FASTA 格式：参考序列的标准表示

快速概览

FASTA 编码参考序列（reference sequence）——整个生物信息学坐标系统的骨架。理解其简单结构、索引机制（.fai）和版本体系，是比对、注释和变异检测的前提。

• FASTA 结构简单：定义行（`>` 开头）+ 序列行
• 只包含序列字符，不包含质量分数、比对位置或功能注释
• 参考基因组 FASTA 通常经过索引（samtools faidx）以支持快速随机访问
• 不同参考版本（GRCh37 vs GRCh38）的 FASTA 序列不同，不能混用

所属板块 数据、注释与资源

参考版本、注释体系、数据格式与数据库的统一入口。

阅读目标 帮助建立阅读上下文

先判断这页与你当前问题的关系，再决定是否深入展开。

建议前置 先建立相关基础对象与方法直觉

建议先建立相关基础对象与方法直觉，再进入本页。

是什么

FASTA 格式编码的是参考序列（reference sequence）——一个生物分子序列（DNA、RNA 或蛋白质）的字符串表示。它是整个生物信息学坐标系统的骨架。

数据结构

>chr1 Homo sapiens chromosome 1, GRCh38.p14 Primary Assembly
NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN
ACATAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTA

部分	说明
定义行（> 开头）	序列标识符和描述信息
序列行	碱基或氨基酸字符（可跨多行）

关键特征

• 只包含序列本身，不包含任何元数据（如测序质量、比对位置、功能注释）
• 支持 IUPAC 模糊字符（如 N 表示未知碱基）
• 序列行通常按固定宽度换行（如 60 或 80 字符），但非严格要求

为什么重要

FASTA 是分析流程的坐标骨架：

• 比对：所有 reads 都相对于 FASTA 中的参考序列进行定位
• 注释：GTF/GFF 中的坐标必须与 FASTA 版本匹配
• 变异检测：REF 等位基因直接从 FASTA 中提取
• 可视化：基因组浏览器以 FASTA 为坐标基准

关键认知：FASTA 定义了”坐标系的原点”。如果参考版本不一致，所有下游分析（比对、注释、变异）的坐标都将错位。

前置知识

• 参考基因组、坐标系统与注释
• 序列与字符串

参考基因组 FASTA 的结构

人类参考基因组 FASTA 通常包含所有染色体和 scaffolds：

>chr1 Homo sapiens chromosome 1, GRCh38.p14 Primary Assembly
ACATAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTA...
>chr2 Homo sapiens chromosome 2, GRCh38.p14 Primary Assembly
GCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAG...
...
>chrX Homo sapiens chromosome X, GRCh38.p14 Primary Assembly
TAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCT...
>chrM Homo sapiens mitochondrion, GRCh38.p14 Primary Assembly
GCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAG...

常见染色体标识符

标识符	说明
chr1 - chr22	常染色体
chrX, chrY	性染色体
chrM	线粒体基因组
chrUn_*	未定位 scaffolds
chr*_alt	替代 haplotype（GRCh38 新增）
chr*_decoy	decoy 序列（用于捕获未比对 reads）

FASTA 索引（.fai）

由于参考基因组 FASTA 文件很大（人类 ~3 GB），直接随机访问特定区域效率低。samtools faidx 生成索引文件支持快速查询：

samtools faidx reference.fa
# 生成 reference.fa.fai

.fai 文件格式

chr1    248956422       52      60      61
chr2    242193529       253154394       60      61

列	说明
1	序列名称
2	序列长度
3	文件中起始字节偏移
4	每行碱基数
5	每行字节数（含换行符）

使用索引快速查询

# 提取 chr1:1000-1050
samtools faidx reference.fa chr1:1000-1050

压缩格式：bgzip 与 .fasta.gz

大型 FASTA 文件可使用 bgzip 压缩（而非普通 gzip），支持随机访问：

bgzip reference.fa
# 生成 reference.fa.gz
samtools faidx reference.fa.gz

bgzip 与普通 gzip 的区别：bgzip 将文件分块压缩，每块可独立解压，支持 tabix 和 faidx 随机访问。

FASTA 与其他格式的关系

对比	FASTA	对比格式
FASTQ	只包含序列，不带质量分数	包含序列 + 质量分数，是原始 reads
BAM	只包含参考序列，无比对信息	包含 reads 在参考上的定位结果
GTF	只包含序列字符，无功能注释	包含基因结构注释

核心原则：FASTA 是参考层，不是证据层或注释层。它回答”坐标 X 处的碱基是什么”，不回答”这个位置有什么功能”或”这个样本在这里有什么变异”。

参考版本差异

不同参考版本的 FASTA 序列可能不同：

差异类型	示例
补丁更新	GRCh38.p12 → GRCh38.p14（修复错误序列）
主版本更新	GRCh37 → GRCh38（新增 alternate loci、decoy）
命名差异	chr1（UCSC）vs 1（Ensembl）

关键注意：不同版本的 FASTA 不能混用。使用 GRCh37 的 BAM 配合 GRCh38 的 FASTA 会导致坐标错误。

与真实工具或流程的连接

与真实工具或流程的连接

• 比对工具：BWA、Bowtie2、minimap2 以 FASTA 为参考输入
• 索引构建：samtools faidx、bwa index、bowtie2-build 基于 FASTA 构建索引
• 序列提取：samtools faidx、bedtools getfasta 从 FASTA 提取特定区域
• 变异注释：VEP、SnpEff 使用 FASTA 确认 REF 等位基因

常见概念误区

常见误区

• **FASTA = FASTQ**：FASTA 不含质量分数，不能替代 FASTQ 作为原始 reads。
• **参考版本可混用**：GRCh37 和 GRCh38 的 FASTA 序列不同，混用会导致坐标错位。
• **染色体命名一致**：UCSC 使用 `chr1`，Ensembl 使用 `1`，需要统一命名才能正确映射。
• **FASTA 包含注释信息**：FASTA 只包含序列字符，基因功能需要从 GTF/GFF 获取。
• **N 表示缺失**：N 表示未知碱基（如着丝粒区域），不是真正的删除或缺失变异。

本章小结

• FASTA 编码参考序列，是整个分析流程的坐标骨架
• 结构简单：定义行 + 序列行，不含质量或注释信息
• .fai 索引支持快速随机访问
• 参考版本必须与 BAM、GTF、VCF 保持一致

相关页面

对比

FASTQ 格式

FASTQ 包含质量分数，是原始 reads 容器。

延伸阅读

基础层

参考基因组、坐标系统与注释

理解参考版本体系和坐标系统。

延伸阅读

版本管理

参考版本与 liftover

如何在不同参考版本之间转换坐标。

延伸阅读

参考基因组版本历史

GRCh37 到 GRCh38 的演进细节和版本选择指南。

延伸阅读

数据库资源

NCBI、Ensembl 等数据库提供参考基因组 FASTA 下载。

延伸阅读