Quelltext der Seite FASTA-Format

Das '''FASTA-Format''' ist ein textbasiertes [[Datenformat|Format]] zur Darstellung und Speicherung der [[Primärstruktur]] von [[Nukleinsäuren]] ([[Nukleinsäuresequenz]]) und [[Protein]]en ([[Proteinsequenz]]) in der [[Bioinformatik]]. Die [[Nukleinbasen]] bzw. [[Aminosäuren]] werden durch einen Ein-Buchstaben-[[Code]] dargestellt. Es ist dabei möglich, den Sequenzen einen Namen und Kommentare voranzustellen.

Die Einfachheit des Formats macht es Textverarbeitungswerkzeugen und [[Skriptsprache]]n leicht, die Daten einzulesen und zu verarbeiten.

== Format ==
Eine Sequenz im FASTA-Format beginnt mit einer einzeiligen Beschreibung, dann folgen die Sequenzdaten. Es wird empfohlen, dass jede Zeile der Datei maximal 80 Zeichen enthalten soll. Eine Sequenz endet mit dem Ende der Datei oder einer weiteren Kopfzeile.

Es folgt ein einfaches Beispiel einer Proteinsequenz im FASTA-Format vom [[Cytochrom b]] des [[Asiatischer Elefant|Asiatischen Elefanten]]:<ref>[http://www.ncbi.nlm.nih.gov/entrez/viewer.fcgi?db=protein&qty=1&c_start=1&list_uids=5524211&uids=&dopt=fasta&dispmax=5&sendto=&from=begin&to=end&extrafeatpresent=1&ef_CDD=8&ef_MGC=16&ef_HPRD=32&ef_STS=64&ef_tRNA=128&ef_microRNA=256 FASTA-Darstellung] des Cytochrome b eines Asiatischen Elefanten auf ncbi.nlm.nih.gov, abgerufen am 21. August 2018</ref>
 >gi|5524211|gb|AAD44166.1| cytochrome b <nowiki>[</nowiki>Elephas maximus maximus<nowiki>]</nowiki>
 LCLYTHIGRNIYYGSYLYSETWNTGIMLLLITMATAFMGYVLPWGQMSFWGATVITNLFSAIPYIGTNLV
 EWIWGGFSVDKATLNRFFAFHFILPFTMVALAGVHLTFLHETGSNNPLGLTSDSDKIPFHPYYTIKDFLG
 LLILILLLLLLALLSPDMLGDPDNHMPADPLNTPLHIKPEWYFLFAYAILRSVPNKLGGVLALFLSIVIL
 GLMPFLHTSKHRSMMLRPLSQALFWTLTMDLLTLTWIGSQPVEYPYTIIGQMASILYFSIILAFLPIAGX
 IENY

=== Kopfzeile ===
Die Kopfzeile (engl. [[Header]]line) ist die Zeile, die einen (eindeutigen) Namen sowie eine Beschreibung der jeweiligen Sequenz beinhaltet. Sie steht den Sequenzdaten voran und beginnt mit einem Größer-Als-Zeichen („>“). Ohne Leerzeichen folgt daraufhin der Name und/oder eine [[Identifikationsnummer|ID]] der Sequenz. Viele [[Sequenzdatenbank]]en benutzen standardisierte Kopfzeilen, welche es erlauben, automatisch verschiedene Informationen aus der Kopfzeile zu beziehen. Die Kopfzeile kann auch mehrere IDs enthalten, welche dann durch ein ^A (Control-A) Zeichen separiert werden. Die Kopfzeile in dieser Form ist optional. Wichtig ist, dass mehrere Sequenzen in einer FASTA-Datei durch ein „> + Beschreibung“ voneinander getrennt werden.

