Formatos de archivos¶
Autora: M. Nayeli Luis-Vargas
A lo largo de el análisis de datos de origen biológico te vas a encontrar con diferentes formatos de los archivos resultantes de la secuenciación de tus muestras o de un proceso bioinformático. Por tanto, es importante que conozcas el tipo de información que guarda los principales formatos con los que te puedes encontrar.
GENBANK¶
Es el formato de archivo más antiguo y clásico. Sus extensiones son .gb, .gbff, .genbank. Está diseñado para que sea fácilmente entendido por seres humanos. Aquí un ejemplo:
LOCUS CP010822 2158963 bp DNA circular BCT 19-OCT-2015
DEFINITION Thermus aquaticus Y51MC23, complete genome.
ACCESSION CP010822
VERSION CP010822.1
DBLINK BioProject: PRJNA274060
BioSample: SAMN02441811
KEYWORDS .
SOURCE Thermus aquaticus Y51MC23
ORGANISM Thermus aquaticus Y51MC23
Bacteria; Deinococcus-Thermus; Deinococci; Thermales; Thermaceae;
FASTA¶
Es un formato de texto plano que contiene las secuencias crudas, este formato es el que otorgan las plataformas de secuenciación. Puede tener las siguientes extensiones: .faa, .fna, .fasta. El formato es:
Un encabezado por secuencia que inicia con el símbolo mayor que (>) y que contiene texto que puede ser el nombre de la secuencia, una descripción, etc.
La secuencia tal cual
Aquí un ejemplo:
>NZ_CP010822.1 Thermus aquaticus Y51MC23 chromosome, complete genome
GTGGCCTTGACGCACGAGGCGGTCTGGCAGCACGTTCTGGAGCACATCCGCCGCAACATCACCGAGGTGGAGTACCACAC
CTGGTTTGAAAGGATCCGCCCCCTGGGTATCCGGGAAGGGGTTTTGGAGCTGGCGGTGCCCACCTCCTTCGCCCTGGACT
GGATCAAGCGGCACTACGCCCCCCTGATCCAGGAGGCTTTAGGCCTCCTGGGGGCCCAGGTACCCCGCTTTGAGCTTTTG
GTGGTGCCCGGAGCCGCCCAGCCGGTCCAGGTGGACATCTTCCAGGCCGTCCCCCAGGCCGACCAGGGGAAGTCCAAGCT
CAACCCCAAGTACACCTTTGAGAACTTCGTGGTGGGGCCCAACAACAACCTGGCCCACGCCGCGGCCGTGGCCGTGGCCG
AGTCGCCCGGCAAGGCCTACAACCCCCTTTTCATCTACGGGGGGGTGGGCCTGGGCAAGACCCACCTCATGCACGCCGTG
GGCCACTCGGTAGCCAAGCGGTTCCCCAGCCTCAAGATTGAGTACGTCTCCACCGAAACCTTCACCAACGAGCTCATCAA
CGCCATCCGCGAGGACCGCATGGCGGAGTTCCGGGAGCGGTACCGCTCCGTGGACCTCCTCCTGGTGGACGACATCCAGT
TCATCGCCGGCAAGGAAAGGACGCAGGAGGAGTTCTTCCACACCTTCAACGCCCTCTTTGAGGCCCACAAGCAGATCATC
FASTAQ¶
Es una variante del formato FASTA, solo que tiene asociado datos sobre la calidad de cada secuencia. Los archivos con formato FASTAQ consisten en 4 secciones:
Un encabezado por secuencia que inicia con arroba (@), seguido por el ID de la secuencia y más texto opcional como la descripción.
La segunda sección contiene la secuencia, generalmente solo utiliza una línea.
la tercera línea inicia con símbolo más (+) y puede contener texto opcional.
LA cuarta contiene los valores de calidad codificados en caracteres ASCII y tiene la misma longitud que la secuencia. Cada caracter representa un número y la codificación puede ser diferente, en general se utiliza el score de calidad Phred. Para entender en qué consiste el score de calidad Phred puedes leer el anexo de éste manual Score de calidad Phred.
