生物信息數(shù)據(jù)庫

1、生物信息數(shù)據(jù)庫l生命信息學(xué)生命科學(xué)與計(jì)算機(jī)技術(shù)的交叉。l生物信息學(xué)的研究?jī)?nèi)容： （1）生物信息中心（2）生物信息數(shù)據(jù)庫及格式。l生物信息數(shù)據(jù)的檢索工具Entrezl文獻(xiàn)的檢索與管理軟件Reference managerl序列同源搜索分析工具Blastl核酸、蛋白質(zhì)序列比對(duì)分析軟件DS geneDNASISl生物大分子空間三維結(jié)構(gòu)顯示與分析軟件Rasmoll生物圖像對(duì)比分析軟件Scion Image (NIH image)l生物科學(xué)數(shù)據(jù)處理軟件Origin1. 重要生物信息中心2. 重要生物信息數(shù)據(jù)庫3. 數(shù)據(jù)庫檢索工具4. 生物分析相關(guān)軟件生物信息研究?jī)?nèi)容生物信息研究?jī)?nèi)容l平面文件平面文件 (

2、flat-file)信息在文件中順序存放且具有特定格式記錄(Entry)通過“獲得號(hào)”(accession #)唯一確定同一文件間和不同文件間信息的聯(lián)系均通過accession #實(shí)現(xiàn)l關(guān)系數(shù)據(jù)庫關(guān)系數(shù)據(jù)庫 (relational DB)基于實(shí)體聯(lián)系模型 (E-R模型)表中的記錄(record/tuple)鍵唯一確定表之間通過外鍵建立聯(lián)系semanticmappingAttributesRelations查詢查詢語義映射語義映射和處理過程和處理過程結(jié)果結(jié)果語義匹配語義匹配l信息源分布在世界各地不同的站點(diǎn)上l涉及多個(gè)數(shù)據(jù)源的全局問題無法立刻得到答案Painfully collecting uns

3、tructured information around the sitesManually putting pieces togetherHopefully getting the right picture.l總之，信息源的特點(diǎn)是：自治的 (autonomous)分布式的 (distributed)異構(gòu)的 (heterogeneous)XMLXMLSite ASite BData Integration序列數(shù)據(jù)庫序列數(shù)據(jù)庫 l核酸序列數(shù)據(jù)庫核酸序列數(shù)據(jù)庫 (EMBL、GenBank、DDBJ)l常用蛋白質(zhì)序列數(shù)據(jù)庫常用蛋白質(zhì)序列數(shù)據(jù)庫(Swissprot,PIR)結(jié)構(gòu)數(shù)據(jù)庫結(jié)構(gòu)數(shù)據(jù)庫 l蛋

4、白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫(PDB) l蛋白質(zhì)分類數(shù)據(jù)庫蛋白質(zhì)分類數(shù)據(jù)庫(SCOP、CATH )其它數(shù)據(jù)庫其它數(shù)據(jù)庫 l主要核酸序列數(shù)據(jù)庫主要核酸序列數(shù)據(jù)庫: GenBank、EMBL、 DDBJl主要蛋白質(zhì)序列數(shù)據(jù)庫主要蛋白質(zhì)序列數(shù)據(jù)庫:Swissprot, PIRl 美國(guó)的核酸數(shù)據(jù)庫美國(guó)的核酸數(shù)據(jù)庫GenBankBanson,D.A. et al. (1998) Nucleic Acids Res. 26, 1-7從從1979年開始建設(shè)，年開始建設(shè)，1982年正式年正式運(yùn)行；運(yùn)行；l歐洲分子生物學(xué)實(shí)驗(yàn)室的歐洲分子生物學(xué)實(shí)驗(yàn)室的EMBL數(shù)據(jù)庫也于數(shù)據(jù)庫也于1982年開始服務(wù)年開始服務(wù)l日

