Tipos de archivos

PREGUNTAS MAS FRECUENTES
Next: Archivos Postscript Up:Taller UnixPrevious:Formatos de archivos

Tipos de archivos y archivos de secuencias

En computación existen básicamente dos tipos de archivos, los archivos ascii y los archivos binarios. El vocablo ascii es un acrónimo para American Standard Code for Information Interchange. Es un estándar que asigna un valor numérico a cada carácter, con lo que se pueden representar los documentos llamados de Texto Plano, es decir, los que son legibles por seres humanos. Los archivos binarios son todos los demás. Como ejemplos tenemos:

Archivos binarios:

De imagen: .jpg, .gif, .tiff, .bmp (Portable bitmap), .wmf (Windows Meta File), .png (Portable Network Graphics), .pcx (Paintbrush); entre muchos otros
De video: .mpg, .mov, .avi, .gif
Comprimidos o empaquetados: .zip, .Z, .gz, .tar, .lhz
Ejecutables o compilados: .exe, .com, .cgi, .o, .a
Procesadores de palabras: .doc

Archivos ascii

Archivos fuente: .f, .c, .p
Formatos de texto: .tex, .txt, .html
Formatos de intercambio: .rtf, .ps, .uu

Dentro de los archivos ASCII de uso común por los programas de bioinformática están los siguientes:

De secuencias: .seq
De secuencias múltiples: .aln, .msf (Multiple Sequence Format, secuencias alineadas), .rsf (Rich Sequence Format, estos archivos pueden incluir una o más secuencias relacionadas o no).

Todos estos archivos se caracterizan por tener ciertos formatos distintivos, que hacen posible su reconocimiento por parte de los programas de manipulación y análisis de secuencias como el PHYLIP, el GCG; entre muchos otros. A continuación se muestran algunos de los formatos mencionados señalando cada una de sus características distintivas:

Formatos archivos de secuencias:

Formato PHYLIP: es un formato de secuencias de nucleótidos y de residuos de aminoácidos que se utiliza frecuentemente como formato de entrada de diferentes programas o paquetes de análisis tales como: PHYLIP (el cual le dio el nombre), LARD, PLATO, SPOT; entre otros.

La primera línea del archivo contiene el número de especies o secuencias a analizar y luego, el número de caracteres (nucleótidos o aminoácidos) separados por espacios en blanco (no por comas). Seguidamente, se debe colocar el nombre o identificador de cada especie o secuencia (máximo 10 caracteres) que puede incluir signos de puntuación y espacios en blanco. Luego debe colocarse la secuencia en sí; es decir los caracteres, en código de una letra, correspondientes a la proteína, molécula de ARN o de ADN.

Las secuencias pueden ser colocadas en columnas de diez (10) caracteres cada una para facilitar la lectura de las mismas. Luego puede o no colocarse una línea en blanco separadora entre el primer y el segundo grupo de secuencias. Es importante que el número de caracteres de todas las líneas sea igual.
```
    6  39 
Archaeopt CGATGCTTAC CGCCGATGCT
Hesperorn CGTTACTCGT TGTCTCTGCC
Baluchith TAATGTTAAT TGTCGATGCT
B. virgin TAATGTTCGT TGTCGAAGCA
Brontosau CAAAACCCAT CATCGTTGCT
B.subtili GGCAGCCAAT CACCGAAGCT

TACCGCCGAT GCTTACCGC
CGTTGTCGTT ACTCGTTGT
AATTGTTAAT GTTAATTGT
CGTTGTTAAT GTTCGTTGT
CATCATCAAA ACCCATCAT
AATCACGGCA GCCAATCAA
```
El formato especificado arriba se conoce como "intercalado" (o interleaved). También existe una forma alternativa de estructurar los archivos, que se conoce como "secuencial", en la cual todos los datos de la primera especie son presentados, luego los de la segunda especie, y así sucesivamente.
```
   3   39
Archaeopt CGATGCTTAC CGCCGATGCT
TACCGCCGAT GCTTACCGC
Hesperorn CGTTACTCGT TGTCTCTGCC
CGTTGTCGTT ACTCGTTGT
Baluchith TAATGTTAAT TGTCGATGCT
AATTGTTAAT GTTAATTGT
```
GenBank: este formato es el utilizado para los reportes de secuencias tanto de nucleótidos como de aminoácidos que se encuentran almacenados en el GenBank. Principalmente se caracteriza por proporcionar al usuario una información bastante completa sobre la secuencia. Los programas del GCG pueden utilizar archivos obtenidos en búsquedas en el GenBank, pero para que esto sea posible, es necesario primero cambiarle el formato al archivo empleando el comando siguiente:

