home *** CD-ROM | disk | FTP | other *** search
/ Crawly Crypt Collection 1 / crawlyvol1.bin / apps / science / readseq / formats < prev    next >
Text File  |  1992-12-30  |  39KB  |  981 lines
  1. ||||||||||| ReadSeq supported formats   (revised 30Dec92)
  2. --------------------------------------------------------
  3.  
  4.     -f[ormat=]Name Format name for output:
  5.          1. IG/Stanford           10. Olsen (in-only)
  6.          2. GenBank/GB            11. Phylip3.2
  7.          3. NBRF                  12. Phylip
  8.          4. EMBL                  13. Plain/Raw
  9.          5. GCG                   14. PIR/CODATA
  10.          6. DNAStrider            15. MSF
  11.          7. Fitch                 16. ASN.1
  12.          8. Pearson/Fasta         17. PAUP
  13.          9. Zuker (in-only)       18. Pretty (out-only)
  14.  
  15. In general, output supports only minimal subsets of each format
  16. needed for sequence data exchanges.  Features, descriptions
  17. and other format-unique information is discarded.
  18.  
  19. Users of Olsen multi sequence editor (VMS).  The Olsen format
  20. here is produced with the print command:
  21.   print/out=some.file
  22. Use Genbank output from readseq to produce a format that this
  23. editor can read, and use the command
  24.   load/genbank some.file
  25. Dan Davison has a VMS program that will convert to/from the
  26. Olsen native binary data format.  E-mail davison@uh.edu
  27.  
  28. Warning: Phylip format input is now supported (30Dec92), however the
  29. auto-detection of Phylip format is very probabilistic and messy,
  30. especially distinguishing sequential from interleaved versions. It
  31. is not recommended that one use readseq to convert files from Phylip
  32. format to others unless essential.
  33.  
  34.  
  35.  
  36. ||||||||||| ReadSeq usage             (revised 11Nov91)
  37. --------------------------------------------------------
  38.  
  39. A. determine file format:
  40.  
  41.         short skiplines;  /* result: number of header lines to skip (or 0) */
  42.         short error;      /* error result or 0 */
  43.         short format;     /* resulting format code, see ureadseq.h */
  44.         char  *filename   = "Mysequence.file"
  45.  
  46.         format = seqFileFormat( filename, &skiplines, &error);
  47.         if (error!=0) fail;
  48.  
  49. B. read number and list of sequences (optional)
  50.         short numseqs;    /* resulting number of sequences found in file */
  51.         char  *seqlist;   /* list of sequence names, newline separated, 0 terminated */
  52.  
  53.         seqlist = listSeqs( filename, skiplines, format, &numseqs, &error);
  54.         if (error!=0)  display (seqlist);
  55.         free( seqlist);
  56.  
  57. C.  read individual sequences as desired
  58.         short seqIndex;   /* sequence index #, or == kListSeqs for listSeqs equivalent */
  59.         long  seqlen;     /* length of seq */
  60.         char  seqid[256]; /* sequence name */
  61.         char  *seq;       /* sequence, 0 terminated, free when done */
  62.  
  63.         seq = readSeq( seqIndex, filename, skiplines, format,
  64.                       &seqlen, &numseqs, &error, seqid);
  65.         if (error!=0) manipulate(seq);
  66.         free(seq);
  67.  
  68. D. write sequences as desired
  69.         int nlines;     /* number of lines of sequence written */
  70.         FILE* fout;     /* open file pointer (stdout or other) */
  71.         short outform;  /* output format, see ureadseq.h */
  72.  
  73.         nlines = writeSeq( fout, seq, seqlen, format, outform, seqid);
  74.  
  75.  
  76. Note (30Dec92): There is various processing done by the main program (in readseq.c),
  77.   rather than just in the subroutines (in ureadseq.c).  Especially for interleaved
  78.   output formats, the writeSeq subroutine does not handle interleaving, nor some of
  79.   the formatting at the top and end of output files.  While seqFileFormat, listSeqs,
  80.   and readSeq subroutines are fairly self-contained, the writeSeq depends a lot on
  81.   auxilliary processing.  At some point, this may be revised so writeSeq is self-
  82.   contained.
  83.  
  84. Note 2: The NCBI toolkit (ftp from ncbi.nlm.nih.gov) is needed for the ASN.1 format
  85.   reading (see ureadasn.c).  A bastard (but workable I hope) ASN.1 format is written
  86.   by writeSeq alone.
  87.  
  88.  
  89.  
  90. |||||||||||  sequence formats....
  91. ---------------------------------------------------
  92.  
  93. stanford/IG
  94. ;comments
  95. ;...
  96. seq1 info
  97. abcd...
  98. efgh1 (or 2 = terminator)
  99. ;another seq
  100. ;....
  101. seq2 info
  102. abcd...1
  103. --- for e.g. ----
  104. ;     Dro5s-T.Seq  Length: 120  April 6, 1989  21:22  Check: 9487  ..
  105. dro5stseq
  106. GCCAACGACCAUACCACGCUGAAUACAUCGGUUCUCGUCCGAUCACCGAAAUUAAGCAGCGUCGCGGGCG
  107. GUUAGUACUUAGAUGGGGGACCGCUUGGGAACACCGCGUGUUGUUGGCCU1
  108.  
  109. ;  TOIG of: Dro5srna.Seq  check: 9487  from: 1  to: 120
  110. ---------------------------------------------------
  111.  
  112. Genbank:
  113. LOCUS    seq1 ID..
  114. ...
  115. ORIGIN ...
  116. 123456789abcdefg....(1st 9 columns are formatting)
  117.      hijkl...
  118. //         (end of sequence)
  119. LOCUS     seq2 ID ..
  120. ...
  121. ORIGIN
  122.       abcd...
  123. //
  124. ---------------------------------------------------
  125.  
  126. NBRF format: (from uwgcg ToNBRF)
  127. >DL;DRO5SRNA
  128. Iubio$Dua0:[Gilbertd.Gcg]Dro5srna.Seq;2 => DRO5SRNA
  129.  
  130.       51  AAUUAAGCAG CGUCGCGGGC GGUUAGUACU UAGAUGGGGG ACCGCUUGGG
  131.      101  AACACCGCGU GUUGUUGGCC U
  132.  
