生物信息數(shù)據(jù)庫綜述

第二章生物信息數(shù)據(jù)庫1、模式生物2、數(shù)據(jù)庫第二節(jié)數(shù)據(jù)庫一、引言生物分子數(shù)據(jù)高速增長分子生物學(xué)及相關(guān)領(lǐng)域研究人員迅速獲得最新實(shí)驗(yàn)數(shù)據(jù)

建立生物分子數(shù)據(jù)庫

生物信息數(shù)據(jù)庫幾個(gè)明顯的特征：（1）數(shù)據(jù)庫的更新速度不斷加快數(shù)據(jù)量呈指數(shù)增長趨勢（2）數(shù)據(jù)庫使用頻率增長更快（3）數(shù)據(jù)庫的復(fù)雜程度不斷增加（4）數(shù)據(jù)庫網(wǎng)絡(luò)化（5）面向應(yīng)用（6）先進(jìn)的軟硬件配置

分子生物信息數(shù)據(jù)庫種類繁多。歸納起來，大體可以分為4個(gè)大類，即基因組數(shù)據(jù)庫、核酸和蛋白質(zhì)一級結(jié)構(gòu)數(shù)據(jù)庫、生物大分子(主要是蛋白質(zhì))三維空間結(jié)構(gòu)數(shù)據(jù)庫，以及由上述3類數(shù)據(jù)庫和文獻(xiàn)資料為基礎(chǔ)構(gòu)建的二次數(shù)據(jù)庫。通常分法：序列數(shù)據(jù)庫結(jié)構(gòu)數(shù)據(jù)庫生物信息學(xué)數(shù)據(jù)庫工具生物信息數(shù)據(jù)庫染色體核酸蛋白質(zhì)基因組圖譜DNA序列蛋白質(zhì)序列蛋白質(zhì)結(jié)構(gòu)基因組數(shù)據(jù)庫核酸序列數(shù)據(jù)庫蛋白質(zhì)序列數(shù)據(jù)庫蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫二級數(shù)據(jù)庫復(fù)合數(shù)據(jù)庫基因組作圖序列測定結(jié)構(gòu)測定國際著名的生物信息中心NCBINationalCenterforBiotechnologyInformation(US)EBI

EuropeanBioinformaticsInstitute(EU)HGMPHumanGenomeMappingProjectResourceCentre(UK）ExPASy

ExpertofProteinAnalysisSystem(Switzerland)CMBI

CentreofMolecularandBiomolecule(TheNetherlands)ANGISNationalGenomeInformationService(Australia)NIG

NationalInstituteofGenetics(Japan)BICNationalBioinformaticsCentre(Singapore)國內(nèi)生物信息資源北大生物信息中心

中科院上海生物信息中心華大基因國家人類基因組北方研究中心博奧芯片序列數(shù)據(jù)庫

--核酸序列數(shù)據(jù)庫國際上權(quán)威的核酸序列數(shù)據(jù)庫（1）歐洲分子生物學(xué)實(shí)驗(yàn)室的EMBL

http://www.embl-heidelberg.de

（2）美國生物技術(shù)信息中心的GenBank/Web/Genbank/index.html

（3）日本遺傳研究所的DDBJ

http://www.ddbj.nig.ac.jp/GenBankDDBJEMBL

三個(gè)數(shù)據(jù)庫中的數(shù)據(jù)基本一致，僅在數(shù)據(jù)格式上有所差別，對于特定的查詢，三個(gè)數(shù)據(jù)庫的響應(yīng)結(jié)果一樣。這三個(gè)數(shù)據(jù)庫是綜合性的DNA和RNA序列數(shù)據(jù)庫，每條記錄代表一個(gè)單獨(dú)、連續(xù)、附有注釋的DNA或RNA片段。美國的核酸數(shù)據(jù)庫GenBank〖Banson,D.A.etal.(1998)NucleicAcidsRes.26,1-7〗從1979年開始建設(shè)，1982年正式運(yùn)行；NCBI下子數(shù)據(jù)庫

歐洲分子生物學(xué)實(shí)驗(yàn)室的EMBL數(shù)據(jù)庫也于1982年開始服務(wù)日本于1984年開始建立國家級的核酸數(shù)據(jù)庫DDBJ，并于1987年正式服務(wù)。一、GenBank數(shù)據(jù)庫GenBank（/genbank/）是一個(gè)綜合數(shù)據(jù)庫，該數(shù)據(jù)庫中包含了已經(jīng)公開的30萬余種不同物種生物的核酸序列，這些數(shù)據(jù)主要來源于全世界不同實(shí)驗(yàn)室和大規(guī)模測序計(jì)劃項(xiàng)目。