fromgenbank archivo_de_secuencia

LOCUS       CTRL         1184 bp    mRNA            PRI       19-MAR-1999
DEFINITION Homo sapiens chymotrypsin-like (CTRL) mRNA.
ACCESSION   NM_001907
NID         g4503136
VERSION     NM_001907.1 GI:4503136
KEYWORDS    .
SOURCE      human.
ORGANISM Homo sapiens
            Eukaryota; Metazoa; Chordata; Craniata; Vertebrata; Mammalia;
            Eutheria; Primates; Catarrhini; Hominidae; Homo.
REFERENCE   1 (bases 1 to 1184)
AUTHORS   Larsen,F., Soliheim,J., reseland,J., Thorsen,L., Eriksen,J.A. and
            Prydz,H.
TITLE     Molecular cloning and immunological detection of a novel
            Chymotrypsin-like pancreatic protease
JOURNAL   Unpublished
FEATURES             Location/Qualifiers
     source          1..1184
                     /organism="Homo sapiens"
                     /db_xref="taxon:9606"
                     /map="16q22.1"
                     /clone="C1 to C25"
                     /tissue_type="pancreas"
                     /clone_lib="Clontech cDNA lambd_gt11 HL11630"
     gene            1..1184
                     /gene="CTRL"
                     /db_xref="MIM:118888"
                     /db_xref="LocusID:1506"
     sig_peptide     11..64
                     /product="chymotrypsin-like"
     CDS             11..805
                     /gene="CTRL"
                     /EC_number="3.4.21.-"
                     /codon_start=1
                     /db_xref="MIM:118888"
                     /translation="MLLLSLTLSLVLLGSSWGCGIPAIKPALSFSQRIVNGENAVLGS
                     WPWQVSLQDSSGFHFCGGSLISQSWVVTAAHCNVSPGRHFVVLGEYDRSSNAEPLQVL
                     SVSRAITHPSWNSTTMNNDVTLLKLASPAQYTTRISPVCLASSNEALTEGLTCVTTGW
                     GRLSGVGNVTPAHLQQVALPLVTVNQCRQYWGSSITDSMICAGGAGASSCQGDSGGPL
                     VCQKGNTWVLIGIVSWGTKNCNVRAPAVYTRVSKFSTWINQVIAYN"
     misc_feature    65..109
                     /note="activation peptide"
     mat_peptide     110..802
                     /product="chymotrypsin-like"
     polyA_signal    836..841
                     /note="A, primary"