  133. ---------------------------------------------------
  134.  
  135. EMBL format
  136. ID345 seq1 id   (the 345 are spaces)
  137. ... other info
  138. SQ345Sequence   (the 3,4,5 are spaces)
  139. abcd...
  140. hijk...
  141. //              (! this is proper end string: 12Oct90)
  142. ID    seq2 id
  143. ...
  144. SQ   Sequence
  145. abcd...
  146. ...
  147. //
  148. ---------------------------------------------------
  149.  
  150. UW GCG Format:
  151. comments of any form, up to ".." signal
  152. signal line has seq id, and " Check: ####   .."
  153. only 1 seq/file
  154.  
  155. -- e.g. --- (GCG from GenBank)
  156. LOCUS       DROEST6      1819 bp ss-mRNA            INV       31-AUG-1987
  157.     ... much more ...
  158. ORIGIN      1 bp upstream of EcoRI site; chromosome BK9 region 69A1.
  159.  
  160. INVERTEBRATE:DROEST6  Length: 1819  January 9, 1989  16:48  Check: 8008  ..
  161.  
  162.        1  GAATTCGCCG GAGTGAGGAG CAACATGAAC TACGTGGGAC TGGGACTTAT
  163.  
  164.       51  CATTGTGCTG AGCTGCCTTT GGCTCGGTTC GAACGCGAGT GATACAGATG
  165.  
  166.  
  167. ---------------------------------------------------
  168.  
  169. DNAStrider (Mac) = modified Stanford:
  170. ; ### from DNA Strider  Friday, April 7, 1989   11:04:24 PM
  171. ; DNA sequence  pBR322   4363  b.p. complete sequence
  172. ;
  173. abcd...
  174. efgh
  175. //  (end of sequence)
  176. ---------------------------------------------------
  177.  
  178. Fitch format:
  179. Dro5srna.Seq
  180.  GCC AAC GAC CAU ACC ACG CUG AAU ACA UCG GUU CUC GUC CGA UCA CCG AAA UUA AGC AGC
  181.  GUC GCG GGC GGU UAG UAC UUA GAU GGG GGA CCG CUU GGG AAC ACC GCG UGU UGU UGG CCU
  182. Droest6.Seq
  183.  GAA TTC GCC GGA GTG AGG AGC AAC ATG AAC TAC GTG GGA CTG GGA CTT ATC ATT GTG CTG
  184.  AGC TGC CTT TGG CTC GGT TCG AAC GCG AGT GAT ACA GAT GAC CCT CTG TTG GTG CAG CTG
  185. ---------------------------------------------------
  186.  
  187. W.Pearson/Fasta format:
  188. >BOVPRL GenBank entry BOVPRL from omam file.  907 nucleotides.
  189. TGCTTGGCTGAGGAGCCATAGGACGAGAGCTTCCTGGTGAAGTGTGTTTCTTGAAATCAT
  190.  
  191. ---------------------------------------------------
  192. Phylip version 3.2 format (e.g., DNAML):
  193.  
  194.    5   13 YF                (# seqs, #bases, YF)
  195. Alpha     AACGTGGCCAAAT
  196.           aaaagggccc...  (continued sp. alpha)
  197. Beta      AAGGTCGCCAAAC
  198.           aaaagggccc...  (continued sp. beta)
  199. Gamma     CATTTCGTCACAA
  200.           aaaagggccc...  (continued sp. Gamma)
  201. 1234567890^-- bases must start in col 11, and run 'til #bases 
  202.         (spaces & newlines are okay)
  203. ---------------------------------------------------
  204. Phylip version 3.3 format (e.g., DNAML):
  205.  
  206.   5    42  YF             (# seqs, #bases, YF)
  207. Turkey    AAGCTNGGGC ATTTCAGGGT
  208. Salmo gairAAGCCTTGGC AGTGCAGGGT
  209. H. SapiensACCGGTTGGC CGTTCAGGGT
  210. Chimp     AAACCCTTGC CGTTACGCTT
  211. Gorilla   AAACCCTTGC CGGTACGCTT
  212. 1234567890^-- bases must start in col 11
  213.   !! this version interleaves the species -- contrary to
  214.      all other output formats.
  215.  
  216. GAGCCCGGGC AATACAGGGT AT
  217. GAGCCGTGGC CGGGCACGGT AT
  218. ACAGGTTGGC CGTTCAGGGT AA
  219. AAACCGAGGC CGGGACACTC AT
  220. AAACCATTGC CGGTACGCTT AA
  221.  
  222. ---------------------------------------------------
  223. Phylip version 3.4 format (e.g., DNAML)
  224. -- Both Interleaved and sequential are permitted
  225.  
  226.    5   13                (# seqs, #bases)
  227. Alpha     AACGTGGCCAAAT
  228.           aaaagggccc...  (continued sp. alpha)
  229. Beta      AAGGTCGCCAAAC
  230.           aaaagggccc...  (continued sp. beta)
  231. Gamma     CATTTCGTCACAA
  232.           aaaagggccc...  (continued sp. Gamma)
  233. 1234567890^-- bases must start in col 11, and run 'til #bases 
  234.         (spaces, newlines and numbers are are ignored)
  235.  
  236. ---------------------------------------------------
  237. Gary Olsen (multiple) sequence editor /print format:
  238.  
  239. !---------------------
  240. !17Oct91 -- error in original copy of olsen /print format, shifted right 1 space
  241. ! here is correct copy:
  242.   301  40 Tb.thiop  CGCAGCGAAA----------GCUNUGCUAAUACCGCAUA-CGnCCUG-----------------------------------------------------  Tb.thiop
  243. 123456789012345678901
  244.   301  42 Rhc.purp  CGUAGCGAAA----------GUUACGCUAAUACCGCAUA-UUCUGUG-----------------------------------------------------  Rhc.purp
  245.  
  246.   301  44 Rhc.gela  nnngnCGAAA----------GCCGGAUUAAUACCGCAUA-CGACCUA-----------------------------------------------------  Rhc.gela
  247. !---------------------
  248.  
  249.  RNase P RNA components.  on 20-FEB-90 17:23:58
  250.  
  251.     1 (E.c. pr ):  Base pairing in Escherichia coli RNase P RNA.