GenBank是具有目錄和生物學(xué)注釋的核酸序列綜合數(shù)據(jù)庫，由美國國家醫(yī)學(xué)圖書館的國家生物技術(shù)信息中心構(gòu)建、維護(hù)和管理。該中心位于美國馬里蘭國家健康研究所（NIH）。GenBank數(shù)據(jù)庫的序列數(shù)據(jù)來源于序列發(fā)現(xiàn)者提交的序列、批量提交的表達(dá)序列標(biāo)簽（expressedsequencetag,EST）、基因組測序序列（genomesurveysequence,GSS）和其他測序中心提供的高通量數(shù)據(jù)，還包括美國專利商標(biāo)局提供的已發(fā)表專利的序列數(shù)據(jù)。GenBank數(shù)據(jù)庫每天與歐洲分子生物學(xué)實(shí)驗(yàn)室的核酸序列數(shù)據(jù)庫（EuropeanMolecularBiologyLaboratoryNucleotideSequenceDatabase，EMBL）和日本的DNA數(shù)據(jù)庫（DNADataBankofJapanDDBJ）進(jìn)行數(shù)據(jù)交換，以保證數(shù)據(jù)庫內(nèi)容在全世界范圍的同步性。在NCBI（/）的主頁上提供了進(jìn)入GenBank的路徑、相關(guān)檢索和分析服務(wù)。通過NCBI的檢索系統(tǒng)（Entrez）可以進(jìn)入GenBank。Entrez檢索程序整合了主要的DNA和蛋白序列數(shù)據(jù)的分類學(xué)、基因組、圖譜、蛋白結(jié)構(gòu)和結(jié)構(gòu)（功能）域信息，還包括相關(guān)的PubMed的生物醫(yī)學(xué)文獻(xiàn)信息。BLAST程序提供GenBank和其他序列數(shù)據(jù)庫中序列相似性搜索服務(wù)。

（一）GenBank數(shù)據(jù)庫結(jié)構(gòu)1.依據(jù)序列的物種來源分類2.Genbank記錄和分類2.1表達(dá)序列標(biāo)簽(EST)2.2序列標(biāo)簽位點(diǎn)(STS)、基因組勘測序列(GSS)和環(huán)境樣品序列(ENV)2.3高通量基因組(HTG)和高通量cDNA(HTC)序列2.4全基因組鳥槍測序序列(WGS)2.5轉(zhuǎn)錄組鳥槍組合序列（一）GenBank數(shù)據(jù)庫結(jié)構(gòu)3.特殊記錄類型3.1第三方注釋（TPA）3.2GenBankCON記錄較小記錄組合記錄（二）構(gòu)建數(shù)據(jù)庫1．直接電子提交1.1使用BankIt提交1.2使用Sequin和tbl2asn提交1.3條形碼序列提交2.序列標(biāo)識符和記錄號（三）檢索GenBank數(shù)據(jù)1.Entrez系統(tǒng)（/sites/gquery）2.與測序計(jì)劃檢索相關(guān)的序列記錄（//genomeprj）3.BLAST序列相似性搜索（/Blast.cgi）4.用FTP獲取GenBank（/genbank）二、EMBL數(shù)據(jù)庫EMBL建立于1980年，EMBL核苷序列數(shù)據(jù)庫（http://www.edi.ac.uk/embl/）是歐洲主要的核苷序列收集單位，歐洲生物信息中心EBI（即EMBL在德國海德堡的站點(diǎn)）維護(hù)這個(gè)數(shù)據(jù)庫。核苷數(shù)據(jù)來自基因組測序中心、世界各地的科學(xué)家、歐洲專利局、以及與合作伙伴DDBJ(Japan)和GenBank(USA)交換的數(shù)據(jù)。三、DDBJ數(shù)據(jù)庫日本DNA數(shù)據(jù)庫（DDBJ）是在亞洲唯一的核酸序列數(shù)據(jù)庫，是搜集研究者公認(rèn)的測定核酸序列的數(shù)據(jù)庫，并且發(fā)放給數(shù)據(jù)提交者國際認(rèn)證的核酸序列編號。由于DDBJ每天將搜集的數(shù)據(jù)與EMBL-Bank/EBI和GenBank/NCBI進(jìn)行交換，使得三個(gè)核酸數(shù)據(jù)庫幾乎在任何時(shí)候都享有相同數(shù)據(jù)。DDBJ主要收集來自日本研究者獲得的序列數(shù)據(jù)，但也收集數(shù)據(jù)和發(fā)放編號給任何其他國家的研究者。四、其他重要的核酸序列數(shù)據(jù)庫dbEST：dbEST是GenBank中的一個(gè)子數(shù)據(jù)庫，包含來源于不同物種的表達(dá)序列數(shù)據(jù)和表達(dá)序列標(biāo)簽序列的其他信息。ncRNAdb：非編碼RNA（non-codingRNAncRNA）數(shù)據(jù)庫旨在提供非編碼RNA的序列和功能信息。miRBase：miRBase序列數(shù)據(jù)庫主要存放已發(fā)表的微小RNA（microRNAmiRNA)序列和注釋的數(shù)據(jù)庫。序列數(shù)據(jù)庫