BASE COUNT      258 a    361 c    307 g    258 t
ORIGIN
      1 atctgccacg atgttgctgc tcagcctgac cctaagcctg gttctcctcg gctcctcctg
     61 gggctgcggc attcctgcca tcaaaccggc actgagcttc agccagagga ttgtcaacgg
    121 ggagaatgca gtgttgggct cctggccctg gcaggtgtcc ctgcaggaca gcagcggctt
    181 ccacttctgc ggtggttctc tcatcagcca gtcctgggtg gtcactgctg cccactgcaa
    241 tgtcagccct ggccgccatt ttgttgtcct gggcgagtat gaccgatcat caaacgcaga
    301 gcccttgcag gttctgtccg tctctcgggc cattacacac cctagctgga actctaccac
    361 catgaacaat gacgtgacgc tgctgaagct cgcctcgcca gcccagtaca caacacgcat
    421 ctcgccagtt tgcctggcat cctcaaacga ggctctgact gaaggcctca cgtgtgtcac
    481 caccggctgg ggtcgcctca gtggcgtggg caatgtgaca ccagcacatc tgcagcaggt
    541 ggctttgccc ctggtcactg tgaatcagtg ccggcagtac tggggctcaa gtatcactga
    601 ctccatgatc tgtgcaggtg gcgcaggtgc ctcctcgtgc cagggtgact ccggaggccc
    661 tcttgtctgc cagaagggaa acacatgggt gcttattggt attgtctcct ggggcaccaa
    721 aaactgcaat gtgcgcgcac ctgctgtgta tactcgagtt agcaagttca gcacctggat
    781 caaccaggtc atagcctaca actgagctca ccacaggccc tccccagctc aacccattaa
    841 agacccaggc cctgtcccat catgcattca tgtctgtctt cctggctcag gagaaagaag
    901 aggctgttga gggtccgact ccctacttgg acttctggca cagaaggggc tgagtgactc
    961 cttgagtagc agtggctctt cctagagtag ccatgccgag gccggggccc ccacccctcc
    1021 tccagggcaa ccccttggtc ctacagcaag aagccagaac tgttggaatg aatggcagcc
    1081 ctccctggag aggcagcctg tttactgaat acagaggata cgtttacaaa ctgaatacgc
    1141 ataataaata actgcacatt ctccatccaa aaaaaaaaaa aaaa
//

EMBL: los archivos en este formato son reportes generados por la base de datos de secuencias de nucleótidos y de proteínas respaldada por el EMBL (European Molecular Biology Laboratory). Al igual que para los archivos en formatos GenBank, los archivos en este formato pueden ser utilizados por los programas del GCG, pero antes su formato debe ser cambiado al utilizado por este paquete.

ID   ECGOR      standard; DNA; PRO; 1500 BP.
AC   M13141;
SV   M13141.1
NI   g146247
DT   19-SEP-1987 (Rel. 13, Created)
DT   19-APR-1990 (Rel. 23, Last updated, Version 1)
DE   E.coli gor gene encoding glutathione reductase, complete cds.
KW   flavoprotein disulfide oxidoreductase; glutathione reductase; gor gene.
OS   Escherichia coli
OC   Bacteria; Proteobacteria; gamma subdivision; Enterobacteriaceae;
OC   Escherichia.
RN   [1]
RP   1-1500
RX   MEDLINE; 86243410.
RA   Greer S., Perham R.N.;
RT   "Glutathione reductase from Escherichia coli: ...
RL   Biochemistry 25:2736-2742(1986).
DR   SWISS-PROT; P06715; GSHR_ECOLI.
CC   Potential -35 and -10 regions are located at positions 21-26 and
CC   43-48 respectively, and a potential stem-loop terminator is found
CC   at 1438-1468.
XX
FH   Key             Location/Qualifiers
FT   source          1..1500
FT                   /organism="Escherichia coli"
FT                   /db_xref="taxon:562"
FT   CDS             79..1431
FT                   /db_xref="PID:g146248"
FT                   /db_xref="SWISS-PROT:P06715"
FT                   /note="glutathione reductase (EC 1.6.4.2)"
FT                   /transl_table=11
FT                   /protein_id="AAA23926.1"
FT                   /translation="MTKHYDYIAIGGGSGGIASINRAAMYGQKCALIEAKELGGTCVNV
FT                   GCVPKKVMWHAAQIREAIHMYGPDYGFDTTINKFNWETLIASRTAYIDRIHTSYENVLG
FT                   EKIVGIHGIGFGMDEMLQGFAVALKMGATKKDFDNTVAIHPTAAEEFVTMR"
XX
SQ   Sequence 1500 BP; 369 A; 375 C; 420 G; 336 T; 0 other;
     GGAGTAATTG CAGCCATTGC TGGCACCTAT TACGTCTCGC GCTACAATCG CGGTAATCAA 60
     CGATAAGGAC ACTTTGTCAT GACTAAACAC TATGATTACA TCGCCATCGG CGGCGGCAGC 120
     GGCGGTATCG CCTCCATCAA CCGCGCGGCT ATGTACGGCC AGAAATGTGC GCTGATTGAA 180
     GCCAAAGAGC TGGGCGGCAC CTGCGTAAAT GTTGGCTGTG TGCCGAAAAA AGTGATGTGG 240
     CACGCGGCGC AAATCCGTGA AGCGATCCAT ATGTACGGCC CGGATTATGG TTTTGATACC 300
     ACTATCAATA AATTCAACTG GGAAACGTTG ATCGCCAGCC GTACCGCCTA TATCGACCGT 360
//

