Formato FASTA

En bioinformática, el formato FASTA es un formato de archivo informático basado en texto, utilizado para representar secuencias de nucleótidos o de aminoácidos (constituyentes de ácidos nucleicos y proteínas, respectivamente), y en el que estos se representan usando códigos de una única letra.

Formato FASTA
Desarrollador
David J. Lipman William R. Pearson
Información general
Extensión de archivo	.fasta, .fna, .ffn, .faa, .frn
Tipo de MIME	text/x-fasta
Lanzamiento inicial	1985
Tipo de formato	Bioinformática
Extendido de	ASCII
Extendido a	Formato FASTQ
Formato abierto	?
[editar datos en Wikidata]

El formato también permite incluir nombres de secuencias y comentarios que preceden a las secuencias en sí.^[1] Se originó a partir del software de alineamiento de secuencias FASTA, creado en 1985.^[2][3] La simplicidad del formato FASTA hace fácil el manipular y analizar secuencias usando herramientas de procesado de textos y lenguajes de guion como Python y PERL.

Formato

Una secuencia bajo formato FASTA comienza con una descripción en una única línea (línea de cabecera), seguida por líneas de datos de secuencia. La línea de descripción se distingue de los datos de secuencia por un símbolo '>' (mayor que) en la primera columna. La palabra siguiente a este símbolo es el identificador de la secuencia, y el resto de la línea es la descripción (ambos son opcionales). No debería existir espacio entre el '>' y la primera letra del identificador. Se recomienda que todas las líneas de texto sean menores de 80 caracteres. La secuencia termina si aparece otra línea comenzando con el símbolo '>'; esto indica el comienzo de otra secuencia. Un ejemplo simple de una secuencia en el formato FASTA puede ser:

>gi|5524211|gb|AAD44166.1| cytochrome b [Elephas maximus maximus]
 LCLYTHIGRNIYYGSYLYSETWNTGIMLLLITMATAFMGYVLPWGQMSFWGATVITNLFSAIPYIGTNLV
 EWIWGGFSVDKATLNRFFAFHFILPFTMVALAGVHLTFLHETGSNNPLGLTSDSDKIPFHPYYTIKDFLG
 LLILILLLLLLALLSPDMLGDPDNHMPADPLNTPLHIKPEWYFLFAYAILRSVPNKLGGVLALFLSIVIL
 GLMPFLHTSKHRSMMLRPLSQALFWTLTMDLLTLTWIGSQPVEYPYTIIGQMASILYFSIILAFLPIAGX
 IENY

Línea de cabecera

La línea de cabecera, que comienza con '>', proporciona un nombre y/o un identificador único a la secuencia, y a menudo bastante información adicional. Muy diferentes bases de datos de secuencias usan cabeceras estandarizadas, lo que ayuda a la extracción automática de información desde la cabecera. La línea de cabecera puede contener más de una cabecera, separadas por un carácter ^A (Control-A). En el formato FASTA Pearson original, uno o más comentarios, distinguidos por un carácter ';' (punto y coma) al comienzo de la línea, podían aparecer tras la cabecera. La mayoría de las bases de datos y aplicaciones bioinformáticas no reconocen tales comentarios y siguen la especificación FASTA del NCBI. Un ejemplo de archivo con una secuencia múltiple bajo FASTA podría ser:

>SECUENCIA_1
MTEITAAMVKELRESTGAGMMDCKNALSETNGDFDKAVQLLREKGLGKAAKKADRLAAEG
LVSVKVSDDFTIAAMRPSYLSYEDLDMTFVENEYKALVAELEKENEERRRLKDPNKPEHK
IPQFASRKQLSDAILKEAEEKIKEELKAQGKPEKIWDNIIPGKMNSFIADNSQLDSKLTL
MGQFYVMDDKKTVEQVIAEKEKEFGGKIKIVEFICFEVGEGLEKKTEDFAAEVAAQL
>SECUENCIA_2
SATVSEINSETDFVAKNDQFIALTKDTTAHIQSNSLQSVEELHSSTINGVKFEEYLKSQI
ATIGENLVVRRFATLKAGANGVVNGYIHTNGRVGVVIAAACDSAEVASKSRDLLRQICMH

