2002년 10월 1일
Copyright © 2002 by (주)뉴로제넥스
이 문서는 EnCyclon에서 사용하는 Neurogenex Sequence Format(이하 NGSF)의 구성을 기술한 문서입니다.
문서내에서 오류를 발견하시면 문서담당자 <bio@neurogenex.com>에게 연락주십시오
EnCyclon에서 사용하기위하여 개발된 Neurogenex에서 개발한 새로운 시퀀스 포멧입니다.
EnCyclon을 개발하기 위해 기존의 시퀀스 포멧을 검토하여 보았으나 필요이상으로 불필요한 내용이 많고 또한 복잡하여 쓰기 어려울 뿐만아니라 EnCyclon에서 구현하려고하는 기능을 표현하기에는 부족한 부분이 많았습니다. 그래서 새로운 시퀀스 포멧을 개발하게 되었습니다.
NGSF 시퀀스 파일의 파일 구조를 설명합니다.
NGSF 시퀀스 파일은 시퀀스 헤더와 시퀀스 두 부분으로 이루어져 있습니다.
모든 시퀀스 파일은 시퀀스 헤더와 시퀀스를 가지며, 시퀀스 헤더는 생략가능한 필드가 있습니다. 그러나 시퀀스는 생략할 수 없습니다.
시퀀스 헤더 필드는 1컬럼에서 시작합니다. 시퀀스 헤더 필드에 종속되는 필드는 2~12 컬럼에 있어야합니다.
하나의 필드는 1열에서 시작하는 키워드로부터 다음 필드가 시작되기 전까지입니다. 이렇게 하나의 필드가 여러 줄로 구성될 수 있지만 NG, NAME DATE, ENDS 키워드는 한 줄로 구성됩니다.
한 줄 이상으로 구성되는 필드는 다음 라인의 첫 번째 컬럼이 공백문자[1]가 아닌 문자가 나올 때까지 그 키워드에 속한 내용으로 인식합니다.
시퀀스는 NG 필드로부터 시작하며, NG필드는 생략할 수 없습니다. 이후에는 다른 헤더 필드가 나옵니다. NG를 제외한 다른 헤더 필드는 생략이 가능합니다.
시퀀스 헤더가 종료되면 시퀀스가 나오며, 첫 번째 컬럼부터 시작하는 "//"로 시퀀스 종료를 표시합니다.
예 2-1. NGSF 파일 예제
NG1.0 Genbank:J01749 circular dsDNA 4361 bp
DESCRIPTION Cloning vector pBR322, complete genome.
AUTHOR Gilbert,W.
DATE 2000/12/14
FEATURE
Source 1..1762 F pSC101
CDS 86..1276 F Tet
CDS 1915..2106 F ROP
CDS 3293..4153 R Amp
Promoter 27..33 R P1
Promoter 43..49 F P2
Promoter 4188..4194 R P3
SEQUENCE
1 ttctcatgtt tgacagctta tcatcgataa gctttaatgc ggtagtttat cacagttaaa
61 ttgctaacgc agtcaggcac cgtgtatgaa atctaacaat gcgctcatcg tcatcctcgg
121 caccgtcacc ctggatgctg taggcatagg cttggttatg ccggtactgc cgggcctctt
181 gcgggatatc gtccattccg acagcatcgc cagtcactat ggcgtgctgc tagcgctata
241 tgcgttgatg caatttctat gcgcacccgt tctcggagca ctgtccgacc gctttggccg
301 ccgcccagtc ctgctcgctt cgctacttgg agccactatc gactacgcga tcatggcgac
361 cacacccgtc ctgtggatcc tctacgccgg acgcatcgtg gccggcatca ccggcgccac
421 aggtgcggtt gctggcgcct atatcgccga catcaccgat ggggaagatc gggctcgcca
481 cttcgggctc atgagcgctt gtttcggcgt gggtatggtg gcaggccccg tggccggggg
541 actgttgggc gccatctcct tgcatgcacc attccttgcg gcggcggtgc tcaacggcct
601 caacctacta ctgggctgct tcctaatgca ggagtcgcat aagggagagc gtcgaccgat
661 gcccttgaga gccttcaacc cagtcagctc cttccggtgg gcgcggggca tgactatcgt
721 cgccgcactt atgactgtct tctttatcat gcaactcgta ggacaggtgc cggcagcgct
781 ctgggtcatt ttcggcgagg accgctttcg ctggagcgcg acgatgatcg gcctgtcgct
841 tgcggtattc ggaatcttgc acgccctcgc tcaagccttc gtcactggtc ccgccaccaa
901 acgtttcggc gagaagcagg ccattatcgc cggcatggcg gccgacgcgc tgggctacgt
961 cttgctggcg ttcgcgacgc gaggctggat ggccttcccc attatgattc ttctcgcttc
1021 cggcggcatc gggatgcccg cgttgcaggc catgctgtcc aggcaggtag atgacgacca
1081 tcagggacag cttcaaggat cgctcgcggc tcttaccagc ctaacttcga tcactggacc
