Linux_生物信息学常见文件格式

Linux_生物信息学常见文件格式

• fasta

fasta：一种基于文本用于表示核酸序列或多肽序列的格式。缩写为 fa

特征： 两部分, id行和序列行.

• id行：以“>”开头, 有时候会包含注释信息，如 chr1、chr2 …
• 序列行：一个字母表示一个碱基/氨基酸，ATCGN 或 20种氨基酸

• fastq

fastq：一种保存生物序列（通常为核酸序列）及其测序质量得分信息的文本格式。FASTQ文件中，一个序列通常由四行组成： • 第一行：以 @ 开头，之后为序列的标识符以及描述信息 • 第二行：为序列信息，如 ATCG • 第三行：以 + 开头，之后可以再次加上序列的标识及描述信息（保留行） • 第四行：为碱基质量值，与第二行的序列相对应，长度必须与第二行相同

• gff/gtf

gff：基因组注释文件 ，总共有 9 列。

列 名称 含义 1 seqname 序列的名字。通常格式染色体ID或是contig ID 2 source 注释的来源。通常是预测软件名或是公共数据库 3 feature 基因结构：transcript，gene，exon，CDS，start_codon，stop_codon，UTR… 4 start 起始位置，从1开始计数。 5 end 终止位置。 6 score 这一列的值表示对该类型存在性和其坐标的可信度，不是必须的，可以用点“.”代替。 7 strand 链的正向与负向，分别用加号+和减号-表示。 8 frame 密码子偏移，可以是0、1或2。 9 attributes 属性，一个包含众多属性的列表，格式为“标签＝值”（tag=value），不同属性之间以分号相隔。

gtf：基因注释文件 ，总共有 9 列。

列 名称 含义 1 seqname 序列的名字。通常格式染色体ID或是contig ID 2 source 注释的来源。通常是预测软件名或是公共数据库 3 feature 基因结构：transcript，gene，exon，CDS，start_codon，stop_codon，UTR… 4 start 起始位置，从1开始计数。 5 end 终止位置。 6 score 这一列的值表示对该类型存在性和其坐标的可信度，不是必须的，可以用点“.”代替。 7 strand 链的正向与负向，分别用加号+和减号-表示。“.”表示不需要指定正负链，“?” 表示未知. 8 frame 密码子偏移，可以是0、1或2。仅对编码蛋白质的CDS有效，本列指定下一个密码子开始的位置。 9 attributes 属性，必须要有以下两个值： gene_id value: 表示坐标在基因组上的基因座的唯一的ID。gene_id 与 value 值用空格分开，如果值为空，则表示没有对应的基因。transcript_id value: 预测的转录本的唯一ID。transcript_id与value值用空格分开，空表示没有转录本。