简单说明
AC
ACCESSION
唯一的序列编号
SV
VERSION
序列版本号
KW
KEYWORDS
与序列相关的关键词
OS
SOURCE
序列来源的物种名
OC
ORGANISM
序列来源的物种学名和分类学位置
DT
建立日期
RN
REFERENCE
相关文献编号或提交注册信息
RA
AUTHORS
相关文献作者或提交序列作者
RT
TITLE
相关文献题目
RL
JOURNAL
相关文献刊物名或作者单位
RX
MEDLINE
相关文献Medline引文代码
RC
REMARK
相关文献注释
RP
相关文献其它注释
CC
COMMENT
关于序列的注释信息
DR
相关数据库交叉引用号
FH
FEATURES
序列特征表起始
FT
序列特征表子项
SQ
BASE
CONTENT
序列长度、碱基数目统计数
空格
ORIGIN
序列
//
//
序列结束标志、空行
数据库的冗余(rendancy)
DNA和蛋白质数据库中的很多记录是属于同一基因和蛋白质家族，或在不同生物体上发现的同源基因。不同的研究机构可能向数据库发送了相同的序列数据，如果没有被检查出来，则这些记录或多或少地紧密相关。当然，这些记录如果的确非常相近，可以被认定为它们是相同序列，但一些显著的差异可能是由于基因组多样性的结果。
冗余数据至少可能导致以下3个潜在的错误
一是如果一组DNA或氨基酸序列包含了大量非常相关序列族，则相应的统计分析将偏向这些族，在分析结果中，这些族的特性被夸大。
二是序列间不同部分的显著相关可能是在数据样本抽样时是有偏的和不正确的。
最后是如果这些数据是被用于预测，则这些序列将使预测方法—如人工智能方法—发生偏离。
非冗余(non-rendant,
nr)
生物数据非常复杂，它远非“冗余”二字可以准备描述。例如，同一位点上的2个等位基因是不是冗余的？同一生物体内的2个同功酶是否冗余？因此，过于苛刻地去除“太过于相似的序列”可能导致一些有价值的信息被删除，应在数据规模和非冗余之间找到一个合理的平衡点。
序列数据的偏差或人为假象(artifacts)
主要来自实验过程，这与其它科学数据的情况相同。这些人为假象主要来自以下几个方面：
(1)
载体序列污染：在测定序列等实验过程中，载体序列可能造成污染，致使序列记录数据中包含了载体序列。
(2)
异源(heterologous)序列污染：有研究表明一些人类cDNA测序结果在实验过程中被酵母和细菌序列污染。
(3)
序列的重排和缺失。
(4)
重复因子污染：cDNA克隆方法有时会受到逆转录因子(如Alus)的影响
。
(5)
测序误差和自然多态性：测序过程存在一定的误差概率。
