这里对多重序列比对格式(Multiple sequence alignment – MSA)进行总结。在做系统演化分析、序列功能分析、基因预测等,都需要涉及到多重序列比对。特别是当需要用不同软件对多重比对序列进行批量操作时,会遇到各种的格式,而这些格式是如何产生的,有什么区别,格式之间如何转换,从哪里可以下载到相关的格式序列,不同的格式又有什么特殊的用途等,本篇文章将就这些问题进行总结与讨论。因为涉及内容较多,不足之处,欢迎大家补充或者批判。
生物信息学的基础是基于这样的一个假设:序列相似,结构相似,功能相似。所以相似的一组序列,就可能同属于一个基因家族,而这样的一组序列相似的部分,就可能使其功能之所在,称其为结构域。这是对于基因家族分类的一种方式,将结构与功能进行联系,从而实现从结构预测功能(序列称为一级结构)。
进行多重比对、多重序列的编辑、多重序列注释、存储与展示、系统演化分析等,不同的软件、不同的系统,除了要兼容现有的格式,还会根据自身的需要,都定义新的格式。所以这些本身可以进行部分的格式转换,同时许多脚本模块比如bioperl等也提供了一些格式之间转换的脚本。这些格式同发布其软件平台有着密切的联系,随着软件的流行而流行。
下表是目前主流的格式:
名称 | 后缀 | 描述 | Unique file Feature | 详细定义地址 |
FASTA | .fasta, fa | Pearson or FASTA sequence format | >SequenceNameTHISISASEQENCE | FASTA (Pearson) |
GCG/MSF format | .msf, .gcg | GCG Multiple Sequence File (MSF) alignment format | !! AA_MULTIPLE_ALIGNMENT 1.0..// | GCG/MSF |
Aligned FASTA (UCSC a2m) format | .a2m | UCSC | ||
Stockholm format | .txt | used by Pfam and Rfam to disseminate protein and RNA sequence alignments. 可以添加丰富的注释信息,适合多序列比对结果的注释。 | # STOCKHOLM 1.0<seqname> <aligned sequence> … // |
链接,wiki链接 |
PHYLIP | .phy, .phylip, .phylip2 | PHYLIP software | 链接 | |
NBR/PIR | .pir | NBRF or PIR sequence format | >P1; | 链接 |
CLUSTAL | .aln, .an, .aln2 | ClustalW alignment format | CLUSTAL | 链接 |
GDE | .gde | GDE format is a tagged-field format similar to ASN.l that is used for storing all available information about a sequence, including residue color. | 链接 | |
NEXUS | .nxs, .nexus | Nexus file formatis widely used in Bioinformatics. Several popular phylogenetic programs such as Paup, MrBayes, Mesquite, and MacClade use this format. | 链接 | |
BLC | .blc | >Seq1>Seq2 | ||
PFAM | .pfam | SequenceName THISISASEQENCE | 链接 | |
MEGA | .meg | MEGA software | ||
SELEX | . | |||
IG | .ig | |||
Internet (NCBI) XML format | .xml | |||
NBRF format | .nbrf |
主要软件平台对于格式的要求
- Clustal
输入:NBRF/PIR, GCG/MSF, PHYLIP, GDE, NEXUS, FASTA
输出:CLUSTAL, NBRF/PIR, GCG/MSF, PHYLIP, GDE, NEXUS, FASTA
- MUSCLE(http://www.drive5.com/muscle/muscle.html)
输入:FASTA, CLUSTAL, MSF
输出:FASTA - hmmbuild
ClustalW, GCG MSF, or SELEX - hmmalign
输入:FASTA, GENBANK, EMBL, GCG, PIR, STOCKHOLM, SELEX, MSF, CLUSTAL, and PHYLIP.
输出:Stockholm, SELEX, MSF, Clustal, Phylip, and A2M - Jalview java viewer (http://www.jalview.org/help.html)
输入:Fasta (Pearson), GCG-MSF, ALN/ClustalW, AMPS Block file, NBRF/PIR (including MODELLER variant), Pfam/Stockholm
输出:Fasta (Pearson), GCG-MSF, ALN/ClustalW, AMPS Block file, NBRF/PIR, Pfam/Stockholm - MEGA
输入:CLUSTAL, NEXUS (PAUP, MacClade), PHYLIP, GCG, FASTA, PIR, NBRF, MSF, IG, and XML formats.
输出:MEGA, PAUP, FASTA -
PFAM数据库
Selex, Stockholm, MSF, FASTA