  252.     2 (chrom   ):  Chromatium
  253.       :
  254.    12 (B.brevis):  Bacillus brevis RNase P RNA, B. James.
  255.    13 ( 90% con):   90% conserved
  256.    14 (100% con):  100% conserved
  257.    15 (gram+ pr):  pairing
  258.  
  259. 1
  260.  RNase P RNA components.  on 20-FEB-90 17:23:58
  261.  
  262.  Posi-   Sequence
  263.  tion:   identity:   Data:
  264.  
  265.      1   1 E.c. pr      <<<<<<<<<< {{{{{{{{<<:<<<<<<<<<<^<<<<<<====>>>>  E.c. pr
  266.      1   2 chrom        GGAGUCGGCCAGACAGUCGCUUCCGUCCU------------------  chrom
  267.             :
  268.      1  12 B.brevis  AUGCAGGAAAUGCGGGUAGCCGCUGCCGCAAUCGUCU-------------  B.brevis
  269. 1234567890123456789012 <! this should be 21 not 22,
  270. ! this example must be inset on left by 1 space from olsen /print files !
  271.      1  13  90% con           G  C G  A  CGC GC               -    -      90% con
  272.      1  14 100% con                G  A  CGC                             100% con
  273.      1  15 gram+ pr     <<<<<<<<<< {{{{{{{{<<<<<<<<<<<<<===============  gram+ pr
  274.  
  275.     60   1 E.c. pr   >>>>>>^>>^>>>>:>>    <<<^<<<< {{{{{                 E.c. pr
  276.     60   2 chrom     -----GGUG-ACGGGGGAGGAAAGUCCGG-GCUCCAU-------------  chrom
  277.     :       :
  278.     60  10 B.stearo  ----UU-CG-GCCGUAGAGGAAAGUCCAUGCUCGCACGGUGCUGAGAUGC  B.stearo
  279.  
  280.  
  281. ---------------------------------------------------
  282.   GCG MSF format
  283. Title line
  284.  
  285. picorna.msf  MSF: 100  Type: P  January 17, 1991  17:53  Check: 541
  286. ..
  287. Name: Cb3              Len:   100  Check: 7009  Weight:  1.00
  288. Name: E                Len:   100  Check:   60  Weight:  1.00
  289.  
  290. //
  291.  
  292.    1                                                   50
  293. Cb3  ...gpvedai .......t.. aaigr..vad tvgtgptnse aipaltaaet
  294.   E  gvenae.kgv tentna.tad fvaqpvylpe .nqt...... kv.affynrs
  295.  
  296.    51                                                 100
  297.  
  298. Cb3  ghtsqvvpgd tmqtrhvkny hsrsestien flcrsacvyf teykn.....
  299.   E  ...spi.gaf tvks...... gs.lesgfap .fsngtc.pn sviltpgpqf
  300.  
  301. ---------------------------------------------------
  302.      PIR format
  303. This is NBRF-PIR MAILSERVER version 1.45
  304. Command-> get PIR3:A31391
  305. \\\
  306. ENTRY           A31391       #Type Protein
  307. TITLE           *Esterase-6 - Fruit fly (Drosophila melanogaster)
  308.  
  309. DATE            03-Aug-1992 #Sequence 03-Aug-1992 #Text 03-Aug-1992
  310. PLACEMENT          0.0    0.0    0.0    0.0    0.0
  311. COMMENT         *This entry is not verified.
  312. SOURCE          Drosophila melanogaster
  313.  
  314. REFERENCE
  315.    #Authors     Cooke P.H., Oakeshott J.G.
  316.    #Citation    submitted to GenBank, April 1989
  317.    #Reference-number A31391
  318.    #Accession   A31391
  319.    #Cross-reference GB:J04167
  320.  
  321. SUMMARY       #Molecular-weight 61125  #Length 544  #Checksum  1679
  322. SEQUENCE
  323.                 5        10        15        20        25        30
  324.       1 M N Y V G L G L I I V L S C L W L G S N A S D T D D P L L V
  325.      31 Q L P Q G K L R G R D N G S Y Y S Y E S I P Y A E P P T G D
  326.      61 L R F E A P E P Y K Q K W S D I F D A T K T P V A C L Q W D
  327.      91 Q F T P G A N K L V G E E D C L T V S V Y K P K N S K R N S
  328.     121 F P V V A H I H G G A F M F G A A W Q N G H E N V M R E G K
  329.     151 F I L V K I S Y R L G P L G F V S T G D R D L P G N Y G L K
  330.     181 D Q R L A L K W I K Q N I A S F G G E P Q N V L L V G H S A
  331.     211 G G A S V H L Q M L R E D F G Q L A R A A F S F S G N A L D
  332.     241 P W V I Q K G A R G R A F E L G R N V G C E S A E D S T S L
  333.     271 K K C L K S K P A S E L V T A V R K F L I F S Y V P F A P F
  334.     301 S P V L E P S D A P D A I I T Q D P R D V I K S G K F G Q V
  335.     331 P W A V S Y V T E D G G Y N A A L L L K E R K S G I V I D D
  336.     361 L N E R W L E L A P Y L L F Y R D T K T K K D M D D Y S R K
  337.     391 I K Q E Y I G N Q R F D I E S Y S E L Q R L F T D I L F K N
  338.     421 S T Q E S L D L H R K Y G K S P A Y A Y V Y D N P A E K G I
  339.     451 A Q V L A N R T D Y D F G T V H G D D Y F L I F E N F V R D
  340.     481 V E M R P D E Q I I S R N F I N M L A D F A S S D N G S L K
  341.     511 Y G E C D F K D N V G S E K F Q L L A I Y I D G C Q N R Q H
  342.     541 V E F P
  343. ///
  344. \\\
  345. ---------------------------------------------------
  346. PAUP format:
  347. The NEXUS Format
  348.  
  349. Every block starts with "BEGIN blockname;" and ends with "END;".
  350. Each block is composed of one or more statements, each
  351. terminated by a semicolon (;).
  352.  
  353. Comments may be included in NEXUS files by enclosing them within
  354. square brackets, as in "[This is a comment]."
  355.  