基因組數(shù)據(jù)庫來源于人類基因組計(jì)劃及各種模式生物基因組計(jì)劃1977年，最早獲得的生物基因組全序列是噬菌體(53kb)1995年，第一個(gè)自由生物體流感嗜血菌(H.inf)被完全測序

GDB（美國、加拿大）TheGenomeDatabase

1990年，JohnHopkins大學(xué)建立，后由加拿大兒童醫(yī)院生物信息中心管理.數(shù)據(jù)內(nèi)容：基因單位、PCR位點(diǎn)、細(xì)胞遺傳標(biāo)記、EST、contig、重復(fù)片段、基因組圖譜與其它分子生物信息網(wǎng)絡(luò)資源（EMBL、GenBank…）的鏈接

AceDB

線蟲基因組數(shù)據(jù)庫。既是一個(gè)數(shù)據(jù)庫，又是一個(gè)數(shù)據(jù)庫管理系統(tǒng)。提供很好的圖形界面，用戶能夠從大到整個(gè)基因組小到序列的各個(gè)層次觀察和分析基因組數(shù)據(jù)。

數(shù)據(jù)內(nèi)容：限制性圖譜，基因結(jié)構(gòu)信息，質(zhì)粒圖譜，序列數(shù)據(jù)，參考文獻(xiàn)…序列數(shù)據(jù)庫

蛋白質(zhì)序列數(shù)據(jù)庫

SWISS－PROT(歐洲)

PIR(美國)蛋白質(zhì)功能、結(jié)構(gòu)域和蛋白質(zhì)家族有關(guān)的數(shù)據(jù)庫：PROSITEInterProPfamProDomSMART等蛋白質(zhì)三維結(jié)構(gòu)相關(guān)數(shù)據(jù)庫：PDBBioMagResBankSWISS-MODELRepositoryModBaseCATHSCOPReLiBaseTOPSSWISS-3DIMAGEBioImage等蛋白質(zhì)二維凝膠電泳數(shù)據(jù)庫：WORLD-2DPAGEPhoretixlinks信號傳導(dǎo)及蛋白質(zhì)-蛋白質(zhì)相互作用相關(guān)數(shù)據(jù)庫：DIPINTERACTProNetKEGGCANSITESPADCSNDB等DNA和蛋白質(zhì)相互作用數(shù)據(jù)庫：DPInteract蛋白質(zhì)翻譯后修飾相關(guān)數(shù)據(jù)庫：O-GlycBase、PhosphoBase、RES蛋白質(zhì)等蛋白質(zhì)

SWISS－PROT

1.瑞士日內(nèi)瓦大學(xué)（Geneva

）醫(yī)學(xué)生物化學(xué)系和歐洲生物信息學(xué)研究所(EBI)合作維護(hù)（1986年）；

2.在EMBL和GenBank數(shù)據(jù)庫上均建立了鏡像站點(diǎn);3.數(shù)據(jù)庫包括了從EMBL翻譯而來的蛋白質(zhì)序列，這些序列經(jīng)過檢驗(yàn)和注釋；