PIR: (Protein Identification Resource) este es el formato con el que son generados los archivos provenientes de la base de datos PIR

>P1;FXME
flavodoxin - Megasphaera elsdenii
C;Species: Megasphaera elsdenii
C;Date: 13-Jul-1981 #sequence_revision 13-Jul-1981 #text_change 05-Apr-1995
C;Accession: A92137; A92156; A00331
R;Tanaka, M.; Haniu, M.; Yasunobu, K.T.; Mayhew, S.; Massey, V.
J. Biol. Chem. 248, 4354-4366, 1973
A;Reference number: A92137; MUID:73197809
A;Accession: A92137
A;Molecule type: protein
A;Residues: 1-77,'GKKLK',83-137 <TAN>
A;Experimental source: strain LC1
A;Contents: annotation
C;Comment: Some anaerobic bacteria, when grown on iron-deficient media, produce flavodoxin instead of ferredoxin, which flavodoxin can replace in certain reactions.
C;Superfamily: flavodoxin; flavodoxin homology
F;4-135/Domain: flavodoxin homology <FLX>
>P1;FXME

MVEIVYWSGT GNTEAMANEI EAAVKAAGAD VESVRFEDTN VDDVASKDVI LLGCPAMGSE
ELEDSVVEPF FTDLAPKLKG KKVGLFGSYG WGSGEWMDAW KQRTEDTGAT VIGTAIVNEM
PDNAPECKEL GEAAAKA*

FASTA: es uno de los formatos más empleados en la actualidad. Puede incluir una o más secuencias lineales de nucleótidos o aminoácidos no alineadas.

>SASP of: sap3 check: -1 from: 1 to: 279 July 29, 1996 13:56
MTDNLTTTHGGSTTLELLAQYNDHRSKKDKSIEHIEKGTCSGKERNPSYDEIFTENIKLK
LQVQEYETEIESLEKVIDMLQKNREASLEVVLEQVQNDSRDSYVNDQSFVLPPRSAERKA
HIKSLNLPIPTLSPPLQQGSDVALETSVTPTVPQIGVTSNTSISRKHLQNMILNDEIEAN
SSFSSPKIINRSVSSPTKIHSEQLASPAASVTYTTSRITIKSPNKGSKSPLQERLRSPQN
PNRMTAVINNHLHSPLKASTSNNLDELTESKSQQLTNDAIQKNDRVYSSITSSAYTTGTP
TSAAKSPSSLLEVKEGENKALGFSPASKEKLDDFTQLLDSSFGEEDLVNTDSKDPLSIKS

CLUSTAL: es uno de los muchos formatos para archivos de secuencias alineadas más utilizados por los programas de análisis de secuencias. Sus principales características son: tanto nucleótidos como aminoácidos son representados por el código de una letra; los gaps son indicados con un guión "-" y al final de las secuencias alineadas, puede aparecer una especie de secuencia consenso con signo como: "*", ":" y "."