  356. NEXUS-conforming files are identified by a "#NEXUS" directive at
  357. the very beginning of the file (line 1, column 1).  If the
  358. #NEXUS is omitted PAUP issues a warning but continues
  359. processing.
  360.  
  361. NEXUS files are entirely free-format.  Blanks, tabs, and
  362. newlines may be placed anywhere in the file.  Unless RESPECTCASE
  363. is requested, commands and data may be entered in upper case,
  364. lower case, or a mixture of upper and lower case.
  365.  
  366. The following conventions are used in the syntax descriptions of
  367. the various blocks.  Upper-case items are entered exactly as
  368. shown.  Lower-case items inside of angle brackets -- e.g., <x>
  369. -- represent items to be substituted by the user.  Items inside
  370. of square brackets -- e.g., [X] -- are optional.  Items inside
  371. of curly braces and separated by vertical bars -- e.g.,  { X | Y
  372. | Z } -- are mutually exclusive options.
  373.  
  374.  
  375. The DATA Block
  376.  
  377. The DATA block contains the data matrix and other associated
  378. information.  Its syntax is:
  379.  
  380. BEGIN DATA;
  381. DIMENSIONS NTAX=<number of taxa> NCHAR=<number of characters>;
  382.   [ FORMAT  [ MISSING=<missing-symbol> ]
  383.         [ LABELPOS={ LEFT | RIGHT } ]
  384.         [ SYMBOLS="<symbols-list>" ]
  385.         [ INTERLEAVE ]
  386.         [ MATCHCHAR=<match-symbol> ]
  387.         [ EQUATE="<symbol>=<expansion> [<symbol>=<expansion>...]" ]
  388.         [ TRANSPOSE ]
  389.         [ RESPECTCASE ]
  390.         [ DATATYPE = { STANDARD | DNA | RNA | PROTEIN } ]; ]
  391.         [ OPTIONS [ IGNORE={ INVAR | UNINFORM } ]
  392.         [ MSTAXA = { UNCERTAIN | POLYMORPH | VARIABLE } ]
  393.         [ ZAP = "<list of zapped characters>" ] ; ]
  394.   [ CHARLABELS <label_1> label_2>טח <label_NCHAR> ; ]
  395.   [ TAXLABELS <label1_1> <label1_2> <label1_NTAX> ; ]
  396.   [ STATELABELS <currently ignored by PAUP> ; ]
  397.   MATRIX <data-matrix> ;
  398.   END;
  399.  
  400. --- example PAUP file
  401.  
  402. #NEXUS
  403.  
  404. [!Brown et al. (1982) primate mitochondrial DNA]
  405.  
  406. begin data;
  407.   dimensions ntax=5 nchar=896;
  408.   format datatype=dna matchchar=. interleave missing='-';
  409.   matrix
  410. [                              2                    4                    6            8                    ]
  411. [         1                    1                    1                    1            1                    ]
  412. human     aagcttcaccggcgcagtca ttctcataatcgcccacggR cttacatcctcattactatt ctgcctagcaaactcaaact acgaacgcactcacagtcgc
  413. chimp     ................a.t. .c.................a ...............t.... ..................t. .t........c.........
  414. gorilla   ..................tg ....t.....t........a ........a......t.... .................... .......a..c.....c...
  415. orang     ................ac.. cc.....g..t.....t..a ..c........cc....g.. .................... .......a..c.....c...
  416. gibbon    ......t..a..t...ac.g .c.................a ..a..c..t..cc.g..... ......t............. .......a........c...
  417.  
  418. [         8                    8                    8                    8            8              8     ]
  419. [         0                    2                    4                    6            8              9     ]
  420. [         1                    1                    1                    1            1              6     ]
  421. human     cttccccacaacaatattca tgtgcctagaccaagaagtt attatctcgaactgacactg agccacaacccaaacaaccc agctctccctaagctt
  422. chimp     t................... .a................c. ........a.....g..... ...a................ ................
  423. gorilla   ..................tc .a................c. ........a.g......... ...a.............tt. .a..............
  424. orang     ta....a...........t. .c.......ga......acc ..cg..a.a......tg... .a.a..c.....g...cta. .a.....a........
  425. gibbon    a..t.......t........ ....ac...........acc .....t..a........... .a.tg..........gctag .a..............
  426.   ;
  427. end;
  428. ---------------------------------------------------
  429.  
  430.  
  431.  
  432.  
  433.  
  434.  
  435. |||||||||||  Sample SMTP mail header
  436. ---------------------------------------------------
  437.  
  438. - - - - - - - - -
  439. From GenBank-Retrieval-System@genbank.bio.net Sun Nov 10 17:28:56 1991
  440. Received: from genbank.bio.net by sunflower.bio.indiana.edu
  441.         (4.1/9.5jsm) id AA19328; Sun, 10 Nov 91 17:28:55 EST
  442. Received: by genbank.bio.net (5.65/IG-2.0)
  443.         id AA14458; Sun, 10 Nov 91 14:30:03 -0800
  444. Date: Sun, 10 Nov 91 14:30:03 -0800
  445. Message-Id: <9111102230.AA14458@genbank.bio.net>
  446. From: Database Server <GenBank-Retrieval-System@genbank.bio.net>
  447. To: gilbertd@sunflower.bio.indiana.edu
  448. Subject: Results of Query for drorna
  449. Status: R
  450.  
  451. No matches on drorna.
  452. - - - - - -
  453. From GenBank-Retrieval-System@genbank.bio.net Sun Nov 10 17:28:49 1991
  454. Received: from genbank.bio.net by sunflower.bio.indiana.edu
  455.         (4.1/9.5jsm) id AA19323; Sun, 10 Nov 91 17:28:47 EST
  456. Received: by genbank.bio.net (5.65/IG-2.0)
  457.         id AA14461; Sun, 10 Nov 91 14:30:03 -0800
  458. Date: Sun, 10 Nov 91 14:30:03 -0800
  459. Message-Id: <9111102230.AA14461@genbank.bio.net>
  460. From: Database Server <GenBank-Retrieval-System@genbank.bio.net>
  461. To: gilbertd@sunflower.bio.indiana.edu
  462. Subject: Results of Query for droest6
  463. Status: R
  464.  
