ストックホルム形式

ストックホルム形式
ファイル名拡張子	.sto、.stk
インターネットメディアの種類	text/x-stockholm-alignment
開発者	エリック・ソンハマース
フォーマットの種類	バイオインフォマティクス
オープンフォーマット?	はい
Webサイト	Sonnhammer.sbc.su.se/Stockholm.html

ストックホルム形式は、タンパク質、RNA、DNA配列アライメントを配布するために、 Pfam、Rfam、Dfamで使用される多重配列アライメント形式です。 ^[1]^[2]^[3]アライメントエディタのRalee、^[4] Belvu、Jalviewは、確率データベース検索ツールのInfernalとHMMER、系統解析ツールのXrateと同様にストックホルム形式をサポートしています。ストックホルム形式のファイルのファイル名拡張子は、多くの場合またはです。^[5] .sto.stk

構文

適切に作成されたストックホルムファイルには、常に、フォーマットとバージョン識別子 (現在は ' ') を示すヘッダーが含まれます。ヘッダーの後には、マークアップ ( ## STOCKHOLM 1.0で始まる) とシーケンスが混在する複数の行が続きます。最後に、" " 行はアライメントの終了を示します。 //

マークアップなしの例は次のようになります。

# ストックホルム 1.0
#=GF IDの例
<seqname> <整列されたシーケンス>
<seqname> <整列されたシーケンス>
<seqname> <整列されたシーケンス>
//

シーケンスは 1 行に 1 つずつ記述されます。シーケンス名が最初に記述され、任意の数の空白の後にシーケンスが記述されます。シーケンス名は通常、「name/start-end」または単に「name」の形式です。シーケンス文字には、空白以外の任意の文字を含めることができます。ギャップは、「.」または「-」で示されます。

マークアップ行は#で始まります。"パラメータ" は空白で区切られるため、1 列あたり 1 文字のマークアップにはスペースではなくアンダースコア ("_") を使用する必要があります。定義されているマークアップタイプは次のとおりです。

#=GF <機能> <ファイルごとの一般的な注釈、フリーテキスト>
#=GC <機能> <列ごとの汎用注釈、列ごとに正確に 1 文字>
#=GS <seqname> <feature> <シーケンスごとの一般的な注釈、フリーテキスト>
#=GR <seqname> <feature> <残基ごとの一般的な注釈、残基ごとに正確に 1 文字>

おすすめの機能

これらの機能名は、Pfam と Rfam によって特定の種類の注釈に使用されます。(「フィールドの説明」の Pfam と Rfam のドキュメントを参照してください)

#=GF

Pfam と Rfam は次のタグを使用できます。

   必須フィールド:
   ------------------
   AC アクセス番号: PFxxxxx (Pfam) または RFxxxxx (Rfam) 形式のアクセス番号。
   ID 識別: 家族の名前を一言で表します。
   DE 定義: 家族の簡単な説明。
   AU 著者: エントリの著者。
   SE シードのソース: シード メンバーが 1 つのファミリーに属していることを示唆するソース。
   SS 構造のソース: Rfam で使用されるコンセンサス RNA 二次構造のソース (予測または出版物)。
   BMビルド方法: モデルを生成するために使用するコマンドライン
   SM検索方法: 検索を実行するために使用するコマンドライン
   GA 収集しきい値: 完全なアライメントを構築するための検索しきい値。
   TC 信頼カットオフ: 完全なアラインメント内で一致する最低のシーケンス スコア (および Pfam のドメイン スコア)。
   NC ノイズ カットオフ: 完全なアライメントではない一致の最高シーケンス スコア (および Pfam のドメイン スコア)。
   TP タイプ: ファミリーのタイプ (現在、Pfam の場合はファミリー、ドメイン、モチーフ、または繰り返し)。
                                                   -- Rfam の Gene、Intron、または Cis-reg のルートを持つツリー。
   SQ シーケンス: アラインメント内のシーケンスの数。