=== Kommentare ===
Nach der Kopfzeile folgen optional eine oder mehrere Kommentarzeilen, welche jeweils mit einem Semikolon („;“) beginnen. Auch das Semikolon muss das erste Zeichen in der jeweiligen Zeile sein. Viele [[Datenbank]]en und [[Anwendungsprogramm]]e erkennen die Kommentare nicht, daher finden sich diese Kommentare praktisch in keiner aktuellen Sequenzdatenbank. Sie sind jedoch Teil des offiziellen Formates. Ein Beispiel einer FASTA-Datei mit mehreren Sequenzen sowie Kommentarzeilen:
<pre>
>Sequenz 1
;Kommentarzeile A
MTEITAAMVKELRESTGAGMMDCKNALSETNGDFDKAVQLLREKGLGKAAKKADRLAAEG
LVSVKVSDDFTIAAMRPSYLSYEDLDMTFVENEYKALVAELEKENEERRRLKDPNKPEHK
IPQFASRKQLSDAILKEAEEKIKEELKAQGKPEKIWDNIIPGKMNSFIADNSQLDSKLTL
MGQFYVMDDKKTVEQVIAEKEKEFGGKIKIVEFICFEVGEGEVAAQL
>Sequenz 2
;Kommentarzeile B
;Kommentarzeile C
SATVSEINSETDFVAKNDQFIALTKDTTAHIQSNSLQSVEELHSSTINGVKFEEYLKSQI
ATIGENLVVRRFATLKAGANGVVNGYIHTNGRVGVVIAAACDSAEVASKSRDLLRQICMH
</pre>

=== Sequenzdarstellung ===
Nach Kopfzeile und Kommentar folgen eine oder mehrere Zeilen, die die Sequenz enthalten. Jede Zeile sollte nicht mehr als 80 Zeichen beinhalten. Sequenzen können Protein- oder Nukleinsäuresequenzen sein, dürfen Lücken und [[Sequenzalignment|Alinierungszeichen]] enthalten. Die Sequenzen sollten gemäß den [[International Union of Biochemistry|IUB]]/[[IUPAC]]-Standardcodes für [[Aminosäuren]] und Nukleinsäuren angegeben werden. Erlaubte Ausnahmen sind hierbei:
* Kleinbuchstaben sind zulässig, werden aber in Großbuchstaben umgewandelt
* Ein Binde- oder Gedankenstrich stellt eine Lücke dar
* In Aminosäuresequenzen stellen „U“ und „*“ zulässige Zeichen dar. (Siehe unten)
* Nukleotidsequenzen werden in 5' nach 3' Richtung dargestellt.

Numerische Zeichen sind nicht erlaubt, werden jedoch in einigen Datenbanken verwendet, um die Position der Sequenz anzuzeigen.

{| class="wikitable sortable"
|+ Erlaubte Codes für Nukleinbasen
|- class="hintergrundfarbe6"
! Code
! Bedeutung
|-
| A
| [[Adenin|'''A'''denin]]
|-
| C
| [[Cytosin|'''C'''ytosin]]
|-
| G
| [[Guanin|'''G'''uanin]]
|-
| T
| [[Thymin|'''T'''hymin]]
|-
| U
| [[Uracil|'''U'''racil]]
|-
| R
| G A ([[Purinbasen|Pu'''R'''ine]])
|-
| Y
| T C ([[Pyrimidinbasen|P'''Y'''rimidine]])
|-
| K
| G T ([[Ketone|'''K'''etone]])
|-
| M
| A C ([[Aminogruppe|A'''M'''inogruppen]])
|-
| S
| G C ('''S'''tarke Wechselwirkung)
|-
| W
| A T ('''W'''eiche Wechselwirkung)
|-
| B
| G T C (nicht A) ('''B''' kommt nach A)
|-
| D
| G A T (nicht C) ('''D''' kommt nach C)
|-
| H
| A C T (nicht G) ('''H''' kommt nach G)
|-
| V
| G C A (nicht T, nicht U) ('''V''' kommt nach U)
|-
| N
| A G C T (a'''N'''y)
|-
| -
| Lücke unbestimmter Länge
|}

{| class="wikitable sortable"
|+ Tabelle II: Erlaubte Codes für Aminosäuren
|- class="hintergrundfarbe6"
! Code
! Bedeutung
|-
| A
| [[Alanin]]
|-
| B
| [[Asparaginsäure]] or [[Asparagin]]
|-
| C
| [[Cystein]]
|-
| D
| [[Aspartat]]
|-
| E
| [[Glutamate|Glutamat]]
|-
| F
| [[Phenylalanin]]
|-
| G
| [[Glycin]]
|-
| H
| [[Histidin]]
|-
| I
| [[Isoleucin]]
|-
| K
| [[Lysin]]
|-
| L
| [[Leucin]]
|-
| M
| [[Methionin]]
|-
| N
| [[Asparagin]]
|-
| P
| [[Prolin]]
|-
| Q
| [[Glutamin]]
|-
| R
| [[Arginin]]
|-
| S
| [[Serin]]
|-
| T
| [[Threonin]]
|-
| U
| [[Selenocystein]]
|-
| V
| [[Valin]]
|-
| W
| [[Tryptophan]]
|-
| Y
| [[Tyrosin]]
|-
| Z
| [[Glutamate|Glutamat]] oder [[Glutamin]]
|-
| X
| jede Aminosäure
|-
| *
| Stop der [[Translation (Biologie)|Translation]]
|-
| -
| Lücke unbestimmter Länge
|}