  465. LOCUS       DROEST6      1819 bp ss-mRNA            INV       31-AUG-1987
  466. DEFINITION  D.melanogaster esterase-6 mRNA, complete cds.
  467. ACCESSION   M15961
  468.  
  469.  
  470.  
  471.  
  472.  
  473.  
  474.  
  475.  
  476.  
  477.  
  478.  
  479.  
  480. |||||||||||  GCG manual discussion of sequence symbols:
  481. ---------------------------------------------------
  482.  
  483. III_SEQUENCE_SYMBOLS
  484.  
  485.  
  486.      GCG programs allow all upper and lower  case  letters,  periods  (.),
  487. asterisks  (*),  pluses  (+),  ampersands  (&),  and ats (@) as symbols in
  488. biological sequences.  Nucleotide  symbols,  their  complements,  and  the
  489. standard  one-letter amino acid symbols are shown below in separate lists.
  490. The meanings of the symbols +, &, and @ have not  been  assigned  at  this
  491. writing (March, 1989).
  492.  
  493.      GCG uses the  letter  codes  for  amino  acid  codes  and  nucleotide
  494. ambiguity    proposed    by    IUB    (Nomenclature    Committee,    1985,
  495. Eur. J. Biochem. 150; 1-5).  These codes are  compatible  with  the  codes
  496. used by the EMBL, GenBank, and NBRF data libraries.
  497.  
  498.  
  499.                                NUCLEOTIDES
  500.  
  501.      The meaning of each symbol, its complement,  and  the  Cambridge  and
  502. Stanford  equivalents  are  shown below.  Cambridge files can be converted
  503. into GCG files and vice versa with the programs FROMSTADEN  and  TOSTADEN.
  504. IntelliGenetics  sequence  files  can  be interconverted with the programs
  505. FROMIG and TOIG.
  506.  
  507. IUB/GCG      Meaning     Complement   Staden/Sanger  Stanford
  508.  
  509.    A             A             T             A            A
  510.    C             C             G             C            C
  511.    G             G             C             G            G
  512.   T/U            T             A             T           T/U
  513.    M           A or C          K             5            J
  514.    R           A or G          Y             R            R
  515.    W           A or T          W             7            L
  516.    S           C or G          S             8            M
  517.    Y           C or T          R             Y            Y
  518.    K           G or T          M             6            K
  519.    V        A or C or G        B       not supported      N
  520.    H        A or C or T        D       not supported      N
  521.    D        A or G or T        H       not supported      N
  522.    B        C or G or T        V       not supported      N
  523.   X/N     G or A or T or C     X            -/X           N
  524.    .    not G or A or T or C   .       not supported      ?
  525.  
  526.  
  527.   The frame ambiguity codes used by Staden are not  supported  by  GCG
  528. and   are  translated  by  FROMSTADEN  as  the  lower  case  single  base
  529. equivalent.
  530.  
  531.      Staden Code          Meaning              GCG
  532.  
  533.          D                C or CC                c
  534.          V                T or TT                t
  535.          B                A or AA                a
  536.          H                G or GG                g
  537.          K                C or CX                c
  538.          L                T or TX                t
  539.          M                A or AX                a
  540.          N                G or GX                g
  541.  
  542.  
  543.                         AMINO ACIDS
  544.  
  545.   Here is a list of the standard one-letter amino acid codes and their
  546. three-letter  equivalents.   The synonymous codons and their depiction in
  547. the IUB codes are shown.  You should recognize that the codons  following
  548. semicolons  (;)  are  not  sufficiently specific to define a single amino
  549. acid even though they represent the best possible back  translation  into
  550. the IUB codes!  All of the relationships in this list can be redefined by
  551. the user in a local data file described below.
  552.  
  553.                                                       IUB
  554. Symbol 3-letter  Meaning      Codons                Depiction
  555.  A    Ala       Alanine      GCT,GCC,GCA,GCG         !GCX
  556.  B    Asp,Asn   Aspartic,
  557.                 Asparagine   GAT,GAC,AAT,AAC         !RAY
  558.  C    Cys       Cysteine     TGT,TGC                 !TGY
  559.  D    Asp       Aspartic     GAT,GAC                 !GAY
  560.  E    Glu       Glutamic     GAA,GAG                 !GAR
  561.  F    Phe     Phenylalanine  TTT,TTC                 !TTY
  562.  G    Gly       Glycine      GGT,GGC,GGA,GGG         !GGX
  563.  H    His       Histidine    CAT,CAC                 !CAY
  564.  I    Ile       Isoleucine   ATT,ATC,ATA             !ATH
  565.  K    Lys       Lysine       AAA,AAG                 !AAR
  566.  L    Leu       Leucine      TTG,TTA,CTT,CTC,CTA,CTG
  567. !TTR,CTX,YTR;YTX
  568.  M    Met       Methionine   ATG                     !ATG
  569.  N    Asn       Asparagine   AAT,AAC                 !AAY
  570.  P    Pro       Proline      CCT,CCC,CCA,CCG         !CCX
  571.  Q    Gln       Glutamine    CAA,CAG                 !CAR
  572.  R    Arg       Arginine     CGT,CGC,CGA,CGG,AGA,AGG
  573. !CGX,AGR,MGR;MGX
  574.  S    Ser       Serine       TCT,TCC,TCA,TCG,AGT,AGC !TCX,AGY;WSX
  575.  T    Thr       Threonine    ACT,ACC,ACA,ACG         !ACX
  576.  V    Val       Valine       GTT,GTC,GTA,GTG         !GTX
  577.  W    Trp       Tryptophan   TGG                     !TGG
  578.  X    Xxx       Unknown                              !XXX
  579.  Y    Tyr       Tyrosine     TAT, TAC                !TAY
  580.  Z    Glu,Gln   Glutamic,
  581.                 Glutamine    GAA,GAG,CAA,CAG         !SAR
  582.  *    End       Terminator   TAA, TAG, TGA           !TAR,TRA;TRR
  583.  
  584.  
  585.  
  586.  
  587.  
  588.  
  589.  
  590.  
  591. |||||||||||  docs from PSC on sequence formats:
  592. ---------------------------------------------------
  593.  
  594.  
  595.           Nucleic Acid and Protein Sequence File Formats
  596.  
  597.  
