生物信息學(xué)第三章生物信息數(shù)據(jù)庫

1、第三章生物信息數(shù)據(jù)庫與查詢近年來大量生物學(xué)實驗的數(shù)據(jù)積累，形成了當(dāng)前數(shù)以百計的生物信息數(shù)據(jù)庫。它們各自按一定的目標收集和整理生物學(xué)實驗數(shù)據(jù)，并提供相關(guān)的數(shù)據(jù)查詢、數(shù)據(jù)處理的服務(wù)。隨著因特網(wǎng)的普及，這些數(shù)據(jù)庫大多可以通過網(wǎng)絡(luò)來訪問，或者通過網(wǎng)絡(luò)下載。一般而言，這些生物信息數(shù)據(jù)庫可以分為一級數(shù)據(jù)庫和二級數(shù)據(jù)庫。一級數(shù)據(jù)庫的數(shù)據(jù)都直接來源于實驗獲得的原始數(shù)據(jù)，只經(jīng)過簡單的歸類整理和注釋；二級數(shù)據(jù)庫是在一級數(shù)據(jù)庫、實驗數(shù)據(jù)和理論分析的基礎(chǔ)上針對特定目標衍生而來，是對生物學(xué)知識和信息的進一步整理。國際上著名的一級核酸數(shù)據(jù)庫有Genbank 數(shù)據(jù)庫、 EMBL 核酸庫和 DDBJ 庫等；蛋白質(zhì)序列數(shù)據(jù)庫有

2、 SWISS-PROT 、 PIR 等；蛋白質(zhì)結(jié)構(gòu)庫有 PDB 等。國際上二級生物學(xué)數(shù)據(jù)庫非常多，它們因針對不同的研究內(nèi)容和需要而各具特色，如人類基因組圖譜庫 GDB 、轉(zhuǎn)錄因子和結(jié)合位點庫 TRANSFAC 、蛋白質(zhì)結(jié)構(gòu)家族分類庫 SCOP 等等。下面將順序簡要介紹一些著名和有特色的生物信息數(shù)據(jù)庫。3.1 基因和基因組數(shù)據(jù)庫1. GenbankGenbank 庫包含了所有已知的核酸序列和蛋白質(zhì)序列，以及與它們相關(guān)的文獻著作和生物學(xué)注釋。它是由美國國立生物技術(shù)信息中心(NCBI)建立和維護的。它的數(shù)據(jù)直接來源于測序工作者提交的序列；由測序中心提交的大量 EST 序列和其它測序數(shù)據(jù)；以及與其它數(shù)

3、據(jù)機構(gòu)協(xié)作交換數(shù)據(jù)而來。Genbank 每天都會與歐洲分子生物學(xué)實驗室(EMBL)的數(shù)據(jù)庫，和日本的 DNA 數(shù)據(jù)庫(DDBJ)交換數(shù)據(jù)，使這三個數(shù)據(jù)庫的數(shù)據(jù)同步。到 1999 年 8 月，Genbank 中收集的序列數(shù)量達到 460 萬條，34 億個堿基，而且數(shù)據(jù)增長的速度還在不斷加快。Genbank 的數(shù)據(jù)可以從 NCBI 的 FTP 服務(wù)器上免費下載完整的庫，或下載積累的新數(shù)據(jù)。NCBI 還提供廣泛的數(shù)據(jù)查詢、序列相似性搜索以及其它分析服務(wù)，用戶可以從 NCBI 的主頁上找到這些服務(wù)。Genbank 庫里的數(shù)據(jù)按來源于約 55,000 個物種，其中 56%是人類的基因組序列(所有序列中的