   オプションフィールド:
   ----------------
   DC データベース コメント: データベース参照に関するコメント。
   DR データベース参照: 外部データベースへの参照。
   RC 参照コメント: 文献参照に関するコメント。
   RN 参照番号: 参照番号。
   RM Reference Medline: 8 桁の Medline UI 番号。
   RT 参照タイトル: 参照タイトル。
   RA 参照著者: 参照著者
   RL 参照場所: ジャーナルの場所。
   PI 以前の識別子: 以前のすべての ID 行の記録。
   KW キーワード: キーワード。
   CC コメント: コメント。
   NE Pfam アクセッション: ネストされたドメインを示します。
   NL の場所: ネストされたドメインの場所 - シーケンス ID、挿入の開始と終了。
   WK Wikipediaリンク: Wikipediaページ
   CL クラン: クラン加入
   MBメンバーシップ: クランメンバーシップをリストするために使用されます

   埋め込みツリーの場合:
   ----------------
   NH ニューハンプシャー New Hampshire eXtended 形式のツリー。
   TN ツリー ID 次のツリーの一意の識別子。

   他の：
   ------
   FR False Discovery Rate: ビットスコアの閾値を、
                                    予想される偽陽性から真陽性まで。0 から 1 までの浮動小数点数。
   CB キャリブレーション方法: モデルのキャリブレーションに使用するコマンド ライン (Rfam のみ、リリース 12.0 以降)

注: ツリーは複数の #=GF NH 行に格納される場合があります。
複数のツリーが同じファイルに保存されている場合、各ツリーの前に、一意のツリー識別子を持つ #=GF TN 行がなければなりません。 1 つのツリーだけが含まれている場合、#=GF TN 行は省略できます。

#=GS

Rfam と Pfam は次の機能を使用できます:

      機能の説明
      --------------------- -----------
      AC <accession> アクセス番号
      DE <フリーテキスト> 説明
      DR <db>; <accession>; データベースリファレンス
      OS <生物> 生物（種）
      OC <clade> 生物の分類（clade など）
      LO <look> 見た目（色など）

#=GR

      機能説明マークアップ文字
      ------- ----------- --------------
      SS RNA の二次構造 [.,;<>(){}[]AaBb.-_] --擬似結び目とさらなる構造マークアップをサポートします (WUSS ドキュメントを参照)
                                       タンパク質の場合 [HGIEBTSCX]
      SA 表面アクセシビリティ [0-9X]
                    (0=0%-10%; ...; 9=90%-100%)
      TM トランスメンブレン [ミオ]
      PP事後確率[0-9*]
                    (0=0.00-0.05; 1=0.05-0.15; *=0.95-1.00)
      LIリガンド結合[*]
      ASアクティブサイト[*]
     pAS AS - Pfam予測値 [*]
     sAS AS - SwissProtより[*]
      IN INtron（以降）[0-2]
 
     RNA三次相互作用の場合:
     ------------------------------
     tWW WC/WC in trans 塩基対の場合: [<>AaBb...Zz] 非塩基対の場合: [.]
     cWH WC/Hoogsteen シス
     cWS WC/シュガーエッジ（シス）
     tWS WC/SugarEdge の翻訳
     注: (1) 一般的な形式は{c,t}{W,H,S}{W,H,S}。
            （２）cWWはSSと同等である。

#=GC

有効な機能のリストには、以下に示す機能に加えて、#=GR と同じ機能に「コンセンサス」を意味する「_cons」が追加された機能が含まれます。例: 「SS_cons」。

      機能説明説明
      ------- ----------- --------------
      RF参照注釈コンセンサスRNAまたはタンパク質配列が参照として使用されることが多い
                                       ギャップのない文字（例：x）はコンセンサス/保存/一致列を示すことができる
                                       . または - は挿入列を示します
                                       ~は非整列挿入を示す
                                       大文字と小文字は、強い保存性と弱い保存性を区別するために使用できます。
                                       それぞれ残基
      MMモデルマスクは、アライメント内のどの列をマスクするかを示します。
                                       対応する一致状態の放出確率は
                                       これらの列はバックグラウンド分布になります。