Representación de la secuencia

Tras la línea de cabecera y los comentarios, una o más líneas pueden seguir para describir la secuencia: cada línea de una secuencia debería tener menos de 80 caracteres. Las secuencias pueden corresponder a secuencias de proteínas (estructura primaria de las proteínas) o de ácidos nucleicos, y pueden contener huecos (en inglés, gaps) o caracteres de alineamiento. Normalmente se espera que las secuencias se representen en los códigos estándar IUB/IUPAC para aminoácidos y ácidos nucleicos, con las siguientes excepciones: se aceptan letras minúsculas, las cuales se transforman en mayúsculas; un único guion o raya puede usarse para representar un hueco; y en secuencias de aminoácidos, 'U' y '*' son caracteres aceptables (ver más abajo). No se admiten dígitos numéricos, pero se utilizan en algunas bases de datos para indicar la posición en la secuencia.^[4][5][6]

Los códigos de ácidos nucleicos utilizados son:

Código de ácido nucleico	Significado
A	Adenosina
C	Citosina
G	Guanina
T	Timidina
U	Uracilo
R	G A (puRina)
Y	T C (pirimidina/pYrimidine)
K	G T (cetona/Ketone)
M	A C (grupo aMino)
S	G C (interacción fuerte/Strong interaction)
W	A T (interacción débil/Weak interaction)
B	G T C (no A) (B viene tras la A)
D	G A T (no C) (D viene tras la C)
H	A C T (no G) (H viene tras la G)
V	G C A (no T, no U) (V viene tras la U)
N	A G C T (cualquiera/aNy)
X	máscara
-	hueco (gap) de longitud indeterminada

Los códigos de aminoácidos son:

Código de aminoácido	Significado
A	Alanina
B	Ácido aspártico o Asparagina
C	Cisteína
D	Ácido aspártico
E	Ácido glutámico
F	Fenilalanina
G	Glicina
H	Histidina
I	Isoleucina
K	Lisina
L	Leucina
M	Metionina
N	Asparagina
O	Pirrolisina
P	Prolina
Q	Glutamina
R	Arginina
S	Serina
T	Treonina
U	Selenocisteína
V	Valina
W	Triptófano
Y	Tirosina
Z	Ácido glutámico o Glutamina
X	cualquiera
*	parada de traducción
-	hueco (gap) de longitud indeterminada

Identificadores de secuencia

El NCBI definió un estándar para el identificador único usado para las secuencias (término original en inglés, SeqID) en la línea de cabecera. Paquetes de software, como makeblastdb y table2asn, reconocen automáticamente los identificadores y su base de datos de origen, siempre que se correspondan con los establecidos oficialmente por el NCBI.^[7][8][9]

Tipo	Formato/s	Ejemplo/s
Local (ej.: sin referencia a bases de datos)	lcl|número entero lcl|secuencia de caracteres	lcl|123 lcl|hmm271
Geninfo (backbone seqid)[nota 1]	bbs|número entero	bbs|123
Geninfo (backbone moltype)[nota 2]	bbm|número entero	bbm|123
Geninfo (import ID)[nota 3]	gim|número entero	gim|123
GenBank	gb|identificación|locus	gb|M73307|AGMA13GT
EMBL	emb|identificación|locus	emb|CAM43271.1|
PIR	pir|identificación|nombre	pir||G36364
Swiss-Prot	sp|identificación|nombre	sp|P01013|OVAX_CHICK
patente	pat|país|patente|número de secuencia	pat|US|RE33188|1
patente preconcedida	pgp|country|número de solicitud|número de secuencia	pgp|EP|0238993|7
RefSeq	ref|identificación|nombre	ref|NM_010450.1|
Referencia general a cualquier base de datos no presente en esta lista	gnl|base de datos|número entero gnl|base de datos|secuencia de caracteres	gnl|taxon|9606 gnl|PID|e1632
Geninfo Integrated Database	gi|número entero	gi|21434723
DDBJ	dbj|identificación|locus	dbj|BAC85684.1|
PRF	prf|identificación|nombre	prf||0806162C
PDB	pdb|identificación|cadena	pdb|1I4L|D
Genbank (de terceros)	tpg|identificación|nombre	tpg|BK003456|
EMBL (de terceros)	tpe|identificación|nombre	tpe|BN000123|
DDBJ (de terceros)	tpd|identificación|nombre	tpd|FAA00017|
TrEMBL	tr|identificación|nombre	tr|Q90RT2|Q90RT2_9HIV1