4、 34%是人類的EST 序列)。每條 Genbank 數(shù)據(jù)記錄包含了對序列的簡要描述，它的科學(xué)命名，物種分類名稱，參考文獻，序列特征表，以及序列本身。序列特征表里包含對序列生物學(xué)特征注釋如：編碼區(qū)、轉(zhuǎn)錄單元、重復(fù)區(qū)域、突變位點或修飾位點等。所有數(shù)據(jù)記錄被劃分在若干個文件里，如細菌類、病毒類、靈長類、嚙齒類，以及 EST 數(shù)據(jù)、基因組測序數(shù)據(jù)、大規(guī)?；蚪M序列數(shù)據(jù)等 16 類，其中 EST 數(shù)據(jù)等又被各自分成若干個文件。(1)Genbank 數(shù)據(jù)檢索NCBI 的數(shù)據(jù)庫檢索查詢系統(tǒng)是 Entrez。Entrez 是基于 Web 界面的綜合生物信息數(shù)據(jù)庫檢索系統(tǒng)。利用Entrez 系統(tǒng)，用戶不僅可以

5、方便地檢索 Genbank 的核酸數(shù)據(jù)，還可以檢索來自 Genbank 和其它數(shù)據(jù)庫的蛋白質(zhì)序列數(shù)據(jù)、基因組圖譜數(shù)據(jù)、來自分子模型數(shù)據(jù)庫(MMDB)的蛋白質(zhì)三維結(jié)構(gòu)數(shù)據(jù)、種群序列數(shù)據(jù)集、以及由 PubMed 獲得 Medline 的文獻數(shù)據(jù)。Entrez 提供了方便實用的檢索服務(wù)，所有操作都可以在網(wǎng)絡(luò)瀏覽器上完成。用戶可以利用 Entrez 界面上提供的限制條件(Limits)、索引(Index)、檢索歷史(History)和剪貼板(Clipboard)等功能來實現(xiàn)復(fù)雜的檢索查詢工作。對于檢索獲得的記錄，用戶可以選擇需要顯示的數(shù)據(jù)，保存查詢結(jié)果，甚至以圖形方式觀看檢索獲得的序列。更詳細的 En

6、trez 使用說明可以在該主頁上獲得。(2) 向 Genbank 提交序列數(shù)據(jù)測序工作者可以把自己工作中獲得的新序列提交給 NCBI，添加到 Genbank 數(shù)據(jù)庫。這個任務(wù)可以由基于 Web界面的 BankIt 或獨立程序 Sequin 來完成。BankIt 是一系列表單，包括聯(lián)絡(luò)信息、發(fā)布要求、引用參考信息、序列來源信息、以及序列本身的信息等。用戶提交序列后，會從電子郵件收到自動生成的數(shù)據(jù)條目，Genbank 的新序列編號，以及完成注釋后的完整的數(shù)據(jù)記錄。用戶還可以在 BankIt 頁面下修改已經(jīng)發(fā)布序列的信息。BankIt 適合于獨立測序工作者提交少量序列，而不適合大量序列的提交，也不適

7、合提交很長的序列，EST 序列和 GSS 序列也不應(yīng)用 BankIt提交。BankIt 使用說明和對序列的要求可詳見其主頁面。大量的序列提交可以由 Sequin 程序完成。Sequin 程序能方便的編輯和處理復(fù)雜注釋，并包含一系列內(nèi)建的檢查函數(shù)來提高序列的質(zhì)量保證。它還被設(shè)計用于提交來自系統(tǒng)進化、種群和突變研究的序列，可以加入比對的數(shù)據(jù)。Sequin 除了用于編輯和修改序列數(shù)據(jù)記錄，還可以用于序列的分析，任何以 FASTA 或 ASN.1格式序列為輸入數(shù)據(jù)的序列分析程序都可以整合到 Sequin 程序下。在不同操作系統(tǒng)下運行的 Sequin 程序都可以在 ftp:/ncbi.nlm.nih.g

8、ov/sequin/下找到，Sequin 的使用說明可詳見其網(wǎng)頁。NCBI的網(wǎng)址是： 。Entrez的網(wǎng)址是： /entrez/ 。BankIt的網(wǎng)址是： /BankIt 。Sequin的相關(guān)網(wǎng)址是： /Sequin/ 。2. EMBL 核酸序列數(shù)據(jù)庫EMBL 核酸序列數(shù)據(jù)庫由歐洲生物信息學(xué)研究所(EBI)維護的核酸序列數(shù)據(jù)構(gòu)成，由于與 Genbank 和 DDBJ 的數(shù)據(jù)合作交換，它也

