当已知基因名或ID时，可通过NCBI搜索基因序列。首先登陆NCBI官网，在下拉菜单选择gene，搜索基因名或ID。
NCBI：https://www.ncbi.nlm.nih.gov/
这里选取一个调节根系发育的基因AT5G61350进行示例。
搜索结果共有159个，分别在不同的物种中，第一列是基因名和基因ID；第二列是简单的功能描述，中括号内为物种名；第三别是基因在基因组中的位置；第四列为其他名称。
点击基因名称进入详情页，summary中是对gene的主要介绍，包括基因名，基因的类型，以及主要的功能。
Genomic context部分，要注意基因的方向，这个基因的方向是从左往右，左侧为起始位置。如果是从右往左，那右侧则是起始位置。
点击fasta获得基因序列。下图所示，左侧为5'UTR，右侧为3'UTR，中间深绿色全部是外显子，也就是CDS编码区，这个基因没有内含子。
FASTA格式
在生物信息学中，FASTA格式（又称为Pearson格式）是一种基于文本的、用于表示核苷酸序列或氨基酸序列的格式。
FASTA文件以序列表示和序列作为一个基本单元，各行记录信息如下：
第一行是由大于号">"开头的任意文字说明，用于序列标记，为了保证后续分析软件能够区分每条序列，单个序列的标识必须具有唯一性；
从第二行开始为序列本身，只允许使用既定的核苷酸或氨基酸编码符号。通常核苷酸符号大小写均可，而氨基酸常用大写字母。
具体字母代表的含义如下：
核苷酸序列：
A --> adenosine M --> A C (amino)
C --> cytidine S --> G C (strong)
G --> guanine W --> A T (weak)
T --> thymidine B --> G T C
U --> uridine D --> G A T
R --> G A (purine) H --> A C T
Y --> T C (pyrimidine) V --> G C A
K --> G T (keto) N --> A G C T (any)
- gap of indeterminate length
氨基酸序列：
A alanine P proline
B aspartate or asparagine Q glutamine
C cystine R arginine
D aspartate S serine
E glutamate T threonine
F phenylalanine U selenocysteine
G glycine V valine
H histidine W tryptophan
I isoleucine Y tyrosine
K lysine Z glutamate or glutamine
L leucine X any
M methionine * translation stop
N asparagine - gap of indeterminate length
查看fasta，左侧为CDS序列，右侧方框内为序列所在范围，24667873——24670749。
通常认为启动子在基因上游2kb范围内，这个基因的方向从左至右，因此启动子范围就在基因左侧起始位置加2kb，24665873——24667872。如果基因方向是从右向左，那么启动子区域就是右侧位置加上2Kb。
FASTA格式参考：
https://www.jianshu.com/p/cd232d34c408
网友评论