CLUSTAL W(1.60) multiple sequence alignment

YVKE1    SQLSWKRLLMKGYIPPYKPAVS-----NSMDTSNFDEEFTR-----EKPIDSVVDEYLSES
YVKE2    KDISWKKLLLKGYIPPYKPIVK-----SEIDTANFDQEFTK-----EKPIDSVVDEYLSAS
YVKE_H RRIDWEKLENREIQPPFKPKVC------GKGAENFDKFFTR-----GQPVLTPPDQLVIAN
YVKE_M RSIDWDLLEKKQALPPFQPQIT-----DDYGLDNFDTQFTS-----EPVQLTPDDEDAIKR
             *.                                 .

YVKE1    ------QKQF
YVKE2    ------QKQF
YVKE_H D-----QSDF
YVKE_M D-----QSEF
               *  *

MSF: (multiple sequence file) es un formato para dos o más secuencias alineadas, donde el "." representa un gap, los nucleótido o aminoácidos son representados en su código de una letra, y la secuencia es escrita en columnas de diez (10) letras cada una. El comienzo de la secuencia es marcado por dos backslashes: //

PileUp of: @Pi3k.Fil

Symbol comparison table: GenRunData:Pileuppep.Cmp CompCheck: 1254

GapWeight: 3.000
GapLengthWeight: 0.100

Pi3k.Msf MSF: 377 Type: P July 12, 1996 10:40 Check: 167 ..

Name: Tor1_Yeast       Len:   377 Check: 7773 Weight: 1.00
Name: Tor2_Yeast       Len:   377 Check: 8562 Weight: 1.00
Name: Frap_Human       Len:   377 Check: 9129 Weight: 1.00
Name: Esr1_Yeast       Len:   377 Check: 8114 Weight: 1.00

              1                                                      50
Tor1_Yeast    .......GHE DIRQDSLVMQ LFGLVNTLLK NDSECFKRHL DIQQYPAIPL
Tor2_Yeast    .......GHE DIRQDSLVMQ LFGLVNTLLQ NDAECFRRHL DIQQYPAIPL
Frap_Human    .......GHE DLRQDERVMQ LFGLVNTLLA NDPTSLRKNL SIQRYAVIPL
Esr1_Yeast    .......KKE DVRQDNQYMQ FATTMDFLLS KDIASRKRSL GINIYSVLSL

                        51                                                                                         100
Tor1_Yeast    SPKSGLLGWV PNSDTFHVLI REHRDAKKIP LNIEHWVML MAPDYENLTL
Tor2_Yeast    SPKSGLLGWV PNSDTFHVLI REHREAKKIP LNIEHWVML MAPDYDNLTL
Frap_Human    STNSGLIGWV PHCDTLHALI RDYREKKKIL LNIEHRIML MAPDYDHLTL
Esr1_Yeast    REDCGILEMV PNVVTLRSIL STKYESLKIK Y....SLKS LHDRWQHTAV

MSF del GCG: los programas de GCG, para poder utilizar como archivo de introducción de datos uno con este formato, las siguientes características requieren ser especificadas: tipo de archivo(!!AA_MULTIPLE...), comienzo de la sección correspondiente a la secuencia(" .. ", comienzo de secuencia (" // ").

!!AA_MULTIPLE_ALIGNMENT 1.0
PileUp of: @seqlist

Symbol comparison table: GenRunData:blosum62.cmp CompCheck: 6430
GapWeight: 12
GapLengthWeight: 4

seqlist.msf MSF: 167 Type: P September 5, 1997 15:15 Check: 8487 ..

Name: perro Len: 167 Check: 7676 Weight: 1.00
Name: gato Len: 167 Check: 7676 Weight: 1.00
Name: conejo Len: 167 Check: 8765 Weight: 1.00
Name: vaca Len: 167 Check: 8735 Weight: 1.00
Name: mono Len: 167 Check: 6585 Weight: 1.00
Name: humano Len: 167 Check: 7528 Weight: 1.00