=== Dateierweiterung ===
Es gibt keine Standard-[[Dateierweiterung]] für eine Textdatei im FASTA-Format. Jedoch werden folgende Erweiterungen häufig verwendet: .fa, .mpfa, .fna, .fsa oder .fasta.

== Sequenz-IDs ==
Das [[National Center for Biotechnology Information]] hat einen Standard für eine ID definiert, die für Sequenzen verwendet werden. Diese „SeqID“ wird in der Kopfzeile verwendet. Die Hilfeseite der [[formatdb]] gibt folgendes an: „formatdb will automatically parse the SeqID and create indexes, but the database identifiers in the FASTA definition line must follow the conventions of the FASTA Defline Format.“

Dies ist jedoch keine endgültige Definition für das Kopfzeilen-Format. Verschiedene Möglichkeiten sind nachfolgend dargestellt:
{| class="wikitable"
|-
| GenBank
| <code>gi<nowiki>|</nowiki>''gi-number''<nowiki>|</nowiki>gb<nowiki>|</nowiki>''accession''<nowiki>|</nowiki>''locus''</code>
|-
| EMBL Data Library
| <code>gi<nowiki>|</nowiki>''gi-number''<nowiki>|</nowiki>emb<nowiki>|</nowiki>''accession''<nowiki>|</nowiki>''locus''</code>
|-
| DDBJ, DNA Database of Japan
| <code>gi<nowiki>|</nowiki>''gi-number''<nowiki>|</nowiki>dbj<nowiki>|</nowiki>''accession''<nowiki>|</nowiki>''locus''</code>
|-
| NBRF PIR
| <code>pir<nowiki>||</nowiki>''entry''</code>
|-
| Protein Research Foundation
| <code>prf<nowiki>||</nowiki>''name''</code>
|-
| SWISS-PROT
| <code>sp<nowiki>|</nowiki>''accession''<nowiki>|</nowiki>''name''</code>
|-
| TrEMBL
| <code>tr<nowiki>|</nowiki>''accession''<nowiki>|</nowiki>''name''</code>
|-
| Brookhaven Protein Data Bank (1)
| <code>pdb<nowiki>|</nowiki>''entry''<nowiki>|</nowiki>''chain''</code>
|-
| Brookhaven Protein Data Bank (2)
| <code>''entry'':''chain''<nowiki>|</nowiki>PDBID<nowiki>|</nowiki>CHAIN<nowiki>|</nowiki>SEQUENCE</code>
|-
| Patents
| <code>pat<nowiki>|</nowiki>country<nowiki>|</nowiki>number</code>
|-
| GenInfo Backbone Id
| <code>bbs<nowiki>|</nowiki>number</code>
|-
| General database identifier
| <code>gnl<nowiki>|</nowiki>database<nowiki>|</nowiki>identifier</code>
|-
| NCBI Reference Sequence
| <code>ref<nowiki>|</nowiki>accession<nowiki>|</nowiki>locus</code>
|-
| Local Sequence identifier
| <code>lcl<nowiki>|</nowiki>identifier</code>
|}

Die vertikalen Striche sind keine Separatoren gemäß der [[Backus-Naur-Form]], sondern Teil des Formats.

== Siehe auch ==
* [[FASTA-Algorithmus]]
* [[EMBOSS]]

== Weblinks ==
* [https://emboss.sourceforge.net/docs/themes/SequenceFormats.html#in Sequenzformate]
* [https://www.ncbi.nlm.nih.gov/blast/fasta.shtml Beschreibung des FASTA-Formats des NCBIs] (englisch)
* [http://www.binf.ku.dk/~kasper/misc/lfasta/ LFasta] (englisch)
* [http://www.bugaco.com/bioinf/ Nexus to Fasta converter] (englisch)
* [http://gp2fasta.ovh.org/ GenBank to Fasta conventer] (englisch)

== Einzelnachweise ==
<references />

[[Kategorie:Bioinformatik|Fastaformat]]