  598. It will probably save you some time if you have your data in a usable
  599. format before you send it to us.  However, we do have the University of
  600. Wisconsin Genetics Computing Group programs running on our VAXen and
  601. this package includes several reformatting utilities.  Our programs
  602. usually recognize any of several standard formats, including GenBank,
  603. EMBL, NBRF, and MolGen/Stanford.  For the purposes of annotating an
  604. analysis we find the GenBank and EMBL formats most useful, particularly
  605. if you have already received an accession number from one of these
  606. organizations for your sequence.
  607.  
  608. Our programs do not require that all of the line types available in
  609. GenBank, EMBL, or NBRF file formats be present for the file format to
  610. be recognized and processed.  The following pages outline the essential
  611. details required for correct processing of files by our programs.
  612. Additional information may be present but will generally be ignored.
  613.  
  614.  
  615.                       GenBank File Format
  616.  
  617. File Header
  618.  
  619. 1.  The first line in the file must have "GENETIC SEQUENCE DATA BANK"
  620.     in spaces 20 through 46 (see LINE  1, below).
  621. 2.  The next 8 lines may contain arbitrary text.  They are ignored but
  622.     are required to maintain the GenBank format (see LINE 2 - LINE 9).
  623.  
  624. Sequence Data Entries
  625.  
  626. 3.  Each sequence entry in the file should have the following format.
  627.     a) first line:   Must have LOCUS in the first 5 spaces.  The
  628.                      genetic locus name or identifier must be in spaces
  629.                      13 - 22.  The length of the sequences is right
  630.                      justified in spaces 23 through 29 (see LINE  10).
  631.     b) second line:  Must have DEFINITION in the first 10 spaces.
  632.                      Spaces 13 - 80 are free form text to identify the
  633.                      sequence (see LINE  11).
  634.     c) third line:   Must have ACCESSION in the first 9 spaces.  Spaces
  635.                      13 - 18 must hold the primary accession number
  636.                      (see LINE  12).
  637.     d) fourth line:  Must have ORIGIN in the first 6 spaces.  Nothing
  638.                      else is required on this line, it indicates that
  639.                      the nucleic acid sequence begins on the next line
  640.                      (see LINE  13).
  641.     e) fifth line:   Begins the nucleotide sequence.  The first 9
  642.                      spaces of each sequence line may either be blank
  643.                      or may contain the position in the sequence of the
  644.                      first nucleotide on the line.  The next 66 spaces
  645.                      hold the nucleotide sequence in six blocks of ten
  646.                      nucleotides.  Each of the six blocks begins with a
  647.                      blank space followed by ten nucleotides.  Thus the
  648.                      first nucleotide is in space eleven of the line while
  649.                      the last is in space 75 (see LINE  14, LINE  15).
  650.     f) last line:    Must have // in the first 2 spaces to indicate
  651.                      termination of the sequence (see LINE  16).
  652.  
  653. NOTE:  Multiple sequences may appear in each file.  To begin another
  654.        sequence go back to a) and start again.
  655.  
  656.  
  657.                          Example GenBank file
  658.  
  659.  
  660. LINE  1  :                   GENETIC SEQUENCE DATA BANK
  661. LINE  2  :
  662. LINE  3  :
  663. LINE  4  :
  664. LINE  5  :
  665. LINE  6  :
  666. LINE  7  :
  667. LINE  8  :
  668. LINE  9  :
  669. LINE 10  :LOCUS       L_Name     Length BP
  670. LINE 11  :DEFINITION  Describe the sequence any way you want
  671. LINE 12  :ACCESSION   Accession Number
  672. LINE 13  :ORIGIN
  673. LINE 14  :        1 acgtacgtac gtacgtacgt acgtacgtac gtacgtacgt a...
  674. LINE 15  :       61 acgt...
  675. LINE 16  ://
  676.  
  677.  
  678.  
  679.                          EMBL File Format
  680.  
  681. Unlike the GenBank file format the EMBL file format does not require
  682. a series of header lines.  Thus the first line in the file begins
  683. the first sequence entry of the file.
  684.  
  685. 1.  The first line of each sequence entry contains the two letters ID
  686.     in the first two spaces.  This is followed by the EMBL identifier
  687.     in spaces 6 through 14.  (See LINE  1).
  688.  
  689. 2.  The second line of each sequence entry has the two letters AC in
  690.     the first two spaces.  This is followed by the accession number in
  691.     spaces 6 through 11.  (See LINE  2).
  692.  
  693. 3.  The third line of each sequence entry has the two letters DE in the
  694.     first two spaces.  This is followed by a free form text definition
  695.     in spaces 6 through 72.  (See LINE  3).
  696.  
  697. 4.  The fourth line in each sequence entry has the two letters SQ in
  698.     the first two spaces.  This is followed by the length of the
  699.     sequence beginning at or after space 13.  After the sequence length
  700.     there is a blank space and the two letters BP.  (See LINE  4).
  701.  
  702. 5.  The nucleotide sequence begins on the fifth line of the sequence
  703.     entry.  Each line of sequence begins with four blank spaces. The
  704.     next 66 spaces hold the nucleotide sequence in six blocks of ten
  705.     nucleotides.  Each of the six blocks begins with a blank space
  706.     followed by ten nucleotides.  Thus the first nucleotide is in space
  707.     6 of the line while the last is in space 70.  (See LINE  5 -
  708.     LINE  6).
  709.  
  710. 6.  The last line of each sequence entry in the file is a terminator
  711.     line which has the two characters // in the first two spaces.
  712.     (See LINE  7).
  713.  
  714. 7.  Multiple sequences may appear in each file.  To begin another
  715.     sequence go back to item 1 and start again.
  716.  
  717.  
  718.                           Example EMBL file
  719.  
  720. LINE  1  :ID   ID_name
  721. LINE  2  :AC   Accession number
  722. LINE  3  :DE   Describe the sequence any way you want
  723. LINE  4  :SQ          Length BP
  724. LINE  5  :     ACGTACGTAC GTACGTACGT ACGTACGTAC GTACGTA...
  725. LINE  6  :     ACGT...
  726. LINE  7  ://
  727.  
  728.  
  729.  
  730.             NBRF (protein or nucleic acid) File Format
  731.  