9、是一個全面的核酸序列數(shù)據(jù)庫。該數(shù)據(jù)庫由 Oracal 數(shù)據(jù)庫系統(tǒng)管理維護，查詢檢索可以通過通過因特網(wǎng)上的序列提取系統(tǒng)(SRS)服務(wù)完成。向 EMBL 核酸序列數(shù)據(jù)庫提交序列可以通過基于 Web的 WEBIN 工具，也可以用 Sequin 軟件來完成。數(shù)據(jù)庫網(wǎng)址是： http:/www.ebi.ac.uk/embl/ 。SRS的網(wǎng)址是： http:/srs.ebi.ac.uk/ 。WEBIN 的網(wǎng)址是： http:/www.ebi.ac.uk/embl/Submission/webin.html 。3. DDBJ 數(shù)據(jù)庫日本 DNA 數(shù)據(jù)倉庫(DDBJ)也是一個全面的核酸序列數(shù)據(jù)庫，與 Genb

10、ank 和 EMBL 核酸庫合作交換數(shù)據(jù)?？梢允褂闷渲黜撋咸峁┑?SRS 工具進行數(shù)據(jù)檢索和序列分析?？梢杂?Sequin 軟件向該數(shù)據(jù)庫提交序列。DDBJ的網(wǎng)址是： http:/www.ddbj.nig.ac.jp/ 。4. GDB基因組數(shù)據(jù)庫(GDB)為人類基因組計劃(HGP)保存和處理基因組圖譜數(shù)據(jù)。GDB 的目標是構(gòu)建關(guān)于人類基因組的百科全書，除了構(gòu)建基因組圖譜之外，還開發(fā)了描述序列水平的基因組內(nèi)容的方法，包括序列變異和其它對功能和表型的描述。目前 GDB 中有：人類基因組區(qū)域(包括基因、克隆、amplimers PCR 標記、斷點breakpoints、細胞遺傳標記 cytogene

11、tic markers、易碎位點 fragile sites、EST 序列、綜合區(qū)域 syndromicregions、contigs 和重復(fù)序列)；人類基因組圖譜(包括細胞遺傳圖譜、連接圖譜、放射性雜交圖譜、contentcontig 圖譜和綜合圖譜等)；人類基因組內(nèi)的變異(包括突變和多態(tài)性，加上等位基因頻率數(shù)據(jù))。GDB 數(shù)據(jù)庫以對象模型來保存數(shù)據(jù)，提供基于 Web 的數(shù)據(jù)對象檢索服務(wù)，用戶可以搜索各種類型的對象，并以圖形方式觀看基因組圖譜。GDB的網(wǎng)址是： 。GDB的國內(nèi)鏡像是： http:/ 。3.2 蛋白質(zhì)數(shù)據(jù)庫1. PIR 和 PSDPIR 國際

12、蛋白質(zhì)序列數(shù)據(jù)庫(PSD)是由蛋白質(zhì)信息資源(PIR)、慕尼黑蛋白質(zhì)序列信息中心(MIPS)和日本國際蛋白質(zhì)序列數(shù)據(jù)庫(JIPID)共同維護的國際上最大的公共蛋白質(zhì)序列數(shù)據(jù)庫。這是一個全面的、經(jīng)過注釋的、非冗余的蛋白質(zhì)序列數(shù)據(jù)庫，包含超過 142,000 條蛋白質(zhì)序列(至 99 年 9 月)，其中包括來自幾十個完整基因組的蛋白質(zhì)序列。所有序列數(shù)據(jù)都經(jīng)過整理，超過 99%的序列已按蛋白質(zhì)家族分類，一半以上還按蛋白質(zhì)超家族進行了分類。PSD 的注釋中還包括對許多序列、結(jié)構(gòu)、基因組和文獻數(shù)據(jù)庫的交叉索引，以及數(shù)據(jù)庫內(nèi)部條目之間的索引，這些內(nèi)部索引幫助用戶在包括復(fù)合物、酶底物相互作用、活化和調(diào)控級聯(lián)和