De manera que los archivos FASTAQ se pueden ver de la siguiente forma:
@ERR059938.60 HS9_6783:8:2304:19291:186369#7/2
GTCTCCGGGGGCTGGGGGAACCAGGGGTTCCCACCAACCACCCTCACTCAGCCTTTTCCCTCCAGGCATCTCTGGGAAAGGACATGGGGCTGGTGCGGGG
+
7?CIGJB:D:-F7LA:GI9FDHBIJ7,GHGJBKHNI7IN,EML8IFIA7HN7J6,L6686LCJE?JKA6G7AK6GK5C6@6IK+++?5+=<;227*6054
GFF/GTF¶
Los formatos de General Feature Format (GFF) y General Transfer Format (GTF), son archivos que contienen las anotaciones de los genes después de haber llevado a cabo un ensamble, donde cada línea corresponde a un gen o un objeto. Existen varias versiones de los archivos con formato GFF y en particular, un archivo GTF es idéntico a un archivo GFF versión 2. Estos archivos contienen nueve columnas separadas por tabuladores que arrojan información sobre: el nombre de la secuencia, la fuente de procedencia de la anotación, la característica de gen, los nucleótidos de inicio del gen , los nucleótidos de fin del gen, el grado de confianza, la hebra de DNA que se transcribe, la fase de anotación de los codones y una columna con otros atributos del gen.
Aquí un ejemplo de un archivo con formato GTF:
#gtf-version 2.2
#!genome-build ASM139977v1
#!genome-build-accession NCBI_Assembly:GCF_001399775.1
#!annotation-date 12/11/2020 01:41:48
#!annotation-source NCBI RefSeq
NZ_CP010822.1 RefSeq gene 7 1326 . + . gene_id "TO73_RS00005"; transcript_id ""; gbkey "Gene"; gene "dnaA"; gene_biotype "protein_coding"; locus_tag "TO73_RS00005"; old_locus_tag "TO73_0001";
A continuación se describe cada columna:
[seqname]Nombre de la secuencia, usualmente es el identificador del cromosoma en donde se encuentra el gen.
[source]Etiqueta que indica la fuente de la cual procede la anotación, puede ser el nombre del programa de predicción o la base de datos.
[feature]Característica de la secuencia anotada puede ser: “CDS”, “start_codon”, “stop_codon”, “gene”.
[start]y[end]Indican los nucleótidos de inicio y final del gen.
[score]Indica el grado de confianza en la existencia y las coordenadas del objeto (gen). El valor no tiene una escala global, pero puede tener importancia relativa cuando en [source] se indica el programa utilizado para hacer la predicción, si es así se puede usar un número, de lo contrario puede reemplazarse por un punto.
[strand]Puede representarse con signo más (+) para forward ó menos (-).
[frame]Se representa como 0, 1 o 2. 0 indica que el objeto comienza con un codón completo en la base 5’. 1 significa que hay una base extra antes del primer codón completo (la tercera base de un codón anterior) y 2 significa que hay dos bases extra (la segunda y la tercera base de un codón anterior) antes del primer codón completo.
[attribute]Una lista separada por punto y coma (;) de otros atributos del gen como un identificador global del gen, un identificador global del transcrito, entre otros.
Paraq saber más…
sobre los archivos con formato GFF puedes visitar la documentación en la siguientes páginas:
SAM/BAM¶
Los formatos SAM/BAM son conocidos como mapas de alineamiento de secuencias (Sequence Alignment Maps). Estos archivos representan los resultados de alineamiento de un FASTQ con un archivo FASTA de referencia y describe las alienaciones individuales por pares que se encontraron. Diferentes algoritmos pueden crear alineamientos (archivos SAM/BAM). La diferencia entre una archivo SAM y uno BAM, es que el BAM es el formato binario del SAM, es decir, es más pequeño y necesita un interprete para poder ser leído por humanos.