          1                                                        50
perro     ~~~~~~~~~~V LSPADKTNVK AAWGKVGAHA GEYGAEALER MFLSFPTTKT
gato      ~~~~~~~~~~V LSPADKTNVK AAWGKVGAHA GEYGAEALER MFLSFPTTKT
conejo    ~~~~~~~~~~V LSAADKTNVK AAWSKVGGHA GEYGAEALER MFLGFPTTKT
vaca      ~~~~~~~~~~V LSAADKTNVK AAWSKVGGHA GEYGAEALER MFLGFPTTKT
mono      ~~~~~~~~~VQ LSGEEKAAVL ALWDKV..NE EEVGGEALGR LLVVYPTWTQ
humano    ~~~~~~~~~VH LTPEEKSAVT ALWGKV..NV DEVGGEALGR LLVVYPTWTQ

          51                                                     100
perro     YFPHFDLSH .........G SAQVKGHGKK VADALTNAVA HVDD..MPNAL
gato      YFPHFDLSH .........G SAQVKGHGKK VADALTNAVA HVDD..MPNAL
conejo    YFPHFDLSH .........G SAQVKAHGKK VGDALTLAVG HLDD.L.PGAL
vaca      YFPHFDLSH .........G SAQVKAHGKK VGDALTLAVG HLDD.L.PGAL
mono      FFDSFGDLI NPGAVMGNPK VKAHGKKVLH SFGEGVHHLD N...L...KGT
humano    FFESFGDLS TPDAVMGNPK VKAHGKKVLG AFSDGLAHLD N..L...KGTF

RSF: (Rich Sequence File) este tipo de formato de archivos de secuencias de nucleótidos o aminoácidos es utilizado por algunos programas del GCG y permite introducir una o más secuencias para llevar a cabo un análisis. Las características que debe respetar un archivo en este formato son las siguientes:

!!RICH_SEQUENCE 1.0
..
{
Clon 5 de la genoteca XL-45 de humano
sequence
AAGCTTCACC GGCGCAGTCA TTCTCATAAT CGCCCACGGA CTTACATCCT CATTACTATT
CTGCCTAGCA AACTCAAACT ACGAACGCAC TCACAGTCGC ATCATAATCC TCTCTCAAGG
ACTTCAAACT CTACTCCCAC TAATAGCTTT TTGATGACTT CTAGCAAGCC TCGCTAACCT
CGCCTTACCC CCCACTATTA ACCTACTGGG AGAACTCTCT GTGCTAGTAA CCACGTTCTC
CTGATCAAAT ATCACTCTCC TACTTACAGG ACTCAACATA CTAGTCACAG CCCTATACTC
}

{
Clon 31 de la genoteca BC-1 de chimpance
sequence
AAGCTTCACC GGCGCAATTA TCCTCATAAT CGCCCACGGA CTTACATCCT CATTATTATT
CTGCCTAGCA AACTCAAATT ATGAACGCAC CCACAGTCGC ATCATAATTC TCTCCCAAGG
ACTTCAAACT CTACTCCCAC TAATAGCCTT TTGATGACTC CTAGCAAGCC TCGCTAACCT
CGCCCTACCC CCTACCATTA ATCTCCTAGG GGAACTCTCC GTGCTAGTAA CCTCATTCTC
CTGATCAAAT ACCACTCTCC TACTCACAGG ATTCAACATA CTAATCACAG CCCTGTACTC
}

{
Clon 107 de la genoteca de gorila
sequence
AAGCTTCACC GGCGCAGTTG TTCTTATAAT TGCCCACGGA CTTACATCAT CATTATTATT
CTGCCTAGCA AACTCAAACT ACGAACGAAC CCACAGCCGC ATCATAATTC TCTCTCAAGG
ACTCCAAACC CTACTCCCAC TAATAGCCCT TTGATGACTT CTGGCAAGCC TCGCCAACCT
CGCCTTACCC CCCACCATTA ACCTACTAGG AGAGCTCTCC GTACTAGTAA CCACATTCTC
CTGATCAAAT ACCACCCTTT TACTTACAGG ATCTAACATA CTAATCACAG CCCTGTACTC
}

Next:Archivos PostscriptUp:Taller UNIXPrevious:Formatos de archivos

Información | CeCalCULA | Principal | Servicios | Enlaces