13、具有共同特征的條目之間方便的檢索。每季度都發(fā)行一次完整的數(shù)據(jù)庫，每周可以得到更新部分。PSD 數(shù)據(jù)庫有幾個輔助數(shù)據(jù)庫，如基于超家族的非冗余庫等。PIR 提供三類序列搜索服務(wù)：基于文本的交互式檢索；標準的序列相似性搜索，包括 BLAST、FASTA 等；結(jié)合序列相似性、注釋信息和蛋白質(zhì)家族信息的高級搜索，包括按注釋分類的相似性搜索、結(jié)構(gòu)域搜索 GeneFIND 等。PIR和PSD的網(wǎng)址是： / 。數(shù)據(jù)庫下載地址是： /pir/ 。2. SWISS-PROTSWISS-PROT 是經(jīng)過注釋的蛋白質(zhì)序列

14、數(shù)據(jù)庫，由歐洲生物信息學(xué)研究所(EBI)維護。數(shù)據(jù)庫由蛋白質(zhì)序列條目構(gòu)成，每個條目包含蛋白質(zhì)序列、引用文獻信息、分類學(xué)信息、注釋等，注釋中包括蛋白質(zhì)的功能、轉(zhuǎn)錄后修飾、特殊位點和區(qū)域、二級結(jié)構(gòu)、四級結(jié)構(gòu)、與其它序列的相似性、序列殘缺與疾病的關(guān)系、序列變異體和沖突等信息。SWISS-PROT 中盡可能減少了冗余序列，并與其它 30 多個數(shù)據(jù)建立了交叉引用，其中包括核酸序列庫、蛋白質(zhì)序列庫和蛋白質(zhì)結(jié)構(gòu)庫等。利用序列提取系統(tǒng)(SRS)可以方便地檢索 SWISS-PROT 和其它 EBI 的數(shù)據(jù)庫。SWISS-PROT 只接受直接測序獲得的蛋白質(zhì)序列，序列提交可以在其 Web 頁面上完成。SWISS-

15、PROT的網(wǎng)址是： http:/www.ebi.ac.uk/swissprot/ 。3. PROSITEPROSITE 數(shù)據(jù)庫收集了生物學(xué)有顯著意義的蛋白質(zhì)位點和序列模式，并能根據(jù)這些位點和模式快速和可靠地鑒別一個未知功能的蛋白質(zhì)序列應(yīng)該屬于哪一個蛋白質(zhì)家族。有的情況下，某個蛋白質(zhì)與已知功能蛋白質(zhì)的整體序列相似性很低，但由于功能的需要保留了與功能密切相關(guān)的序列模式，這樣就可能通過 PROSITE的搜索找到隱含的功能 motif，因此是序列分析的有效工具。PROSITE 中涉及的序列模式包括酶的催化位點、配體結(jié)合位點、與金屬離子結(jié)合的殘基、二硫鍵的半胱氨酸、與小分子或其它蛋白質(zhì)結(jié)合的區(qū)域等；除了

16、序列模式之外，PROSITE 還包括由多序列比對構(gòu)建的 profile，能更敏感地發(fā)現(xiàn)序列與 profile 的相似性。PROSITE 的主頁上提供各種相關(guān)檢索服務(wù)。PROSITE的網(wǎng)址是： http:/www.expasy.ch/prosite/ 。4. PDB蛋白質(zhì)數(shù)據(jù)倉庫(PDB)是國際上唯一的生物大分子結(jié)構(gòu)數(shù)據(jù)檔案庫，由美國 Brookhaven 國家實驗室建立。PDB 收集的數(shù)據(jù)來源于 X 光晶體衍射和核磁共振(NMR)的數(shù)據(jù)，經(jīng)過整理和確認后存檔而成。目前 PDB 數(shù)據(jù)庫的維護由結(jié)構(gòu)生物信息學(xué)研究合作組織(RCSB)負責(zé)。RCSB 的主服務(wù)器和世界各地的鏡像服務(wù)器提供數(shù)據(jù)庫的檢索和

