外觀
FASTA
最簡單的序列格式:一行 > 開頭的名稱,接著一或多行序列。參考基因組、轉錄體、蛋白質序列、引子清單都用 FASTA。
text
>chr1 AC:CM000663.2 gi:568336023 LN:248956422 rl:Chromosome M5:6aef897c3d6ff0c78aff06ac189178dd AS:GRCh38
NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN
...taaccctaaccctaaccctaACCCTAACCCTAACCC...
>KRAS_ex2F
GGCCTGCTGAAAATGACTGAA| 部分 | 說明 |
|---|---|
> 名稱行 | 第一個空白之前是序列 ID(工具只認這段,例如 chr1),之後是描述 |
| 序列 | 可單行或固定寬度(常見 60 或 80 字元)換行 |
N | 未知鹼基(gap、著絲點) |
| 小寫 | 軟遮蔽 (soft-masked) 的重複序列(見 RepeatMasker) |
| 其他 IUPAC 碼 | R(A/G)、Y(C/T)等,參考基因組中少量出現 |
索引與取序列
bash
samtools faidx GRCh38.fa # 產生 GRCh38.fa.fai
samtools faidx GRCh38.fa chr7:140753330-140753340
cut -f1,2 GRCh38.fa.fai > GRCh38.genome # bedtools 需要的「染色體 長度」表
samtools dict GRCh38.fa -o GRCh38.dict # GATK / Picard 需要的序列字典
bwa index GRCh38.fa # 各比對器各有自己的索引格式
seqkit stats *.fa # 序列數、總長、N50
seqkit grep -p chr7 GRCh38.fa > chr7.fa # 取出一條序列| 索引 / 附檔 | 誰需要 |
|---|---|
.fai(samtools faidx) | samtools、bcftools norm、IGV、GATK |
.dict(序列字典) | GATK、Picard |
.gzi | bgzip 壓縮的 FASTA 需要(gzip 壓縮的不能建索引) |
| 比對器索引 | BWA(.bwt 等)、STAR(資料夾)、Bowtie2(.bt2)、minimap2(.mmi) |
FASTA、
.fai、.dict、比對器索引、GTF 必須來自同一個版本、同一套染色體命名;不同來源的 hg38(UCSC / Ensembl / NCBI)不能混用,見 參考基因組。
R 中用 Biostrings::readDNAStringSet() 讀取,見 Bioconductor。