1141 gctgatcgtc acggcgattt atgccgcctc ggcgagcaca tggaacgggt tggcatggat
1201 tgtaggcgcc gccctatacc ttgtctgcct ccccgcgttg cgtcgcggtg catggagccg
1261 ggccacctcg acctgaatgg aagccggcgg cacctcgcta acggattcac cactccaaga
1321 attggagcca atcaattctt gcggagaact gtgaatgcgc aaaccaaccc ttggcagaac
1381 atatccatcg cgtccgccat ctccagcagc cgcacgcggc gcatctcggg cagcgttggg
1441 tcctggccac gggtgcgcat gatcgtgctc ctgtcgttga ggacccggct aggctggcgg
1501 ggttgcctta ctggttagca gaatgaatca ccgatacgcg agcgaacgtg aagcgactgc
1561 tgctgcaaaa cgtctgcgac ctgagcaaca acatgaatgg tcttcggttt ccgtgtttcg
1621 taaagtctgg aaacgcggaa gtcagcgccc tgcaccatta tgttccggat ctgcatcgca
1681 ggatgctgct ggctaccctg tggaacacct acatctgtat taacgaagcg ctggcattga
1741 ccctgagtga tttttctctg gtcccgccgc atccataccg ccagttgttt accctcacaa
1801 cgttccagta accgggcatg ttcatcatca gtaacccgta tcgtgagcat cctctctcgt
1861 ttcatcggta tcattacccc catgaacaga aatccccctt acacggaggc atcagtgacc
1921 aaacaggaaa aaaccgccct taacatggcc cgctttatca gaagccagac attaacgctt
1981 ctggagaaac tcaacgagct ggacgcggat gaacaggcag acatctgtga atcgcttcac
2041 gaccacgctg atgagcttta ccgcagctgc ctcgcgcgtt tcggtgatga cggtgaaaac
2101 ctctgacaca tgcagctccc ggagacggtc acagcttgtc tgtaagcgga tgccgggagc
2161 agacaagccc gtcagggcgc gtcagcgggt gttggcgggt gtcggggcgc agccatgacc
2221 cagtcacgta gcgatagcgg agtgtatact ggcttaacta tgcggcatca gagcagattg
2281 tactgagagt gcaccatatg cggtgtgaaa taccgcacag atgcgtaagg agaaaatacc
2341 gcatcaggcg ctcttccgct tcctcgctca ctgactcgct gcgctcggtc gttcggctgc
2401 ggcgagcggt atcagctcac tcaaaggcgg taatacggtt atccacagaa tcaggggata
2461 acgcaggaaa gaacatgtga gcaaaaggcc agcaaaaggc caggaaccgt aaaaaggccg
2521 cgttgctggc gtttttccat aggctccgcc cccctgacga gcatcacaaa aatcgacgct
2581 caagtcagag gtggcgaaac ccgacaggac tataaagata ccaggcgttt ccccctggaa
2641 gctccctcgt gcgctctcct gttccgaccc tgccgcttac cggatacctg tccgcctttc
2701 tcccttcggg aagcgtggcg ctttctcata gctcacgctg taggtatctc agttcggtgt
2761 aggtcgttcg ctccaagctg ggctgtgtgc acgaaccccc cgttcagccc gaccgctgcg
2821 ccttatccgg taactatcgt cttgagtcca acccggtaag acacgactta tcgccactgg
2881 cagcagccac tggtaacagg attagcagag cgaggtatgt aggcggtgct acagagttct
2941 tgaagtggtg gcctaactac ggctacacta gaaggacagt atttggtatc tgcgctctgc
3001 tgaagccagt taccttcgga aaaagagttg gtagctcttg atccggcaaa caaaccaccg
3061 ctggtagcgg tggttttttt gtttgcaagc agcagattac gcgcagaaaa aaaggatctc
3121 aagaagatcc tttgatcttt tctacggggt ctgacgctca gtggaacgaa aactcacgtt
3181 aagggatttt ggtcatgaga ttatcaaaaa ggatcttcac ctagatcctt ttaaattaaa
3241 aatgaagttt taaatcaatc taaagtatat atgagtaaac ttggtctgac agttaccaat
3301 gcttaatcag tgaggcacct atctcagcga tctgtctatt tcgttcatcc atagttgcct
