¿Existen bases de datos de plantillas para formatos de archivos bioinformáticos comunes?

2017-06-02 19:08:50 UTC

Quiero algunas plantillas de diferentes formatos de archivo que pueda usar para probar mis scripts e identificar posibles errores en mi código.

Por ejemplo, considere el nucleótido FASTA, un formato simple pero a menudo abusado, lo haría quiero que las plantillas capturen formatos regulares e irregulares, como he visto todos estos:

1) Secuencia de una sola línea

  >1ATG

2) Secuencia de varias líneas

  >1ATG

3) Letras mayúsculas y minúsculas en secuencia

  >1Atg

4) Ns y Xs (y posiblemente otras letras) en secuencia

  >1ANnxX

5) Encabezados inusuales ( a veces caracteres no ASCI, es necesario considerar la codificación)

  >ATG > 汉字 ATG

6) Espacio en blanco entre registros

  >1ATG>2ATG

7) Encabezados duplicados

  >1ATG>1ATC

8) Encabezados o secuencias vacíos (FASTA válido ?)

>>

9) No hay una nueva línea '\ n' carácter en la última línea (puede estropear el archivo concatenación)

  >1A # < no hay nueva línea aquí

10) Diferentes caracteres de nueva línea según el sistema operativo

  >1A # \ r \ n vs \ n

etc.

Debe haber plantillas separadas para FASTA de nucleótidos y proteínas, y otras separadas para FASTA alineadas.

Idealmente incluiría también otros aspectos, como diferentes formatos de compresión (como .gz , .bzip2 ) y diferentes extensiones de archivo (como . fa , .fasta).

Nunca he visto recursos que proporcionen plantillas que los cubran, pero creo que sería útil. Por supuesto, podría crear mis propias plantillas, pero tomaría tiempo capturar todas las variaciones probables de los formatos, particularmente para formatos de archivo más complejos.

Tenga en cuenta que no solo me interesa el formato FASTA, era un ejemplo.

También tenga en cuenta que conozco herramientas (como BioPython ) que deberían manejar muchos formatos bueno, pero también pueden tener errores. De todos modos, en la práctica, a veces termino analizando archivos directamente porque no quiero la sobrecarga o la dependencia de un paquete externo.

EDITAR: Por favor, no responda esta pregunta para decir que no Yo tampoco conozco tales recursos, de ahí la pregunta. La útil respuesta de bli muestra que hay al menos un conjunto de pruebas que podría usarse como punto de partida. Sé que normalmente es fácil buscar la especificación de cualquier formato de archivo en particular.

En realidad, la definición del formato FASTA es muy simple. Solo tiene dos restricciones y la segunda a menudo se ignora: i) las líneas de encabezado deben comenzar con `>` y pueden contener lo que quieran excepto un `\ n`. ii) las líneas de secuencia deben tener 60 caracteres por línea. Nada más es relevante, ni el número de líneas de secuencia, ni los caracteres en el encabezado, ni la extensión (que de todos modos suele ser irrelevante fuera del mundo de Windows), no hay restricciones sobre qué caracteres puede tener una secuencia (por lo tanto, no hay diferencia entre especificaciones de proteínas y nucleótidos fasta).

Claro, la especificación es simple, pero como dice en la práctica, no siempre se sigue y cuando analiza un archivo, todas estas variaciones se vuelven relevantes. He tenido muchas herramientas tropezando con extraños encabezados o secuencias FASTA y claramente es importante que las herramientas distingan los nucleótidos de los aminoácidos. Puede "glob" archivos con solo 1 sufijo en particular, por ejemplo.

Si las herramientas se ahogan con eso, son las herramientas las que están ignorando el estándar. El estándar FASTA es uno de los pocos que es realmente claro y fácil de entender. Es simplemente un formato muy libre. Y sí, por supuesto que puedes usar extensiones. Yo, por ejemplo, tiendo a nombrar mis archivos de proteínas `.pep` y nt` .fa` pero no existe un estándar para esto. Todo lo que deben hacer sus herramientas es i) tomar la línea completa después de un `>` como nombre de secuencia y ii) todo lo demás como secuencia. Eso es todo, y eso es todo lo que se necesita para ser rápido.

Claro, las herramientas pueden ignorar el estándar, y por eso creo que es bueno tener plantillas variadas para probar las herramientas. Y no siempre es simple, p. Ej. si usa encabezados FASTA para nombrar archivos posteriores, los caracteres especiales pueden ser una molestia. De todos modos, como decía FASTA era solo un ejemplo, la lógica se extiende para otros formatos más complejos

Usted menciona "No solo me interesa el formato FASTA, fue un ejemplo", pero tenga en cuenta que es mejor mantener las preguntas lo más específicas posible.