生信数据格式

GENBANK

GenBank是一个由美国国家生物技术信息中心（NCBI）维护的数据库，它是一个免费的数据库，包含了大量的核酸序列和蛋白质序列。这些数据包括了基因组、mRNA、EST、蛋白质等。GenBank数据库中的数据是以文本的形式存储的，每一条序列数据都有一个唯一的标识符，这个标识符是一个以“LOCUS”开头的行，后面跟着这条序列的名字。GenBank数据库中的数据是以一种叫做GenBank格式的格式存储的，这种格式是一种文本格式，它包含了序列的名字、序列的长度、序列的来源、序列的特征等信息。

  • 例如文件NC_045512包含以下信息：
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    LOCUS       NC_045512              29903 bp ss-RNA     linear   VRL 18-JUL-2020
    DEFINITION  Severe acute respiratory syndrome coronavirus 2 isolate Wuhan-Hu-1,
                complete genome.
    ACCESSION   NC_045512
    VERSION     NC_045512.2
    DBLINK      BioProject: PRJNA485481
    KEYWORDS    RefSeq.
    SOURCE      Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2)
      ORGANISM  Severe acute respiratory syndrome coronavirus 2
                Viruses; Riboviria; Orthornavirae; Pisuviricota; Pisoniviricetes;
                Nidovirales; Cornidovirineae; Coronaviridae; Orthocoronavirinae;
                Betacoronavirus; Sarbecovirus.
    REFERENCE   1  (bases 1 to 29903)
      AUTHORS   Wu,F., Zhao,S., Yu,B., Chen,Y.M., Wang,W., Song,Z.G., Hu,Y.,
                Tao,Z.W., Tian,J.H., Pei,Y.Y., Yuan,M.L., Zhang,Y.L., Dai,F.H.,
                Liu,Y., Wang,Q.M., Zheng,J.J., Xu,L., Holmes,E.C. and Zhang,Y.Z.
      TITLE     A new coronavirus associated with human respiratory disease in
                China
      JOURNAL   Nature 579 (7798), 265-269 (2020)
      ...

获取GenBank文件

1
bio fetch NC_045512 > NC_045512.gb

GeneBank转为fasta

1
cat NC_045512.gb | bio fasta > NC_045512.fa

GeneBank转为gff3

1
cat NC_045512.gb | bio gff > NC_045512.gff

GeneBank中提取基因序列

1
cat NC_045512.gb | bio fasta --gene S

GeneBank中提取CDS序列

1
cat NC_045512.gb | bio fasta --type CDS

FASTA

FASTA格式一种记录序列的格式，是一种纯文本格式，用于存储核酸序列和蛋白质序列。FASTA格式的文件以“>”开头，后面跟着这条序列的名字，然后是这条序列的序列信息。FASTA格式的文件可以包含多条序列，每一条序列都以“>”开头。

1
2
3
4
5
>NC_045512.2 Severe acute respiratory syndrome coronavirus 2 isolate
ATTAAAGGTTTATACCTTCCCAGGTAACAAACCAACCAACTTTCGATCTCTTGTAGATCTGTTCTCTAAA
CGAACTTTAAAATCTGTGTGGCTGTCACTCGGCTGCATGCTTAGTGCACTCACGCAGTATAATTAATAAC
TAATTACTGTCGTTGACAGGACACGAGTAACTCGTCTATCTTCTGCAGGCTGCTTACGGTTTCGTCCGTG
TTGCAGCCGATCATCAGCACATCTAGGTTTCGTCCGGGTGTGACCGAAAGGTAAGATGGAGAGCCTTGTC

根据ID获取FASTA文件

1
bio fetch NC_045512 -format fasta

FASTQ

通过测序，一般拿到的数据是.fastq或者.fq的原始数据格式，该数据包含所有的reads信息，其中一条reads主要包含以下4行信息：

  • 第一行主要储存序列测序时的坐标等信息，可用于区分来源；

  • 第二行是测序得到的序列信息，一般用ATCGN来表示，其中N表示荧光信号干扰无法判断到底是哪个碱基;

  • 第三行以“+”开始，可以储存一些附加信息，一般是空的；

  • 第四行储存的是质量信息，与第2行的碱基序列是一一对应的，其中的每一个符号对应的ASCII值成为phred值，可以简单理解为对应位置碱基的质量值，越大说明测序的质量越好。不同的版本对应的不同。

fastq.png

GTF

gtf格式是一种用来注释金银的数据格式，一般用来注释基因组的结构信息，包括基因的位置、外显子的位置、内含子的位置等。gtf格式的文件是一种文本文件，它包含了一些列的注释信息，每一行都是一个注释信息，每一行都包含了一些列的信息，这些信息之间用制表符分隔。gtf格式的文件一般包含了一些列的信息，这些信息包括了基因的名字、基因的来源、基因的类型、基因的位置等。

SAM