4.數(shù)據(jù)記錄包括兩部分：序列注釋(結(jié)構(gòu)域、功能位點(diǎn)、跨膜區(qū)域、二硫鍵位置、翻譯后的修飾、突變體等)5.數(shù)據(jù)存在滯后性TrEMBL數(shù)據(jù)庫的建立SWISS-PROT的網(wǎng)址：/sprotTrEMBL的網(wǎng)址：http://www.ebi.ac.uk/trembl/index.htmlSWISS-PROT(http://www.expasy.ch/sprot/sprot-top.html）是目前國際上比較權(quán)威的蛋白質(zhì)序列數(shù)據(jù)庫,其中的蛋白質(zhì)序列是經(jīng)過注釋的SWISS-PROT中的數(shù)據(jù)來源于不同源地：（1）從核酸數(shù)據(jù)庫經(jīng)過翻譯推導(dǎo)而來；（2）從蛋白質(zhì)數(shù)據(jù)庫PIR挑選出合適的數(shù)據(jù)；（3）從科學(xué)文獻(xiàn)中摘錄；（4）研究人員直接提交的蛋白質(zhì)序列數(shù)據(jù)

PIR(proteininformationresource)1.由美國NCBI翻譯自GenBank的DNA序列(1984年)；

2.在EMBL和GenBank數(shù)據(jù)庫上均建立了鏡像站點(diǎn)；

3.數(shù)據(jù)依據(jù)注釋的質(zhì)量分為4類。

網(wǎng)址：/分類名稱(Name)說明(Comment)記錄數(shù)(Numberofentries)PIR1已分類、已注釋(Classifiedandannotated)13572PIR2已注釋(Annotated)69368PIR3未核實(shí)(Unverified)7508PIR4未翻譯(Unencodedoruntranslated)196PIR數(shù)據(jù)庫的分類情況(Release51.03)目的：

幫助研究者鑒別和解釋蛋白質(zhì)序列信息， 研究分子進(jìn)化、功能基因組。它是一個(gè)全面的、經(jīng)過注釋的、非冗余的蛋白質(zhì)序列數(shù)據(jù)庫。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(jìn)行了分類。1、PIR（ProteinInformationResource）除了蛋白質(zhì)序列數(shù)據(jù)之外，PIR還包含以下信息：

(1)蛋白質(zhì)名稱、蛋白質(zhì)的分類、蛋白質(zhì)的來源；

(2)關(guān)于原始數(shù)據(jù)的參考文獻(xiàn)；

(3)蛋白質(zhì)功能和蛋白質(zhì)的一般特征，包括基因表達(dá)、翻譯后處理、活化等；

(4)序列中相關(guān)的位點(diǎn)、功能區(qū)域。PIR提供三種類型的檢索服務(wù):一是基于文本的交互式查詢，用戶通過關(guān)鍵字進(jìn)行數(shù)據(jù)查詢。二是標(biāo)準(zhǔn)的序列相似性搜索，包括BLAST、FastA等。三是結(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)域搜索等。四個(gè)子數(shù)據(jù)庫Uniprot-通用蛋白質(zhì)資源數(shù)據(jù)庫iProClass-蛋白質(zhì)知識整合數(shù)據(jù)庫PIRSF-蛋白質(zhì)家族分類系統(tǒng)iProLINK-蛋白質(zhì)文獻(xiàn)、信息和知識整合數(shù)據(jù)庫1.UniProt-通用蛋白質(zhì)資源庫UniProt（/）

存儲和鏈接其他蛋白質(zhì)數(shù)據(jù)庫的資源庫，并且是蛋白質(zhì)序列和具有綜合功能注釋目錄的中心資源庫。使用UniprotKB可以檢索準(zhǔn)確、可靠的蛋白綜合信息。使用UniRef可以減少冗余，加速序列相似性搜索。使用UniParc可以檢索存檔序列和它們來源的數(shù)據(jù)庫。2.iProClass-蛋白質(zhì)知識整合數(shù)據(jù)庫iProClass（/iproclass/）

提供來自90多個(gè)生物學(xué)數(shù)據(jù)庫的大量整合數(shù)據(jù)，包括蛋白ID圖譜服務(wù)、UniProtKB編注蛋白質(zhì)摘要描述和篩選UnParc數(shù)據(jù)庫的蛋白質(zhì)序列。使用iProClass可以檢索最新的蛋白質(zhì)綜合信息，包括：功能、轉(zhuǎn)導(dǎo)通路、相互作用、家族分類、基因和基因組、功能注釋標(biāo)準(zhǔn)體系（ontology）、文獻(xiàn)和分類學(xué)信息。使用iProClass還可以檢索ID圖譜、蛋白質(zhì)詞典和相關(guān)序列。3.PIRSF-蛋白質(zhì)家族分類系統(tǒng)