17、下載服務(wù)，以及關(guān)于 PDB 數(shù)據(jù)文件格式和其它文檔的說明，PDB 數(shù)據(jù)還可以從發(fā)行的光盤獲得。使用 Rasmol 等軟件可以在計算機上按 PDB 文件顯示生物大分子的三維結(jié)構(gòu)。RCSB的PDB數(shù)據(jù)庫網(wǎng)址是： /pdb/ 。5. SCOP蛋白質(zhì)結(jié)構(gòu)分類 (SCOP) 數(shù)據(jù)庫詳細描述了已知的蛋白質(zhì)結(jié)構(gòu)之間的關(guān)系。分類基于若干層次：家族，描述相近的進化關(guān)系；超家族，描述遠源的進化關(guān)系；折疊子 (fold) ，描述空間幾何結(jié)構(gòu)的關(guān)系；折疊類，所有折疊子被歸于全 、全 、 / 、 和多結(jié)構(gòu)域等幾個大類。 SCOP 還提供一個非冗余的ASTRAIL 序列庫，這個庫通常被

18、用來評估各種序列比對算法。此外， SCOP 還提供一個 PDB-ISL 中介序列庫，通過與這個庫中序列的兩兩比對，可以找到與未知結(jié)構(gòu)序列遠緣的已知結(jié)構(gòu)序列。SCOP 的網(wǎng)址是： http:/scop.mrc-lmb.cam.ac.uk/scop/ 。6. COG蛋白質(zhì)直系同源簇(COGs)數(shù)據(jù)庫是對細菌、藻類和真核生物的 21 個完整基因組的編碼蛋白，根據(jù)系統(tǒng)進化關(guān)系分類構(gòu)建而成。COG 庫對于預(yù)測單個蛋白質(zhì)的功能和整個新基因組中蛋白質(zhì)的功能都很有用。利用COGNITOR 程序，可以把某個蛋白質(zhì)與所有 COGs 中的蛋白質(zhì)進行比對，并把它歸入適當(dāng)?shù)?COG 簇。COG 庫提供了對 COG 分類

19、數(shù)據(jù)的檢索和查詢，基于 Web 的 COGNITOR 服務(wù)，系統(tǒng)進化模式的查詢服務(wù)等。COG庫的網(wǎng)址是： /COG 。下載COG庫和COGNITOR程序在： /pub/COG 。3.3 功能數(shù)據(jù)庫1. KEGG京都基因和基因組百科全書(KEGG)是系統(tǒng)分析基因功能，聯(lián)系基因組信息和功能信息的知識庫。基因組信息存儲在 GENES 數(shù)據(jù)庫里，包括完整和部分測序的基因組序列；更高級的功能信息存儲在 PATHWAY 數(shù)據(jù)庫里，包括圖解的細胞生化過程如代謝、膜轉(zhuǎn)運、信號傳遞、細胞周期，還包括同系保守的子通路等信

20、息；KEGG 的另一個數(shù)據(jù)庫是 LIGAND，包含關(guān)于化學(xué)物質(zhì)、酶分子、酶反應(yīng)等信息。KEGG 提供了 Java 的圖形工具來訪問基因組圖譜，比較基因組圖譜和操作表達圖譜，以及其它序列比較、圖形比較和通路計算的工具，可以免費獲取。KEGG的網(wǎng)址是： http:/www.genome.ad.jp/kegg/ 。2. DIP相互作用的蛋白質(zhì)數(shù)據(jù)庫(DIP)收集了由實驗驗證的蛋白質(zhì)蛋白質(zhì)相互作用。數(shù)據(jù)庫包括蛋白質(zhì)的信息、相互作用的信息和檢測相互作用的實驗技術(shù)三個部分。用戶可以根據(jù)蛋白質(zhì)、生物物種、蛋白質(zhì)超家族、關(guān)鍵詞、實驗技術(shù)或引用文獻來查詢 DIP 數(shù)據(jù)庫。DIP的網(wǎng)址是： http:/dip.d