注記

同じ #=GC ラベルを持つ複数の行を使用しないでください。
単一のシーケンスの場合、同じ #=GR ラベルを持つ複数の行を使用しないでください。シーケンスごとに、一意の機能割り当てを 1 つだけ行うことができます。
SA および SS の「X」は「構造が不明な残基」を意味します。
タンパク質の SS 文字はDSSPから取られています: H=アルファヘリックス、G=3/10 ヘリックス、I=p ヘリックス、E=延長鎖、B=孤立した b ブリッジ内の残基、T=ターン、S=ベンド、C=コイル/ループ。
RNA SS 文字は、WUSS (ワシントン大学二次構造) 表記法から取られています。一致するネストされた括弧文字 <>、()、[]、または {} は、塩基対を示します。記号 '.'、','、および ';' は、対になっていない領域を示します。一致する英語のアルファベットの大文字と小文字は、擬似ノット相互作用を示します。ノット内の 5' ヌクレオチドは大文字、3' ヌクレオチドは小文字にする必要があります。

推奨される配置

#=GF アライメントの上
#=GC アライメントの下
#=GS アラインメントの上または対応する配列のすぐ下
#=GR 対応するシーケンスのすぐ下

サイズ制限

どのフィールドにも明示的なサイズ制限はありません。ただし、固定フィールドサイズを使用する単純なパーサーは、次の制限内で Pfam および Rfam アラインメントで安全に動作するはずです。

行の長さ: 10000。
<seqname>: 255。
<機能>: 255。

例

ストックホルム形式の擬似ノットを用いたRfamアライメント（UPSK RNA）の簡単な例を以下に示します。^[6]

# ストックホルム 1.0
#=GF ID UPSK
#=GF SE 予測; 地獄
#=GF SS 公開済み; PMID 9223489
#=GFRN [1]
#=GF RM 9223489
#=GF RT カブ黄色モザイクの3'末端における擬似結び目の役割
#=GF RTウイルスRNAは、ウイルスRNA依存性RNAによるマイナス鎖合成中
#=GF RTポリメラーゼ。
#=GF RA Deiman BA、Kortlever RM、Pleij CW;
#=GFRLJウイルス1997;71:5990-5996.

AF035635.1/619-641 ウガグウクックガウクククAAAAUCG
M24804.1/82-104 ウガグウククアウククアアアウCG
J04373.1/6212-6234 UAAGUUCUCGAUCUUUAAAAUCG
M24803.1/1-23 UAAGUUCUCGAUCUCUCAAAAUCG
#=GC SS_cons .AAA....<<<<aaa....>>>>
//

以下は、Pfam CBSドメインを示す、もう少し複雑な例です。

# ストックホルム 1.0
#=GF ID CBS
#=GFACPF00571
#=GF DE CBSドメイン
#=GF AU ベイトマン A
#=GF CC CBSドメインは主に細胞内に見られる小さなモジュールである
#=GF CC はタンパク質内に 2 つまたは 4 つのコピーとして存在します。
#=GF スキル 5
#=GS O31698/18-71 AC O31698
#=GS O83071/192-246 AC O83071
#=GS O83071/259-312 AC O83071
#=GS O31698/88-139 AC O31698
#=GS O31698/88-139 OS 枯草菌
O83071/192-246 MTCRAQLIAVPRASSLAEAIACAQKMRVSRVPVYERS
#=GR O83071/192-246 SA 9998877564535242525515252536463774777
O83071/259-312 MQHVSAPVFVFECTRLAYVQHKLRAHSRAVAIVLDEY
#=GR O83071/259-312 SS CCCCCHHHHHHHHHHHHHEEEEEEEEEEEEEEEEEE
O31698/18-71 MIEADKVAHVQVGNNLEHALLVLTKTGYTAIPVLDPS
#=GR O31698/18-71 SS CCCHHHHHHHHHHHHHHHEEEEEEEEEEEEEEEEHHH
O31698/88-139 EVMLTDIPRLHINDPIMKGFGMVINN..GFVCVENDE
#=GR O31698/88-139 SS CCCCCCCHHHHHHHHHHHHEEEEEEEEEEEEEEEEEE
#=GC SS_cons CCCCCHHHHHHHHHHHHHEEEEEEEEEEEEEEEEEE
O31699/88-139 EVMLTDIPRLHINDPIMKGFGMVINN..GFVCVENDE
#=GR O31699/88-139 AS ___*____________________
#=GR O31699/88-139 IN ____________1____________2______0____
//