PIRSF（/pirsf/）

分類系統(tǒng)概要論述家族的特征，如家族名稱、分類分布、分級和功能域結(jié)構(gòu)，以及家族成員，包括功能、結(jié)構(gòu)、傳導(dǎo)通路、功能注釋標(biāo)準(zhǔn)體系（ontology）和家族分類。利用這些信息可以獲得蛋白質(zhì)的準(zhǔn)確功能或預(yù)測的功能和該蛋白質(zhì)所屬家族成員共有的其他特征。4.iProLINK-蛋白質(zhì)文獻(xiàn)、信息和知識整合數(shù)據(jù)庫iProLINK（/iprolink/）

提供有關(guān)注釋內(nèi)容的文獻(xiàn)、蛋白質(zhì)名稱詞典和其他有助于文獻(xiàn)挖掘的人文語言處理技術(shù)開發(fā)的信息、數(shù)據(jù)庫校正、蛋白質(zhì)名稱標(biāo)記和功能注釋標(biāo)準(zhǔn)體系（ontology）。使用iProLINK可以獲得描述蛋白質(zhì)記錄的文本文獻(xiàn)資源，在UniProtKB記錄（生物詞典）中加入蛋白質(zhì)或基因命名的圖譜，獲得用于開發(fā)文本挖掘算法的注釋數(shù)據(jù)集、挖掘蛋白質(zhì)磷酸化（RLIMS-P）文獻(xiàn)和獲得蛋白質(zhì)功能注釋標(biāo)準(zhǔn)體系（ontology）（PRO）信息。結(jié)構(gòu)數(shù)據(jù)庫

PDB（proteindatabank）

1.目前最主要的蛋白質(zhì)分子結(jié)構(gòu)數(shù)據(jù)庫；

2.1970年代建立，美國Brookhaven國家實(shí)驗(yàn)室維護(hù)管理;3.1988年，由美國RCSB(researchcollaboratoryforstructuralbiology)管理；

4.以文本格式存放數(shù)據(jù)，包括原子坐標(biāo)、物種來源、測定方法、提交者信息、一級結(jié)構(gòu)、二級結(jié)構(gòu)等；

5.PDBsum數(shù)據(jù)庫：PDB注釋信息綜合數(shù)據(jù)庫，具有檢索、分析、可視化的功能。PDB的網(wǎng)址：/pdb(美國)PDBsum的網(wǎng)址：http://www.biochem.ucl.ac.uk/bsm/pdbsumHEADERHYDROLASE19-FEB-971ADZTITLETHESOLUTIONSTRUCTUREOFTHESECONDKUNITZDOMAINOFTITLE2TISSUEFACTORPATHWAYINHIBITOR,NMR,30STRUCTURESCOMPNDMOL_ID:1;COMPND2MOLECULE:TISSUEFACTORPATHWAYINHIBITOR;。。。。。。COMPND8BIOLOGICAL_UNIT:MONOMERSOURCEMOL_ID:1;。。。。。。SOURCE7EXPRESSION_SYSTEM_PLASMID:PFLAGKEYWDSHYDROLASE,INHIBITOR,COAGULATIONEXPDTANMR,30STRUCTURESAUTHORM.J.M.BURGERING,L.P.M.ORBONSREVDAT125-FEB-981ADZ0JRNLAUTHM.J.BURGERING,L.P.ORBONS,A.VANDERDOELEN,。。。。。。REMARK1REFERENCE1REMARK1AUTHM.T.STUBBSIIREMARK1TITLSTRUCTURALASPECTSOFFACTORXAINHIBITION。。。。。。REMARK999SEQUENCEREMARK9991ADZSWSP106461-111NOTINATOMSLISTREMARK9991ADZSWSP10646183-304NOTINATOMSLISTREMARK999THEFIRSTNINERESIDUESARENOTPARTOFTHETFPIDOMAINIIREMARK999SEQUENCEBUTAREFROMTHEPFLAGPEPTIDECLONINGVECTOR.DBREF1ADZ171SWSP10646TFPI_HUMAN112182SEQADV1ADZASP1SWSP10646ILE112ENGINEEREDSEQADV1ADZTYR2SWSP10646ILE113ENGINEEREDSEQRES171ASPTYRLYSASPASPASPASPLYSLEULYSPROASPPHESEQRES271CYSPHELEUGLUGLUASPPROGLYILECYSARGGLYTYRSEQRES371ILETHRARGTYRPHETYRASNASNGLNTHRLYSGLNCYSSEQRES471GLUARGPHELYSTYRGLYGLYCYSLEUGLYASNMETASNSEQRES571ASNPHEGLUTHRLEUGLUGLUCYSLYSASNILECYSGLUSEQRES671ASPGLYPROASNGLYPHE