5、本于日本于1984年開始建立國(guó)家級(jí)的核酸數(shù)據(jù)庫年開始建立國(guó)家級(jí)的核酸數(shù)據(jù)庫DDBJ，并于，并于1987年正式服務(wù)。年正式服務(wù)。從那個(gè)時(shí)候以來，從那個(gè)時(shí)候以來，DNA序列的數(shù)據(jù)已經(jīng)從序列的數(shù)據(jù)已經(jīng)從80年代初期的百年代初期的百把條序列，幾十萬堿基上升至現(xiàn)在的把條序列，幾十萬堿基上升至現(xiàn)在的110億堿基！這就是說，億堿基！這就是說，在短短的約在短短的約18年間，數(shù)據(jù)量增長(zhǎng)了近十萬倍。年間，數(shù)據(jù)量增長(zhǎng)了近十萬倍。核酸序列數(shù)據(jù)庫核酸序列數(shù)據(jù)庫l核酸序列是由4種核苷酸的單字母（ATGC）符號(hào)排成的序列。lSWISS-PROT和和PIR是國(guó)際上二個(gè)主要的蛋白質(zhì)序列是國(guó)際上二個(gè)主要的蛋白質(zhì)序列數(shù)據(jù)庫，目前這

6、二個(gè)數(shù)據(jù)庫在數(shù)據(jù)庫，目前這二個(gè)數(shù)據(jù)庫在EMBL和和GenBank數(shù)據(jù)數(shù)據(jù)庫上均建立了鏡像庫上均建立了鏡像 (mirror) 站點(diǎn)。站點(diǎn)。SWISS-PROT數(shù)據(jù)數(shù)據(jù)庫包括了從庫包括了從EMBL翻譯而來的蛋白質(zhì)序列，這些序列翻譯而來的蛋白質(zhì)序列，這些序列經(jīng)過檢驗(yàn)和注釋。經(jīng)過檢驗(yàn)和注釋。PIR數(shù)據(jù)庫的數(shù)據(jù)由美國(guó)家生物技數(shù)據(jù)庫的數(shù)據(jù)由美國(guó)家生物技術(shù)信息中心術(shù)信息中心(NCBI)翻譯自翻譯自GenBank的的DNA序列。序列。 lMNIQQLALQNIKGNWRNYKVFFLSSCFAIFASFAYMSVIVHPYMKETMWYQNVRWGLIICNIIIISFFIIFILYSTSIFIEARKKEL

7、GLYMLMGATKSNVIGVIMTEQMLIGVFANIFGIGLGIIFLKLFFMVFSMLLGLPKELPIIFDVRAIGGTFIAYMVVFVVLSFISALRIWNIKIIRLLKEFRTDKKEKKTSMRLCIFGLICLGIGYALALQTTMPTIAFYFFPVSILVFFGTYFSFTHGTAQILELIKRNKKIMYTYPYLFIVNQLSHRMKENGRFFFLMSMATTFVVTATGTVFLYFSGMQDMWRGGGVHSFSYIEKGTSSHEVFAEGMVEQLLHQYGYDDFQSMSFVGVYASFQSSKGETEIATLMKESEYNQEARKQG

8、QKTYHPKKGSVTLVYYNKYNHPNMYDQKEIQLQVMNQTYSFVFNGQKEGIQFNYHPSQINGLFFVMHDEDFDGIANKVPDSEKMIYRGYTLPNIENTKELNEDLRKHMKQDDNNAFRSNMELYVNMKAFGDITLFVGSFISILFFLTSCSIVYFKWFHNIASDRKEYGALSKLGMTKEEVWRISRWQLCMLFFAPIIVGSMHSAVALYTFHNTIFMDGSLRKVGLFILFYIAACIMYFFFAQREYRKHLDl蛋白質(zhì)序列是由20種氨基酸的單字母符號(hào)排成的序列。蛋白質(zhì)數(shù)據(jù)庫種類和特點(diǎn)蛋白質(zhì)數(shù)據(jù)庫種類和特點(diǎn)名稱