参照

参考文献

^ Gardner PP、Daub J、Tate JG、Nawrocki EP、Kolbe DL、Lindgreen S、他 (2009 年 1 月)。「Rfam: RNA ファミリーデータベースのアップデート」。Nucleic Acids Research。37 (データベース号): D136–D140。doi : 10.1093 / nar /gkn766。PMC 2686503。PMID 18953034。
^ Finn RD、Tate J、Mistry J、Coggill PC、Sammut SJ 、 Hotz HR、他 (2008 年 1 月)。「Pfam タンパク質ファミリーデータベース」。核酸研究。36 ( データベース号): D281 – D288。doi :10.1093/ nar /gkm960。PMC 2238907。PMID 18039703。
^ Storer J、Hubley R、Rosen J、Wheeler TJ 、 Smit AF（2021年1月）。「転座因子ファミリー、配列モデル、ゲノム注釈のDfamコミュニティリソース」。モバイルDNA。12（1）：2。doi ：10.1186 / s13100-020-00230 - y。PMC 7805219。PMID 33436076。
^ Griffiths-Jones S (2005年1月). 「RALEE--EmacsのRNAアライメントエディタ」.バイオインフォマティクス. 21 (2): 257–259. doi : 10.1093/bioinformatics/bth489 . PMID 15377506.
^ 「Alignment Fileformats」. 2019年5月22日. 2019年5月22日閲覧。
^ Deiman BA、Kortlever RM、Pleij CW (1997 年 8 月)。「ウイルス RNA 依存性 RNA ポリメラーゼによるマイナス鎖合成における、カブ黄色モザイクウイルス RNA の 3' 末端のシュードノットの役割」。Journal of Virology。71 ( 8 ): 5990–5996。doi : 10.1128 / JVI.71.8.5990-5996.1997。PMC 191855。PMID 9223489。

外部リンク

エリック・ゾンハマーズによるストックホルム・フォーマットの定義

[pmid18953034-1] Gardner PP、Daub J、Tate JG、Nawrocki EP、Kolbe DL、Lindgreen S、他 (2009 年 1 月)。「Rfam: RNA ファミリーデータベースのアップデート」。Nucleic Acids Research。37 (データベース号): D136–D140。doi : 10.1093 / nar /gkn766。PMC 2686503。PMID 18953034。

[pmid18039703-2] ^ Finn RD、Tate J、Mistry J、Coggill PC、Sammut SJ 、 Hotz HR、他 (2008 年 1 月)。「Pfam タンパク質ファミリーデータベース」。核酸研究。36 ( データベース号): D281 – D288。doi :10.1093/ nar /gkm960。PMC 2238907。PMID 18039703。

[3] ^ Storer J、Hubley R、Rosen J、Wheeler TJ 、 Smit AF（2021年1月）。「転座因子ファミリー、配列モデル、ゲノム注釈のDfamコミュニティリソース」。モバイルDNA。12（1）：2。doi ：10.1186 / s13100-020-00230 - y。PMC 7805219。PMID 33436076。

[pmid15377506-4] Griffiths-Jones S (2005年1月). 「RALEE--EmacsのRNAアライメントエディタ」.バイオインフォマティクス. 21 (2): 257–259. doi : 10.1093/bioinformatics/bth489 . PMID 15377506.

[jalview-fileformats-5] 「Alignment Fileformats」. 2019年5月22日. 2019年5月22日閲覧。

[pmid9223489-6] Deiman BA、Kortlever RM、Pleij CW (1997 年 8 月)。「ウイルス RNA 依存性 RNA ポリメラーゼによるマイナス鎖合成における、カブ黄色モザイクウイルス RNA の 3' 末端のシュードノットの役割」。Journal of Virology。71 ( 8 ): 5990–5996。doi : 10.1128 / JVI.71.8.5990-5996.1997。PMC 191855。PMID 9223489。