序列資料庫（GenBank）與格式（sequence databases and formats）
/ JEN-bank /
科學只有在發現被分享時才會層層累積，而在基因組學裡，這種分享是透過龐大的公共序列倉庫實現的。當一個實驗室測定了一個新基因或新基因組，它會把這段序列存入一個資料庫，地球上任何人都能免費搜尋和下載。正是這座不斷累積的圖書館，才使得一次 BLAST 搜尋能認出你那個未知基因——它是在和幾十年來所有人存入的工作做比較。
GenBank 由美國 NIH 營運（並由歐洲和日本的夥伴資料庫鏡像），是這些檔案庫中最著名的：一個龐大且不斷增長的公開 DNA 和 RNA 序列集合，連同它們的註釋和背後的論文。為了把這些資料搬來搬去，這個領域依賴幾種純文字格式。FASTA 最簡單：一行以符號 > 開頭的標題，給出序列的名字，後面跟著原始字母，比如一行是 '>my_gene'、下一行是 'ATGGCGTTAC...'。FASTQ 在此基礎上為定序讀段做了擴展，給每個鹼基都附上一個品質分數，表示機器對那個字母有多大把握。還有像 SAM/BAM 這樣的格式記錄讀段比對到哪裡，VCF 則記錄變異。
這些資源和格式是讓現代生物學得以互通的、安靜的基礎設施——一段在東京存入的序列，一小時後就能在聖保羅被分析。但誠實的告誡很重要：公共資料庫只受到輕度的審編，所以裡面含有錯誤、來自其他生物的汙染，以及過時或錯誤的註釋，當人們照抄時這些就會傳播開來。一段序列出現在 GenBank 裡，只意味著有人提交了它，而不意味著它是正確的，這又是一個理由說明結果需要獨立核查，而不是盲目相信下載來的標籤。
一條 FASTA 記錄長這樣：第一行是 '>BRCA1 partial sequence'、下一行是 'ATGGATTTATCTGCTCTTCGCGTT...'——只有一個名字和那些字母，這就是讓任何程式都能讀懂任何序列的通用語。
GenBank 儲存著全世界的序列；像 FASTA 這樣簡單的格式讓任何工具都能讀取它們。
公共資料庫只受輕度審編。一段序列在 GenBank 裡只意味著有人提交了它，而非它正確——錯誤、汙染和過時註釋很常見，並會被一路照抄下去。