9、名稱維護(hù)單位維護(hù)單位注釋注釋冗余度冗余度數(shù)據(jù)量數(shù)據(jù)量更新更新PIRNCBI、JIPID、MIPS部分完善部分完善較大較大較大較大較慢較慢SwissProtEBI、SIB完善完善小小不大不大較慢較慢NRL3DNCBI完善完善小小小小較慢較慢TrEMBLEBI、SIB不完善不完善大大大大快快GenPeptNCBI不完善不完善大大大大快快NRDBEBI一般一般小小大大較快較快OWLHGMP一般一般小小大大較慢較慢l蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫 lPDB l蛋白質(zhì)分類數(shù)據(jù)庫蛋白質(zhì)分類數(shù)據(jù)庫 lSCOP和和CATHl蛋白質(zhì)結(jié)構(gòu)存放著構(gòu)成蛋白質(zhì)分子的所有原子的三維空間坐標(biāo)值。lSCOP (Struct

10、ural Classification of Proteins)lCATH( Class, Architecture, Topology, Homology)l描述了結(jié)構(gòu)和進(jìn)化結(jié)構(gòu)和進(jìn)化關(guān)系。lSCOP數(shù)據(jù)庫從不同層次從不同層次對(duì)蛋白質(zhì)結(jié)構(gòu)進(jìn)行分類，以反映它們結(jié)構(gòu)和進(jìn)化的相關(guān)性。l第一個(gè)分類層次為家族，通常將序列相似性程度在序列相似性程度在30%以上以上的蛋白質(zhì)歸入同一家族，有比較明確的進(jìn)化關(guān)系。l超家族：序列相似性較低，結(jié)構(gòu)和功能特性結(jié)構(gòu)和功能特性表明它們有共同的進(jìn)化起源，將其視作超家族。l折疊類型：無論有無共同的進(jìn)化起源，只要二級(jí)結(jié)構(gòu)單二級(jí)結(jié)構(gòu)單元具有相同的排列和拓?fù)浣Y(jié)構(gòu)元具有相同的排列和

11、拓?fù)浣Y(jié)構(gòu)，即認(rèn)為這些蛋白質(zhì)具有相同的折疊方式。在這些情況下，結(jié)構(gòu)的相似性主要依賴于二級(jí)結(jié)構(gòu)單元的排列方式或拓?fù)浣Y(jié)構(gòu)。l類型Class、構(gòu)架Architecture 、拓?fù)浣Y(jié)構(gòu)Topology和同源性Homology 。l分類基礎(chǔ)是蛋白質(zhì)結(jié)構(gòu)域蛋白質(zhì)結(jié)構(gòu)域。與SCOP不同的是，CATH把蛋白質(zhì)分為4類，即a a主類、主類、b b主類，主類，a-ba-b類（類（a/ba/b型型和和a+ba+b型）和低二級(jí)結(jié)構(gòu)類型）和低二級(jí)結(jié)構(gòu)類。低二級(jí)結(jié)構(gòu)類是指二級(jí)結(jié)構(gòu)成分含量很低的蛋白質(zhì)分子。lCATH數(shù)據(jù)庫的第二個(gè)分類第二個(gè)分類依據(jù)為由螺旋和折疊形成的超二級(jí)結(jié)構(gòu)排列方式超二級(jí)結(jié)構(gòu)排列方式，而不考慮它們之間的連

12、接關(guān)系。l第三個(gè)層次為拓?fù)浣Y(jié)構(gòu)拓?fù)浣Y(jié)構(gòu)，即二級(jí)結(jié)構(gòu)的形狀和二級(jí)結(jié)構(gòu)間的聯(lián)系。l第四個(gè)層次為結(jié)構(gòu)的同源性結(jié)構(gòu)的同源性，它是先通過序列比較然后再用結(jié)構(gòu)比較來確定的。lCATH數(shù)據(jù)庫的最后一個(gè)層次為序列序列(Sequence)層次層次，在這一層次上，只要結(jié)構(gòu)域中的序列同源性大于35%，就被認(rèn)為具有高度的結(jié)構(gòu)和功能的相似性。對(duì)于較大的結(jié)構(gòu)域，則至少要有60%與小的結(jié)構(gòu)域相同。lGDB l人類基因組數(shù)據(jù)庫人類基因組數(shù)據(jù)庫lAceDB l線蟲線蟲(Caenorhabditis elegans)基因組數(shù)據(jù)庫基因組數(shù)據(jù)庫lEntrezlSRSlEntrez-GenBank(Sequence Retrieval