  732. 1.  The first line of each sequence entry begins with a greater than
  733.   symbol, >.  This is immediately followed by the two character
  734.   sequence type specifier.  Space four must contain a semi-colon.
  735.   Beginning in space five is the sequence name or identification code
  736.   for the NBRF database.  The code is from four to six letters and
  737.   numbers.  (See LINE  1).
  738.  
  739. !!!! >> add these to readseq
  740.           Specifier             Sequence type
  741.  
  742.               P1                protein, complete
  743.               F1                protein, fragment
  744.               DL                DNA, linear
  745.               DC                DNA, circular
  746.               RL                RNA, linear
  747.               RC                RNA, circular
  748.               N1                functional RNA, other than tRNA
  749.               N3                tRNA
  750.  
  751. 2.  The second line of each sequence entry contains two kinds of
  752.   information.  First is the sequence name which is separated from
  753.   the organism or organelle name by the three character sequence
  754.   blank space, dash, blank space, " - ".  There is no special
  755.   character marking the beginning of this line.  (See LINE  2).
  756.  
  757. 3.  Either the amino acid or nucleic acid sequence begins on line three
  758.   and can begin in any space, including the first.  The sequence is
  759.   free format and may be interrupted by blanks for ease of reading.
  760.   Protein sequences man contain special punctuation to indicate
  761.   various indeterminacies in the sequence.  In the NBRF data files
  762.   all lines may be up to 500 characters long.  However some PSC
  763.   programs currently have a limit of 130 characters per line
  764.   (including blanks), and BitNet will not accept lines of over eighty
  765.   characters.  (See LINE  3, LINE  4, and LINE  5).
  766.  
  767.   The last character in the sequence must be an asterisks, *.
  768.  
  769.                        Example NBRF file
  770.  
  771.  LINE  1  :>P1;CBRT
  772.  LINE  2  :Cytochrome b - Rat mitochondrion (SGC1)
  773.  LINE  3  :M T N I R K S H P L F K I I N H S F I D L P A P S
  774.  LINE  4  : VTHICRDVN Y GWL IRY
  775.  LINE  5  :TWIGGQPVEHPFIIIGQLASISYFSIILILMPISGIVEDKMLKWN*
  776.  
  777.  
  778.  
  779.                 MolGen/Stanford File Format
  780.  
  781. 1.  The first line in a sequence file is a comment line.  This line
  782.   begins with a semi-colon in the first space.  This line need
  783.   not be present.  If it is present it holds descriptive text.
  784.   There may be as many comment lines as desired at the first of
  785.   sequence file.  (See LINE  1).
  786.  
  787. 2.  The second line must be present and contains an identifier or
  788.   name for the sequence in the first ten spaces.  (See LINE  2).
  789.  
  790. 3.  The sequence begins on the third line and occupies up to eighty
  791.   spaces.  Spaces may be included in the sequence for ease of
  792.   reading.  The sequence continues for as many line as needed
  793.   and is terminated with a 1 or 2.  1 indicates a linear sequence
  794.   while 2 marks a circular sequence.  (See LINE  3 and LINE  4).
  795.  
  796.                           Example MolGen/Stanford file
  797.  
  798. LINE  1  :;  Describe the sequence any way you want
  799. LINE  2  :ECTRNAGLY2
  800. LINE  3  :ACGCACGTAC ACGTACGTAC   A C G T C C G T ACG TAC GTA CGT
  801. LINE  4  :  GCTTA   GG G C T A1
  802.  
  803.  
  804.  
  805.  
  806. |||||||||||  Phylip file format
  807. ---------------------------------------------------
  808.  
  809.         Phylip 3.3 File Format (DNA sequences)
  810.  
  811.  
  812.      The input and output formats for PROTPARS and for RESTML are described  in
  813. their  document  files.   In  general  their input formats are similar to those
  814. described here, except that the one-letter codes for data are specific to those
  815. programs  and  are  described in those document files.  Since the input formats
  816. for the eight DNA sequence programs apply to  all  eight,  they  are  described
  817. here.   Their  input  formats are standard: the data have A's, G's, C's and T's
  818. (or U's).  The first line of the input file contains the number of species  and
  819. the  number  of  sites.   As  with  the other programs, options information may
  820. follow this.  In the case of DNAML, DNAMLK,  and  DNADIST  an  additional  line
  821. (described  in  the  document file for these pograms) may follow the first one.
  822. Following this, each species starts on a new line.  The first 10 characters  of
  823. that  line  are the species name.  There then follows the base sequence of that
  824. species, each character being one of the letters A, B, C, D, G, H, K, M, N,  O,
  825. R, S, T, U, V, W, X, Y, ?, or - (a period was also previously allowed but it is
  826. no longer allowed, because it sometimes is used to in aligned sequences to mean
  827. "the  same  as  the  sequence  above").   Blanks  will  be ignored, and so will
  828. numerical digits.  This allows GENBANK and EMBL sequence  entries  to  be  read
  829. with minimum editing.
  830.  
  831.      These characters can be  either  upper  or  lower  case.   The  algorithms
  832. convert  all  input  characters  to upper case (which is how they are treated).
  833. The characters constitute the IUPAC (IUB) nucleic acid code  plus  some  slight
  834. extensions.  They enable input of nucleic acid sequences taking full account of
  835. any ambiguities in the sequence.
  836.  
  837. The sequences can continue over multiple lines; when this is done the sequences
  838. must  be  either  in  "interleaved"  format, similar to the output of alignment
  839. programs, or "sequential" format.  These are described  in  the  main  document
  840. file.   In sequential format all of one sequence is given, possibly on multiple
  841. lines, before the next starts.  In interleaved format the  first  part  of  the
  842. file  should  contain  the first part of each of the sequences, then possibly a
  843. line containing nothing but a carriage-return character, then the  second  part
  844. of  each  sequence, and so on.  Only the first parts of the sequences should be
  845. preceded by names.  Here is a hypothetical example of interleaved format:
  846.  
  847.   5    42
  848. Turkey    AAGCTNGGGC ATTTCAGGGT
  849. Salmo gairAAGCCTTGGC AGTGCAGGGT
  850. H. SapiensACCGGTTGGC CGTTCAGGGT
  851. Chimp     AAACCCTTGC CGTTACGCTT
  852. Gorilla   AAACCCTTGC CGGTACGCTT
  853.  