Extensiones de archivo

No hay una extensión de archivo estándar para un fichero de texto conteniendo secuencias formateadas en FASTA. La siguiente tabla incluye las diferentes extensiones utilizadas en archivos FASTA en función de su contenido.

Extensión	Uso
.fasta, .fas, .fa	Cualquier archivo FASTA
.fna	Archivo FASTA que contiene secuencias de ácidos nucleicos
.ffn	Contiene secuencias de regiones codificantes de un genoma
.faa	Contiene secuencias de aminoácidos
.mpfa	Contiene secuencias de múltiples proteínas
.frn	Contiene secuencias de ARNs no codificantes (ej.: ARN ribosómico)

Convertidores de formato

Los archivos FASTA pueden ser convertidos por lotes a, o desde, el formato MultiFASTA usando herramientas libres como FASTA to multi-FASTA converter y multi-FASTA to FASTA converter. También pueden conseguirse otras herramientas libres para conversión por lotes desde formatos de cromatogramas (ABI/SCF) a FASTA: ABI2FASTA converter y Chromatogram explorer.

Formato HUPO-PSI

Este formato pretende resolver bastantes problemas del formato tradicional FASTA:

• Las líneas de definición varían ampliamente sin una buena razón. Esto causa problemas a los usuarios finales que quieren usar estos archivos con herramientas de identificación de proteínas. Los creadores de estas herramientas se enfrentan a un desafío importante: o bien soportar todas estas variaciones, o bien permitir al usuario hacer frente a las mismas.
• La misma base de datos es procesada en diferentes motores de búsqueda -> identificadores diferentes -> dificultades para mapear (P00761 vs. ALBU_HUMAN).
• La misma proteína en diferentes bases de datos puede tener identificadores muy diferentes (P00761 vs gi|3446572|sp|p00761 vs. IPI:12345678).
• La información extraída de los formatos FASTA es heterogénea, lo que provoca problemas de análisis sintáctico.
• Descripción y disponibilidad de la taxonomía (nombres lationos, nombres comunes, TaxID del NCBI=

Bloque de cabecera

Incluye información sobre la/s base/s de datos incluida/s. Todas las líneas del bloque empiezan con el carácter '#'. Un término de cabecera de la lista siguiente por línea:

Términos para la cabecera	Descripción	Valor
#\DbComponent=	Incremento en la cuenta	Entero
#\Name=	Nombre de la base de datos	CV según proveedor de la base de datos (UniprotKnowledgeBase)
#\PrimaryIdentifierType=	Identificador para ser usado como prefijo para entradas de proteínas individuales	CV
#\Decoy=	¿Es una base de datos señuelo?	?: true/false or description
#\Version=	Versión de la base de datos, de acuerdo a su proveedor	De acuerdo al proveedor de la base de datosAccording to the database provider
#\ReleaseDate=	Fecha de la base de datos fuente
#\NumberOfEntries=	Número de entradas	Entero
#\Sequence_type=	Tipo de secuencia	DNA (ADN), AA, RNA (ARN), EST, etc.