13、 System )SRS是歐洲分子生物學(xué)網(wǎng)EMBnet的主要檢索工具。SRS, Sequence Retrieval System, is a powerful database management system developed specifically for biological databases. The goal of SRS is to provide an efficient access to databases with biological contents no matter in what format are they available and allowin

14、g for complex search criteria.l由于歷史原因，各種生物數(shù)據(jù)庫采用了不同的信息格式不同的信息格式，許多生物計(jì)算機(jī)軟件也要求特定的核酸和蛋白質(zhì)序列輸特定的核酸和蛋白質(zhì)序列輸入格式入格式。l一個(gè)數(shù)據(jù)庫記錄(entry)一般由兩部分組成：原始序列數(shù)原始序列數(shù)據(jù)據(jù)和描述這些數(shù)據(jù)生物學(xué)信息的注釋生物學(xué)信息的注釋(annotation)。注釋中包含的信息與相應(yīng)的序列數(shù)據(jù)同樣重要和有應(yīng)用價(jià)值，值得注意。l序列部分和注釋部分兩者都有固定格式，以便計(jì)算機(jī)讀取。各個(gè)數(shù)據(jù)庫的具體格式又有所不同，大致分成GenBank和和EMBL兩種風(fēng)格。 GenBank格式：格式：每個(gè)條目都是一份純文本

15、文件純文本文件。每行左端或?yàn)榭崭窕驗(yàn)樽R(shí)別字，識(shí)別字均為完整英文字，不用縮寫。為了同embl對(duì)照，一并列在下表中。GenBank條目，使用一大批與EMBL和DDBJ數(shù)據(jù)庫統(tǒng)一的關(guān)鍵字。格式可以分成3個(gè)部分：1）頭部包含關(guān)于整個(gè)序列的信息（描述字符），從頭部包含關(guān)于整個(gè)序列的信息（描述字符），從 LOCUS行到行到ORIGIN行行；2）注釋這一序列的特性（）注釋這一序列的特性（Feature Table ），為注釋的核心部分；），為注釋的核心部分；3）序列本身）序列本身(Sequence)。注：所有的核苷酸數(shù)據(jù)庫記錄（EMBL/GenBank/DDBJ)都在最后一行以/結(jié)尾。EMBL格式：格式：歐

16、洲分子生物學(xué)EMBL數(shù)據(jù)庫的每個(gè)條目是一份純文純文本文件本文件，每一行最前面是由兩個(gè)大寫字母組成兩個(gè)大寫字母組成的識(shí)別標(biāo)志，常見的識(shí)別標(biāo)志列舉在后面的表中。識(shí)別標(biāo)志“特性表”FT包含一批關(guān)鍵字，它們的定義已經(jīng)與GenBank和DDBJ統(tǒng)一。下歐洲國(guó)家的許多數(shù)據(jù)庫如SWISS-PROT、ENZYME、TRANSFAC等，都采用與EMBL一致的格式。 EMBL識(shí)別標(biāo)志 GenBank識(shí)別字 意義ID LOCUS 序列名稱DEDEFINITION序列簡(jiǎn)單說明AC ACCESSION 唯一的提取號(hào)OSSOURCE序列來源的物種名OC ORGANISM 序列來源的物種學(xué)名和分類學(xué)位置DT 建立日期 KW

17、 KEYWORDS與序列相關(guān)的關(guān)鍵詞RNREFERENCE相關(guān)文獻(xiàn)編號(hào)，或遞交序列的注冊(cè)信息RAAUTHORS相關(guān)文獻(xiàn)作者，或遞交序列的作者RTTITLE相關(guān)文獻(xiàn)題目RLJOURNAL引文出處相關(guān)文獻(xiàn)刊物雜志名，或遞交序列的作者單位RXMEDLINE 相關(guān)文獻(xiàn)Medline引文代碼RP相關(guān)文獻(xiàn)其它注釋EMBL識(shí)別標(biāo)志 GenBank識(shí)別字 意義RCREMARK相關(guān)文獻(xiàn)注釋DR相關(guān)數(shù)據(jù)庫交叉引用號(hào)XX為閱讀清晰而加的空行 CC COMMENT 評(píng)注 NI VERSION 可更新的序列版本號(hào) FH FEATURES 序列特征表起始FT FEATURES 特性表 SQ EMBL序列開始標(biāo)志，后隨長(zhǎng)度