  854. GAGCCCGGGC AATACAGGGT AT
  855. GAGCCGTGGC CGGGCACGGT AT
  856. ACAGGTTGGC CGTTCAGGGT AA
  857. AAACCGAGGC CGGGACACTC AT
  858. AAACCATTGC CGGTACGCTT AA
  859.  
  860. while in sequential format the same sequences would be:
  861.  
  862.   5    42
  863. Turkey    AAGCTNGGGC ATTTCAGGGT
  864. GAGCCCGGGC AATACAGGGT AT
  865. Salmo gairAAGCCTTGGC AGTGCAGGGT
  866. GAGCCGTGGC CGGGCACGGT AT
  867. H. SapiensACCGGTTGGC CGTTCAGGGT
  868. ACAGGTTGGC CGTTCAGGGT AA
  869. Chimp     AAACCCTTGC CGTTACGCTT
  870. AAACCGAGGC CGGGACACTC AT
  871. Gorilla   AAACCCTTGC CGGTACGCTT
  872. AAACCATTGC CGGTACGCTT AA
  873.  
  874.  
  875. Note, of course, that a portion of a sequence like this:
  876.  
  877.    300   AAGCGTGAAC GTTGTACTAA TRCAG
  878.  
  879. is perfectly legal, assuming that the species name  has  gone  before,  and  is
  880. filled  out  to  full  length  by  blanks.  The above digits and blanks will be
  881. ignored, the sequence being taken as starting at the first base symbol (in this
  882. case an A).
  883.  
  884.      The present versions of the programs may sometimes have difficulties  with
  885. the  blank  lines  between  groups of lines, and if so you might want to retype
  886. those lines, making sure that they have only a  carriage-return  and  no  blank
  887. characters on them, or you may perhaps have to eliminate them.  The symptoms of
  888. this problem are that the programs complain that the sequences are not properly
  889. aligned, and you can find no other cause for this complaint.
  890.  
  891. ------------------------------------------------
  892.  
  893.  
  894. |||||||||||  ASN.1 file format
  895. ---------------------------------------------------
  896.  
  897.  
  898. ASN.1 -- see NCBI toolkit docs, source and examples (ncbi.nlm.nih.gov)
  899.  
  900. Example asn.1 sequence file----
  901.  
  902. Bioseq-set ::= {
  903. seq-set {
  904.   seq {
  905.     id { local id 1 } ,                 -- id essential
  906.     descr {  title "Dummy sequence data from nowhere"  } ,  -- optional
  907.     inst {                              -- inst essential
  908.       repr raw ,
  909.       mol dna ,
  910.       length 156 ,
  911.       topology linear ,
  912.       seq-data
  913.         iupacna "GAATTCATTTTTGAAACAAATCGACCTGACGACGGAATGGTACTCGAATTA
  914. TGGGCCAAAGGGTTTTATGGGACAAATTAATAGGTGTTCATTATATGCCACTTTCGGAGATTAGATACAGCAATGCAG
  915. TGGATTCAAAGCAATAGAGTTGTTCTT" 
  916.       } } ,
  917.  
  918.         seq {
  919.           id { local id 2 } ,
  920.           descr {  title "Dummy sequence 2 data from somewhere else"  } ,
  921.           inst {
  922.                 repr raw ,
  923.                 mol dna ,
  924.                 length 150 ,
  925.                 topology linear ,
  926.                 seq-data
  927.                   iupacna "TTTTTTTTTTTTGAAACAAATCGACCTGACGACGGAATGGTACTCGAATTA
  928. TGGGCCAAAGGGTTTTATGGGACAAATTAATAGGTGTTCATTATATGCCACTTTCGGAGATTAGATACAGCAATGCAG
  929. TGGATTCAAAGCAATAGAGTT" 
  930.             }
  931.           }
  932.         }
  933.       }
  934.  
  935.  
  936. partial ASN.1 description from toolkit
  937.  
  938. Bioseq ::= SEQUENCE {
  939.     id SET OF Seq-id ,            -- equivalent identifiers
  940.     descr Seq-descr OPTIONAL , -- descriptors
  941.     inst Seq-inst ,            -- the sequence data
  942.     annot SET OF Seq-annot OPTIONAL }
  943.  
  944. Seq-inst ::= SEQUENCE {            -- the sequence data itself
  945.     repr ENUMERATED {              -- representation class
  946.         not-set (0) ,              -- empty
  947.         virtual (1) ,              -- no seq data
  948.         raw (2) ,                  -- continuous sequence
  949.         seg (3) ,                  -- segmented sequence
  950.         const (4) ,                -- constructed sequence
  951.         ref (5) ,                  -- reference to another sequence
  952.         consen (6) ,               -- consensus sequence or pattern
  953.         map (7) ,                  -- ordered map (genetic, restriction)
  954.         other (255) } ,
  955.     mol ENUMERATED {               -- molecule class in living organism
  956.         not-set (0) ,              --   > cdna = rna
  957.         dna (1) ,
  958.         rna (2) ,
  959.         aa (3) ,
  960.         na (4) ,                   -- just a nucleic acid
  961.         other (255) } ,
  962.     length INTEGER OPTIONAL ,      -- length of sequence in residues
  963.     fuzz Int-fuzz OPTIONAL ,       -- length uncertainty
  964.     topology ENUMERATED {          -- topology of molecule
  965.         not-set (0) ,
  966.         linear (1) ,
  967.         circular (2) ,
  968.         tandem (3) ,               -- some part of tandem repeat
  969.         other (255) } DEFAULT linear ,
  970.     strand ENUMERATED {            -- strandedness in living organism
  971.         not-set (0) ,
  972.         ss (1) ,                   -- single strand
  973.         ds (2) ,                   -- double strand
  974.         mixed (3) ,
  975.         other (255) } OPTIONAL ,   -- default ds for DNA, ss for RNA, pept
  976.     seq-data Seq-data OPTIONAL ,   -- the sequence
  977.     ext Seq-ext OPTIONAL ,         -- extensions for special types
  978.   hist Seq-hist OPTIONAL }       -- sequence history
  979.  
  980. ------------------------------------------------
  981.