Visión de un archivo BAM:
MT_orang 0 MT_human 577 60 14M2D4M3I37M1D85M1D232M1I559M1D6M1I550M1D2M1D146M2I3M1D3M1D132M1D3M1I40M3I13M1D1M1D335M3I4M1D3M2D342M1D52M1I13M3I1M2D52M1I592M1D3M1I485M1D5M1I974M3I4M3D230M1D59M1D156M1D31M1I98M1I26M14I329M3I7M3D1203M1D4M1I70M1D345M1D9M1I398M7I8M8I1M1I9M3I2M1I2M1D390M1I5M1D193M1I6M1D195M1D7M1I1826M1D10M1I1256M1D49M1D157M3D5M3I48M2I1M1I3M3D1203M1I2M2D1M1I44M2D2M1I2M1I38M2D16M2I2079M1I5M1D50M1D3M1I43M5I57M1I54M4D19M1I39M2D8M1I7M1I22M1I5M1I4M1D5M1I2M2D29M2I20M1D13M2I1M1D8M1D45M1D15M1I5M2D17M1D56M1D2M1I131M1I38M474S * 0 0 GTTTATGTAGCTTATTCTATCCAAAGCAATGCACTGAAAATGTCTCGACGGGCCCACACGCCCCATAAACAAATAGGTTTGGTCCTAGCCTTTCTATTAGCTCTTAGTGAGGTTACACATGCAAGCTCTCAACAACCCTACCCCATCAACCCAACAAAATCCAATTTTTATCTTTAGGCTATGTGCACTTTCAACAGGCACCCCTCAACTAACACAATCTCCTTCTTATCCCACCCACCAACCCCCCCCCCCCCTTCCTCCCTCTTTCTCCATTTTCCCCACAAACACCGCTACTACCCCCACACCCCAGACCAACCCAACCCAAAAGACACCCCGCACG * NM:i:2322 ms:i:18279 AS:i:18198 nn:i:0 tp:A:P cm:i:342 s1:i:3187 s2:i:0 de:f:0.1405 rl:i:0
VCF¶
El formato VCF (Variant Call Format) es un archivo delimitado por tabuladores y describe la variación de alineaciones con respecto a una referencia. Este archivo se genera a partir de un archivo BAM. Las extensiones de éste formato son .vcf, .bcf.
Visión de un archivo VCF
#CHROM POS ID REF ALT QUAL FILTER INFO FORMAT NA00001 NA00002 NA00003
20 14370 rs6054257 G A 29 PASS NS=3;DP=14;AF=0.5;DB;H2 GT:GQ:DP:HQ 0|0:48:1:51,51 1|0:48:8:51,51 1/1:43:5:.,.
20 17330 . T A 3 q10 NS=3;DP=11;AF=0.017 GT:GQ:DP:HQ 0|0:49:3:58,50 0|1:3:5:65,3 0/0:41:3
20 1110696 rs6040355 A G,T 67 PASS NS=2;DP=10;AF=0.333,0.667;AA=T;DB GT:GQ:DP:HQ 1|2:21:6:23,27 2|1:2:0:18,2 2/2:35:4
20 1230237 . T . 47 PASS NS=3;DP=13;AA=T GT:GQ:DP:HQ 0|0:54:7:56,60 0|0:48:4:51,51 0/0:61:2
20 1234567 microsat1 GTC G,GTCT 50 PASS NS=3;DP=9;AA=G GT:GQ:DP 0/1:35:4 0/2:17:2 1/1:40:3
El significado de cada columna es el siguiente:
[CHROM]Identificador del genoma de referencia. Todas las entradas para un CHROM específico deben formar un bloque dentro del archivo.
[POS]La posición de referencia, las posiciones se ordenan numéricamente en orden creciente dentro de cada secuena de referencia CHROM.
[ID]Lista de identificadores únicos separados por punto y coma.
[ALT]Lista separada por comas de los alelos alternativos que no son de referencia invocados en al menos una de las muestras.
[QUAL]Puntaje de calidad.
[FILTER]PASS si la posición ha pasasado todos los filtros. De lo contrario se arroja una lista separada por punto y coma para los filtros que fallan.
[INFO]Serie de claves cortas separadas por punto y coma con valores opcionales en el formato
= [, datos].
Para saber más…
Para saber con más detalle qué significa cada parámetro de los archivos BAM/SAM y VCF te recomiendo leer con detenimiento los documentos de la página SAM/BAM and related specifications.