4. FASTA 를 한 바이트씩 읽는다 — 머리글이 먼저다 · 손박사의 mRNA백신 설계 첫걸음 I

생물정보학에서 서열을 주고받는 형식은 사실상 하나입니다. FASTA 입니다. 규칙이 한 줄로 끝납니다.

> 로 시작하는 줄은 설명, 나머지 줄은 서열

이게 전부입니다. 사십 년 넘게 살아남은 형식의 규칙이 이 한 줄입니다. 단순해서 살아남았습니다.

세 부분으로 나눠 본다

>sp|P0DTC2|...   Spike glycoprotein ...   <- 머리글 (한 줄)
MFVFLVLLPL ... (60글자)                   <- 서열 첫 줄
VSSQCVNLTT ... (60글자)                   <- 서열 둘째 줄
...

부분	규칙	흔한 실수
머리글	`>` 로 시작 · 한 줄 · 자유 형식	`>` 를 빼먹고 서열로 오해
서열	글자만 · 줄바꿈은 데이터가 아니다	줄바꿈을 세어서 길이를 틀리게 잡는다
구분	다음 `>` 가 나오면 새 서열	여러 서열이 든 파일을 하나로 읽는다

둘째 줄의 실수가 가장 잦습니다. 줄바꿈은 보기 좋게 자른 것이고 서열의 일부가 아닙니다. 7강에서 직접 세어 봅니다.

커서를 밀어 보세요. 머리글의 어느 바이트가 어느 칸에 속하는지, 그리고 그 칸이 무엇을 뜻하는지 짚어 줍니다.

불러오는 중…

파서가 열 줄입니다. 줄바꿈을 버리는 것이 파서가 하는 일의 절반입니다.

Python 브라우저에서 실행

# FASTA 를 '손으로' 파싱한다. 규칙이 한 줄이니 파서도 짧다.
# 여기 쓰는 서열은 교육용 모형이다 - 실제 스파이크 서열이 아니다.
AA = "ACDEFGHIKLMNPQRSTVWY"
demo = (AA * 7)[:132]

hdr = ">demo|TEACH0001|TEACHING_SEQ 교육용 서열 length=132"
lines = [demo[i:i+60] for i in range(0, len(demo), 60)]

print("=== 파일의 모습 ===")
print(hdr)
for ln in lines:
    print(ln)
print()

print("=== 파서 ===")
raw = [hdr] + lines
header = None
seq_parts = []
for ln in raw:
    ln = ln.strip()
    if not ln:
        continue
    if ln.startswith(">"):
        header = ln[1:]
    else:
        seq_parts.append(ln)
seq = "".join(seq_parts)

print("머리글       ", header)
print("서열 줄 수   ", len(seq_parts))
print("줄 길이      ", [len(x) for x in seq_parts])
print("이어 붙인 길이", len(seq))
print()
print("줄바꿈을 글자로 세면", len(seq) + len(seq_parts) - 1, "이 된다 - 틀린 답이다.")
print("줄바꿈은 데이터가 아니다.")

머스대가 아니라 규칙 두 개로 쪼갭니다 — 막대로 한 번, 등호로 한 번.

Python 브라우저에서 실행

# 머리글을 칸으로 쪼갠다. UniProt 관습을 따라가 본다.
# 값 가운데 P0DTC2 와 1273 만 논문에서 온 것이고, 나머지 문구는 형식 예시다.
hdr = "sp|P0DTC2|EXAMPLE_ENTRY Spike glycoprotein OS=(예시) OX=(예시) GN=S PE=1 SV=1"

bar_part, _, rest = hdr.partition(" ")
fields = bar_part.split("|")
print("막대(|)로 먼저 쪼갠다")
print("  자료실 코드 ", fields[0], "  <- sp = 검수된 항목")
print("  접근번호    ", fields[1], "  <- 진짜 값. 이게 주소다")
print("  엔트리 이름 ", fields[2], "  <- 형식 예시")
print()

print("나머지는 공백으로 쪼개고 '열쇠=값' 만 골라낸다")
kv = {}
words = []
for tok in rest.split():
    if "=" in tok:
        k, v = tok.split("=", 1)
        kv[k] = v
    else:
        words.append(tok)
print("  설명      ", " ".join(words))
for k in ("OS", "OX", "GN", "PE", "SV"):
    print("  %-9s %s" % (k, kv.get(k, "(없음)")))
print()
print("GN=S  는 유전자 이름이 S 라는 뜻이다 - 스파이크의 S 다.")
print("SV=1  은 '서열 판' 이고 접근번호 뒤의 .1 과 같은 구실을 한다 (10강).")

왜 이 낡은 형식이 아직 쓰이나

얻는 것

사람이 눈으로 읽을 수 있다 · 어떤 언어로도 열 줄이면 파싱된다 · 이어 붙이면 여러 서열이 된다 · 망가진 파일도 일부는 살린다

잃는 것

머리글에 규격이 없다 · 좌표·판·종을 강제하지 않는다 · 품질 정보가 없다 · 같은 파일이 단백질인지 염기인지도 형식이 말해 주지 않는다

마지막 항목이 16강의 함정으로 이어집니다. ATGGTT… 만 보고서는 염기인지, 알라닌-트레오닌-글리신… 으로 읽어야 할 단백질인지 형식만으로는 알 수 없습니다.

🤔 확인 문제

FASTA 파일에서 서열의 길이를 셀 때 반드시 해야 하는 일은?

🤔 확인 문제

FASTA 형식이 알려 주지 않는 것은?

해설 형식은 > 규칙 하나뿐입니다. 종류는 머리글의 관습과 글자 구성으로 짐작할 뿐이고, 짐작이 틀리면 16강의 사고가 납니다.

🤔 확인 문제

머리글의 SV=1 이 뜻하는 것은?

해설 SV 는 sequence version 입니다. 내용물이 고쳐지면 올라갑니다. 10강에서 이것이 재현성의 핵심임을 봅니다.