GenBank格式是最古老的生物信息學數(shù)據(jù)格式之一，最初是為了兼顧可讀性和計算機處理的有些翱翔。具有所謂的固定寬度格式，其中前10個字符構成用作標識符的列，該行其余是與該標識符相對應的信息。
GeneBank格式
GeneBank數(shù)據(jù)
GeneBank格式可讀性可以，但不適合做分析，通常用ReadSeq工具轉(zhuǎn)換為其他更簡單的格式。
NCBI參考序列（RefSeq）項目提供許多生物體的序列記錄和相關信息，并為醫(yī)學、功能學和比較研究提供基線。
RefSeq數(shù)據(jù)庫是一組非冗余的參考標準，源于GenBank中存儲的所有數(shù)據(jù)。包括：
- 染色體
- 完整的基因組分子（細胞器基因組、病毒、質(zhì)粒）
- 中間組裝的gemonic contigs
- curated基因組區(qū)域
- mRNAs
- RNAs
- 蛋白質(zhì)
獲取不同數(shù)據(jù)格式并轉(zhuǎn)換
# Fetch the sequence from NCBI. 這里-format gb即Genebank文件
efetch -db nuccore -id NC_001501 -format gb > NC_001501.gb
cat NC_001501.gb | head
如果想要FASTA格式的文件
#既可以-format fasta
efetch -db nuccore -id NC_001501 -format fasta > NC_001501-version1.fa
#也可以用seqret將Genebank文件轉(zhuǎn)換為FASTA文件
cat NC_001501.gb | seqret -filter -osformat fasta > NC_001501-version2.fa
看看結(jié)果是否一樣
cat NC_001501-version1.fa | head -2
cat NC_001501-version2.fa | head -2
#事實上顯示的前兩行就有差別
什么時候改變數(shù)據(jù)格式？
- 如果數(shù)據(jù)源提供了多種數(shù)據(jù)格式，最好分別獲取每一種格式，而不是在格式之間相互轉(zhuǎn)換，每一次轉(zhuǎn)換都有可能出現(xiàn)問題
-
如果數(shù)據(jù)源只提供了一種格式，而且你不確定數(shù)據(jù)采用的基因組構建是否相同，那你只能自己做re-formatting了，這個過程一定要慎之又慎！“犯了點小錯誤”的數(shù)據(jù)往往是致命的
RefSeq記錄的特點是兩個字母加下劃線開頭：NP_