18、、字母數(shù) BASE COUNT GenBank堿基數(shù)目 ORIGIN GenBank序列開始標(biāo)志，該行空 / / 序列結(jié)束標(biāo)志，空行 LOCUS AF062069 3808 bp mRNA INV 02-MAR-2000DEFINITION Limulus polyphemus myosin III mRNA, complete cds.ACCESSION AF062069VERSION AF062069.2 GI:7144484KEYWORDS .SOURCE Atlantic horseshoe crab. ORGANISM Limulus polyphemus Eukaryota; Me

19、tazoa; Arthropoda; Chelicerata; Merostomata; Xiphosura; Limulidae; Limulus.REFERENCE 1 (bases 1 to 3808) AUTHORS Battelle,B.-A., Andrews,A.W., Calman,B.G., Sellers,J.R., Greenberg,R.M. and Smith,W.C. TITLE A myosin III from Limulus eyes is a clock-regulated phosphoprotein JOURNAL J. Neurosci. (1998)

20、 In pressREFERENCE 2 (bases 1 to 3808) AUTHORS Battelle,B.-A., Andrews,A.W., Calman,B.G., Sellers,J.R., Greenberg,R.M. and Smith,W.C. TITLE Direct Submission JOURNAL Submitted (29-APR-1998) Whitney Laboratory, University of Florida, 9505 Ocean Shore Blvd., St. Augustine, FL 32086, USAREFERENCE 3 (ba

21、ses 1 to 3808) AUTHORS Battelle,B.-A., Andrews,A.W., Calman,B.G., Sellers,J.R., Greenberg,R.M. and Smith,W.C. TITLE Direct Submission JOURNAL Submitted (02-MAR-2000) Whitney Laboratory, University of Florida, 9505 Ocean Shore Blvd., St. Augustine, FL 32086, USA REMARK Sequence update by submitterCOM

22、MENT On Mar 2, 2000 this sequence version replaced gi:3132700.FEATURES Location/Qualifiers source 1.3808 /organism=Limulus polyphemus /db_xref=taxon:6850 /tissue_type=lateral eye CDS 258.3302 /note=N-terminal protein kinase domain; C-terminal myosin heavy chain head; substrate for PKA /codon_start=1

23、 /product=myosin III /protein_id=AAC16332.2 /db_xref=GI:7144485 /translation=MEYKCISEHLPFETLPDPGDRFEVQELVGTGTYATVYSAIDKQA NKKVALKIIGHIAENLLDIETEYRIYKAVNGIQFFPEFRGAFFKRGERESDNEVWLGI EFLEEGTAADLLATHRRFGIHLKEDLIALIIKEVVRAVQYLHENSIIHRDIRAANIMF SKEGYVKLIDFGLSASVKNTNGKAQSSVGSPYWMAPEVISCDCLQEPYNYTCDVWSIG I

24、TAIELADTVPSLSDIHALRAMFRINRNPPPSVKRETRWSETLKDFISECLVKNPEYR PCIQEIPQHPFLAQVEGKEDQLRSELVDILKKNPGEKLRNKPYNVTFKNGHLKTISGQ BASE COUNT 1201 a 689 c 782 g 1136 tORIGIN 1 tcgacatctg tggtcgcttt ttttagtaat aaaaaattgt attatgacgt cctatctgtt 3781 aagatacagt aactagggaa aaaaaaaa/LOCUS AF062069 3808 bp mRNA INV 02-M

25、AR-2000位置, 提取號(hào), 版本DEFINITION Limulus polyphemus myosin III mRNA, complete cds.GB DivisionLocus名字簡(jiǎn)單描述 (標(biāo)題)修改日期序列類型mRNA (= cDNA)rRNAsnRNADNA序列長(zhǎng)度VERSION AF062069.2 GI:7144484ACCESSION AF062069提取號(hào)Accession.versiongi numberKEYWORDS .SOURCE Atlantic horseshoe crab. ORGANISM Limulus polyphemus Eukaryota; M