21、/ 。3. ASDB可變剪接數(shù)據(jù)庫(ASDB)包括蛋白質(zhì)庫和核酸庫兩部分。ASDB(蛋白質(zhì))部分來源于 SWISS-PROT 蛋白質(zhì)序列庫，通過選取有可變剪接注釋的序列，搜索相關(guān)可變剪接的序列，經(jīng)過序列比對、篩選和分類構(gòu)建而成。ASDB(核酸)部分來自 Genbank 中提及和注釋的可變剪接的完整基因構(gòu)成。數(shù)據(jù)庫提供了方便的搜索服務(wù)。ASDB的網(wǎng)址是： /asdb 。4. TRRD轉(zhuǎn)錄調(diào)控區(qū)數(shù)據(jù)庫(TRRD)是在不斷積累的真核生物基因調(diào)控區(qū)結(jié)構(gòu)功能特性信息基礎(chǔ)上構(gòu)建的。每一個TRRD 的條目里包含特定基因各種結(jié)構(gòu)功能特性：轉(zhuǎn)

22、錄因子結(jié)合位點、啟動子、增強子、靜默子、以及基因表達調(diào)控模式等。TRRD 包括五個相關(guān)的數(shù)據(jù)表：TRRDGENES(包含所有 TRRD 庫基因的基本信息和調(diào)控單元信息)；TRRDSITES(包括調(diào)控因子結(jié)合位點的具體信息)；TRRDFACTORS(包括 TRRD 中與各個位點結(jié)合的調(diào)控因子的具體信息)；TRRDEXP(包括對基因表達模式的具體描述)；TRRDBIB(包括所有注釋涉及的參考文獻)。TRRD 主頁提供了對這幾個數(shù)據(jù)表的檢索服務(wù)。TRRD的網(wǎng)址是： http:/wwwmgs.bionet.nsc.ru/mgs/dbases/trrd4/ 。5. TRANSFACTRANSFAC 數(shù)據(jù)

23、庫是關(guān)于轉(zhuǎn)錄因子、它們在基因組上的結(jié)合位點和與 DNA 結(jié)合的 profiles 的數(shù)據(jù)庫。由 SITE、GENE、FACTOR、CLASS、MATRIX、CELLS、METHOD 和 REFERENCE 等數(shù)據(jù)表構(gòu)成。此外，還有幾個與 TRANSFAC密切相關(guān)的擴展庫：PATHODB 庫收集了可能導(dǎo)致病態(tài)的突變的轉(zhuǎn)錄因子和結(jié)合位點；S/MART DB 收集了與染色體結(jié)構(gòu)變化相關(guān)的蛋白因子和位點的信息；TRANSPATH 庫用于描述與轉(zhuǎn)錄因子調(diào)控相關(guān)的信號傳遞的網(wǎng)絡(luò)；CYTOMER 庫表現(xiàn)了人類轉(zhuǎn)錄因子在各個器官、細胞類型、生理系統(tǒng)和發(fā)育時期的表達狀況。TRANSFAC及其相關(guān)數(shù)據(jù)庫可以免費下

24、載，也可以通過 Web 進行檢索和查詢。TRANSFAC的網(wǎng)址是： http:/transfac.gbf.de/TRANSFAC/ 。3.4 其它數(shù)據(jù)庫資源1. DBCatDBCat 是生物信息數(shù)據(jù)庫的目錄數(shù)據(jù)庫，它收集了 500 多個生物信息學(xué)數(shù)據(jù)庫的信息，并根據(jù)它們的應(yīng)用領(lǐng)域進行了分類。包括 DNA 、 RNA 、蛋白質(zhì)、基因組、圖譜、蛋白質(zhì)結(jié)構(gòu)、文獻著作等基本類型。數(shù)據(jù)庫可以免費下載或在網(wǎng)絡(luò)上檢索查詢。DBCat 的網(wǎng)址是： biogen.fr/services/dbcat/ 。下載 DBCat 在： biogen.fr/pub/db/dbcat 。2. PubMedPubMed 是 NCBI 維護的文獻引用數(shù)據(jù)庫，提供對 MEDLINE 、 Pre-MEDLINE 等文獻數(shù)據(jù)庫的引用查詢和對大量網(wǎng)