시퀀싱으로 얻은 데이터를 다루려면 파이프라인 각 단계에서 쓰이는 표준 텍스트 포맷을 알아야 합니다. FASTA, FASTQ, BED는 생김새가 비슷해 보여도 담고 있는 정보와 용도가 완전히 다르니 헷갈리지 않게 정리했습니다.FASTA품질 정보 없이 서열만 담는 가장 단순한 포맷입니다. 주로 레퍼런스 유전체를 표현할 때 씁니다.>chr21GATCACAGGTCTATCACCCTATTAACCACTCACGGGAGCTCTCCATGCATTTGGTATTTTCGTCTGGGGGGTATGCACGCGATAGCA 구조는 두 부분입니다.헤더: >로 시작하고 그 뒤에 서열 이름(염색체명, 유전자명 등)이 온다.서열: A/C/G/T/N으로 구성되고, 보통 60~80자마다 줄바꿈된다.레퍼런스 파일은 그대로 두고 쓰기보다 인덱스를 만들..

Biopython은 생물정보학에서 가장 널리 사용되는 파이썬 라이브러리입니다.시퀀스 처리, 다양한 파일 형식 파싱, NCBI 데이터베이스 접근, BLAST 실행 등 생물정보학 분석에 필요한 기능을 폭넓게 제공합니다.pip install biopython# 또는conda install -c bioconda biopythonSeq: 시퀀스 객체Seq는 DNA, RNA, 단백질 시퀀스를 다루는 Biopython의 기본 객체입니다. 파이썬 문자열과 유사하게 사용할 수 있지만, 생물학적 연산 메서드가 추가되어 있습니다.from Bio.Seq import Seq# 시퀀스 생성dna = Seq("ATCGATCGGGCC")rna = Seq("AUCGAUCGGGCC")protein = Seq("MADVKKLGEL")# ..

FASTA란?생물학에서 다루는 가장 기본적인 데이터는 서열(sequence)입니다.DNA 서열이든, RNA 서열이든, 단백질 서열이든 결국 문자열입니다. FASTA는 이 서열 데이터를 저장하는 가장 단순하고 오래된 포맷입니다.구조는 딱 두 줄입니다.>서열의 이름과 설명ATGCATGCATGCATGC... >로 시작하는 줄이 헤더(이름표), 그 아래가 실제 서열입니다. 이름이 FASTA인 이유는 1985년에 만들어진 서열 유사도 검색 프로그램 이름에서 왔습니다.그 프로그램이 이 포맷을 사용하면서 포맷 이름이 됐습니다.FASTA의 구조>chr1 Homo sapiens chromosome 1, GRCh38NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN..

데이터 분석과 생물정보학에서 자주 다루는 파일 형식인 CSV, TSV, FASTA의 파싱 방법을 정리합니다.앞선 파일 읽기·쓰기 글에서 csv 모듈의 기본 사용법은 다뤘으므로, 이번 글에서는 실제 데이터를 다루는 패턴 위주로 정리합니다.CSV (Comma-Separated Values)쉼표로 필드를 구분하는 텍스트 형식입니다.sample_id,species,coverage,gc_contentsample_01,Homo sapiens,30.5,0.512sample_02,Mus musculus,22.1,0.488sample_03,Homo sapiens,45.8,0.521csv 모듈로 읽기import csv# 기본 읽기with open("samples.csv", "r") as f: reader = csv...

서론NGS 파이프라인을 처음 다루다 보면 FASTQ, BAM, VCF, BED, GTF, FASTA 같은 파일들이 줄줄이 등장합니다.도구마다 입력으로 받는 파일이 다르고, 출력 파일도 다릅니다.이 파일들이 뭔지 모르면 파이프라인이 왜 이 순서로 흘러가는지, 오류가 났을 때 어디서 문제가 생긴 건지 파악하기가 어렵습니다.파이프라인 흐름과 파일 포맷의 관계를 먼저 보면 이렇습니다. 시퀀서 ↓[FASTQ] ← 시퀀싱 원시 데이터 (리드 서열 + 품질 점수) ↓ 정렬 (STAR, BWA-MEM)[SAM/BAM] ← 게놈에 정렬된 리드 ↓ 변이 탐지 (GATK, DeepVariant)[VCF] ← 탐지된 변이 ↓ 주석 (VEP, SnpEff)[주석 VCF] ← 변이 기능 정보 추가[FASTA]..

안녕하세요!지난 글에서는 모든 유전체 분석의 절대적인 기준선이 되는 '표준 유전체(Reference Genome)'의 개념을 알아보았습니다. 거대한 유전체 퍼즐을 맞추기 위한 원본 밑그림이라고 정리했었습니다. 오늘은 이 표준 유전체를 비롯해 전 세계 모든 생물정보학 데이터베이스가 유전자의 염기서열이나 아미노산 서열을 저장할 때 사용하는 가장 단순하고도 강력한 표준 텍스트 포맷, FASTA 포맷에 대해 깊이 있게 정리해 보겠습니다.FASTA 포맷이란 왜 중요할까? 🔍정의: 유전체 분석 분야에서 DNA, RNA 염기서열이나 단백질의 아미노산 서열을 컴퓨터가 가장 쉽고 빠르게 읽을 수 있도록 고안된 텍스트 기반의 가장 단순한 파일 포맷입니다. 확장자는 주로 .fa, .fasta, .fna, .faa 등을 사..