26、etazoa; Arthropoda; Chelicerata; Merostomata; Xiphosura; Limulidae; Limulus.序列來源的物種名序列來源的物種名序列來源的物種學(xué)序列來源的物種學(xué)名和分類學(xué)位置名和分類學(xué)位置可更新的序可更新的序列版本號(hào)列版本號(hào)REFERENCE 1 (bases 1 to 3808) AUTHORS Battelle,B.-A., Andrews,A.W., Calman,B.G., Sellers,J.R., Greenberg,R.M. and Smith,W.C. TITLE A myosin III from Limulus eye

27、s is a clock-regulated phosphoprotein JOURNAL J. Neurosci. (1998) In pressREFERENCE 2 (bases 1 to 3808) AUTHORS Battelle,B.-A., Andrews,A.W., Calman,B.G., Sellers,J.R., Greenberg,R.M. and Smith,W.C. TITLE Direct Submission JOURNAL Submitted (29-APR-1998) Whitney Laboratory, University of Florida, 95

28、05 Ocean Shore Blvd., St. Augustine, FL 32086, USAREFERENCE 3 (bases 1 to 3808) AUTHORS Battelle,B.-A., Andrews,A.W., Calman,B.G., Sellers,J.R., Greenberg,R.M. and Smith,W.C. TITLE Direct Submission JOURNAL Submitted (02-MAR-2000) Whitney Laboratory, University of Florida, 9505 Ocean Shore Blvd., St

29、. Augustine, FL 32086, USA REMARK Sequence update by submitterCOMMENT On Mar 2, 2000 this sequence version replaced gi:3132700.以前版本號(hào)以前版本號(hào)相關(guān)文獻(xiàn)編號(hào)，或遞相關(guān)文獻(xiàn)編號(hào)，或遞交序列的注冊(cè)信息交序列的注冊(cè)信息相關(guān)文獻(xiàn)作者，或相關(guān)文獻(xiàn)作者，或遞交序列的作者遞交序列的作者相關(guān)文獻(xiàn)題目相關(guān)文獻(xiàn)題目引文出處引文出處相關(guān)文獻(xiàn)刊相關(guān)文獻(xiàn)刊物雜志名，或遞交序物雜志名，或遞交序列的作者單位列的作者單位相關(guān)文獻(xiàn)注釋相關(guān)文獻(xiàn)注釋評(píng)注評(píng)注FEATURES Location/Quali

30、fiers source 1.3808 /organism=Limulus polyphemus /db_xref=taxon:6850 /tissue_type=lateral eye CDS 258.3302 /note=N-terminal protein kinase domain; C-terminal myosin heavy chain head; substrate for PKA /codon_start=1 /product=myosin III /protein_id=AAC16332.2 /db_xref=GI:7144485 /translation=MEYKCISE

31、HLPFETLPDPGDRFEVQELVGTGTYATVYSAIDK NKKVALKIIGHIAENLLDIETEYRIYKAVNGIQFFPEFRGAFFKRGERESDNEVWL編碼序列編碼序列Biosource閱讀框閱讀框GenPept Protein IdentifiersBASE COUNT 1201 a 689 c 782 g 1136 tORIGIN 1 tcgacatctg tggtcgcttt ttttagtaat aaaaaattgt attatgacgt cctatctgtt 3721 accaatgtta taatatgaaa tgaaataaag cagtcatggt agcagtggct gtttgaaata 3781 aagatacagt aactagggaa aaaaaaaa/記錄結(jié)束標(biāo)記記錄結(jié)束標(biāo)記指示序列數(shù)據(jù)的起始GenBank堿基數(shù)目分子類別分子類別-水解酶類水解酶類（氧連接糖（氧連接糖基化）基化） 該文件該文件的公布的公布日期日期 該物質(zhì)的該物質(zhì)的pdb代碼代碼 該化合物名該化合物名稱人類唾液稱人類唾液淀粉酶淀粉