3361 gactccccgt cgtgtagata actacgatac gggagggctt accatctggc cccagtgctg
3421 caatgatacc gcgagaccca cgctcaccgg ctccagattt atcagcaata aaccagccag
3481 ccggaagggc cgagcgcaga agtggtcctg caactttatc cgcctccatc cagtctatta
3541 attgttgccg ggaagctaga gtaagtagtt cgccagttaa tagtttgcgc aacgttgttg
3601 ccattgctgc aggcatcgtg gtgtcacgct cgtcgtttgg tatggcttca ttcagctccg
3661 gttcccaacg atcaaggcga gttacatgat cccccatgtt gtgcaaaaaa gcggttagct
3721 ccttcggtcc tccgatcgtt gtcagaagta agttggccgc agtgttatca ctcatggtta
3781 tggcagcact gcataattct cttactgtca tgccatccgt aagatgcttt tctgtgactg
3841 gtgagtactc aaccaagtca ttctgagaat agtgtatgcg gcgaccgagt tgctcttgcc
3901 cggcgtcaac acgggataat accgcgccac atagcagaac tttaaaagtg ctcatcattg
3961 gaaaacgttc ttcggggcga aaactctcaa ggatcttacc gctgttgaga tccagttcga
4021 tgtaacccac tcgtgcaccc aactgatctt cagcatcttt tactttcacc agcgtttctg
4081 ggtgagcaaa aacaggaagg caaaatgccg caaaaaaggg aataagggcg acacggaaat
4141 gttgaatact catactcttc ctttttcaat attattgaag catttatcag ggttattgtc
4201 tcatgagcgg atacatattt gaatgtattt agaaaaataa acaaataggg gttccgcgca
4261 catttccccg aaaagtgcca cctgacgtct aagaaaccat tattatcatg acattaacct
4321 ataaaaatag gcgtatcacg aggccctttc gtcttcaaga a
//
|
시퀀스에 대한 기본적인 정보를 담고 있는 필드입니다.
NG 필드는 ID, topology, molecule, length 항목을 가지고 있으며 생략할수 없습니다. 각 항목들은 공백문자[1]를 포함할 수 없으며 항목과 항목의 구분은 공백문자로 합니다. "NG" 다음에 나오는 숫자는 버전 정보를 표시하며, 현재 NGSF 버전은 1.0 입니다.
ID는 시퀀스 데이터베이스에 들어가는 고유한 이름이며, 외부 데이터베이스에서 불러 왔을때는 데이터베이스 이름과 그 데이터베이스에서 시퀀스의 고유한 식별자를 표시합니다. topology는 그 시퀀스가 linear 인지 circular인지를 나타냅니다. molecule는 시퀀스의 type과 strand를 표시합니다. 시퀀스 type은 DNA와 RNA로 나누어지며, singl strand는 'ss'로 double strand는 'ds'로 표시합니다. (ex : dsDNA , ssRNA) length는 시퀀스의 길이를 표시합니다.
시퀀스 영역에 대한 정보를 표시합니다.
FEATURE는 Source, CDS, Promoter, Other의 서브필드로 구성되며, 각 한줄로 표시합니다. 서브 필드는 2 ~ 12 컬럼 에서 시작되며, 그 내용은 공백 문자로 구분합니다.
Source는 시퀀스의 출처(현 시퀀스 데이터의 특정 영역이 어디서 왔는지)를 표시하며, CDS는 Protein Coding Sequence를, Promoter는 유전자 발현 조절 부위를, Other는 위에서 표현 되지 않은 다른 중요한 정보를 표시합니다.
서브필드는 feature_key, 영역, 방향, feature_name 순서로 작성합니다. feature_key는 "Source", "CDS", "Promoter", "Other" 이고, 영역은 시작과 끝 위치를 ".." 를 사이에 두고 표시합니다. 방향은 C (방향성이 없는 feature), F (방향성이 시퀀스 방향과 같은 feature), R (방향성이 시퀀스 방향과 반대인 feature)로 표시한다. feature_name 은 feature 영역의 이름을 표시합니다. Source 에서 feature_name는 "DB이름:id"와 같이 시퀀스의 출처를 표시합니다.
linear sequence 양끝의 cohesive end 를 표시합니다. 부호와 길이는 시퀀스 양 끝을 기준으로, 5'이 나왔다면 +, 3'이 나왔다면 - 로 표시하고, 길이는 3' 과 5' 의 end 위치 차이를 표시합니다.
Nucleotide sequence를 표시합니다. SEQUENCE 키워드 다음줄 부터 종료키워드("//") 이전까지 시퀀스로 인식합니다. 2~12 컬럼은 시퀀스의 길이를, 13컬럼 이상에서는 시퀀스가 표시됩니다. 한 줄에 60 bases를 표시하고, 10 bases마다 공백으로 구분합니다.
| [1] |
White space: 스페이스, 탭문자. |