Ejemplo de bloque cabecera:

 #\Dbcomponent=1
 #\Name=UniProt_SwissProt
 #\PrimaryIdentifierType=sp_ac
 #\Version=52.3
 #\ReleaseDate=20070425
 #\NumberOfEntries=248942
 #\Sequence_type=Protein_sequence
 
 #\Dbcomponent=2
 #\Name=ENSEMBL
 #\PrimaryIdentifierType=sp_ac
 #\Version=12.45.3.2
 #\ReleaseDate=20070425
 #\NumberOfEntries=1234567
 #\Sequence_type=Protein_sequence

Línea de cabecera de secuencia

Descripción de la línea de cabecera de la entrada individual	Ejemplo
La cabecera empieza con >, seguido por la AC primaria, precedida con el prefijo de la base de datos (útil si hay concatenadas más de una base de datos). Campo obligatorio.	>sp_ac|P000761
Descripción de toda la información aparte de la secuencia \term=valor (los términosterms son descriptores de vocabulario controlado)	\ID=ALBU_HUMAN
El orden de los campos adicionales no es importante
Valor puede ser una lista. Los elementos de la lista son representado como (valor_1)(valor_2)	\ALTERNATE_AC=(P00786)(Q22222)
Valor puede estar entre " ", si es necesario	\DE="Human serum albumin"
' puede usarse como separador para todos los campos individuales	\MODRES=(1|Acetyl)
¿Ctrl-A como separador para entradas multi-cabecera? (Caso de uso NCBInr)	(Caso de uso NCBInr)

Término de campo cabecera	Definición	Formato
ALT_AC	AC alternativa
ID	SwissProt_ID
DE	Descripción de la proteína
ALT_DE	Descripción alternativa
NCBITAXID	Identificador de taxonomía NCBI (9606)	Entero
TAX_LATIN	Taxonomía con nombre en latín (Homo sapiens)
TAX_COM	Taxonomía en formato de nombre común (human)
MODRES	Residuo modificado (PTM)	(posición|modificación) (PSI_MOD)
VARIANT	Mutación de residuo	(posición|residuo original|residuo final)

Ejemplo de entrada de proteína:

 >sp_ac|P02769_WOSIG0 \ID=ALBU_BOVIN \DE="Serum albumin precursor (Allergen Bos d 6) (BSA)"\NCBITAXID=9913 \MODRES=(1|Acetyl) \VARIANT=(196|A|T) \LENGTH=589
 RGVFRRDTHKSEIAHRFKDLGEEHFKGLVLIAFSQYLQQCPFDEHVKLVNELTEFAKTCV
 ADESHAGCEKSLHTLFGDELCKVASLRETYGDMADCCEKQEPERNECFLSHKDDSPDLPK
 LKPDPNTLCDEFKADEKKFWGKYLYEIARRHPYFYAPELLYYANKYNGVFQECCQAEDKG
 ACLLPKIETMREKVLASSARQRLRCASIQKFGERALKAWSVARLSQKFPKAEFVEVTKLV
 TDLTKVHKECCHGDLLECADDRADLAKYICDNQDTISSKLKECCDKPLLEKSHCIAEVEK
 DAIPENLPPLTADFAEDKDVCKNYQEAKDAFLGSFLYEYSRRHPEYAVSVLLRLAKEYEA
 TLEECCAKDDPHACYSTVFDKLKHLVDEPQNLIKQNCDQFEKLGEYGFQNALIVRYTRKV
 PQVSTPTLVEVSRSLGKVGTRCCTKPESERMPCTEDYLSLILNRLCVLHEKTPVSEKVTK
 CCTESLVNRRPCFSALTPDETYVPKAFDEKLFTFHADICTLPDTEKQIKKQTALVELLKH
 KPKATEEQLKTVMENFVAFVDKCCAADDKEACFAVEGPKLVVSTQTALA

Notas

1. Geninfo (también denominado "GI" o "gi") es un número de identificación de secuencias guardadas en la base de datos GenBank y otras pertenecientes al NCBI.^[10] "Backbone seqid" hace referencia a un subtipo de identificador, utilizado en secuencias simples, sin moléculas asociadas.^[11]
2. "Backbone moltype" hace referencia a un subtipo de identificador, utilizado en secuencias complejas, con moléculas asociadas.^[11]
3. Este es un tercer subtipo de identificador que se utiliza para secuencias importadas a GenBank y otras bases de datos del NCBI desde cualquier otra fuente. Es un identificador temporal de la secuencia, hasta que se le adjudique un identificador GI estable a largo plazo, que puede ser seqid o moltype.^[11]