中国科技大学课件系列：《生物信息学》02

生物信息学第二章：序列的采集和存储中心法则DNA：Deoxyribonucleicacid，脱氧核糖核酸；RNA：RiboNucleicAcid，核糖核酸；碱基核苷酸，Ribonucleotide脱氧核苷酸Deoxyribonucleotide双脱氧核糖核苷酸DideoxyribonucleotideDNA的结构RNA的结构氨基酸的结构氨基酸的性质及分类氨基酸周期表标准密码子本章内容提要1.DNA测序2.序列数据的存储核酸序列数据库蛋白质序列数据库基因组数据库3.序列数据的文件格式1.DNA测序DNA一次连续测序的长度约为500bp;EST(Expressedsequencetag)测序：细胞中mRNA反转录成cDNA，方向不定测序;GSS(GenomeSurveySequences，基因组勘测序列)：类似于ESTs，来源基因组;HTG(High-throughputgenomesequences，高通量基因组序列)：高通量、尚未完工的DNA序列;DNA测序的实验方法(末端终止法）CATddGTPddTTPddATP(D)使用寡核苷酸引物连续测序基因组测序：两种方案策略1.基因图谱法：DNA片段在染色体上的位置、方向已知。首先染色体被打断成150~200kbp左右的大片段，然后克隆到BACs(BacterialArtificialChromosome)中，再进一步随机打断，克隆，测序，依靠计算机组装成长的序列(contig)。2.“鸟枪法”（shotgun）：DNA片段在染色体上的位置和方向未知。全基因组随机打断成小片段，克隆，双向测序，计算机组装成长的序列。人类基因组计划基因组图谱：遗传图谱，物理图谱遗传图谱(geneticmap)：连锁图谱，显示所知的基因和/或遗传标记的相对距离位置与次序。物理图谱(physicalmap):表示某些基因和/或遗传标记之间在基因组上的精确位置和距离（如间隔的bp数目）的图谱。大规模测序方法2.序列数据的存储核酸序列数据库国际三大核酸序列数据库：GenBank,EBML,DDBJRefSeq:TheReferenceSequenceDatabasedbEST:ExpressedSequencesTags数据库UniGene等蛋白质序列数据库UniProtSwiss-prot&TrEMBL,PIR基因组数据库:Ensembl核酸数据库数据的增长GenBank由美国国立卫生研究院NIH下属国立生物技术信息中心NCBI建立。汇集并注释了所有公开的核酸以及蛋白质序列。每个记录代表了一个单独的、连续的、带有注释的DNA或RNA片段。GenBank中测序最多的20个物种161.0版，2007EMBL核酸序列数据库EMBL-EBI(EuropeanBioinformaticsInstitute)维护;NIG(NationalInstituteofGenetics)CIB(CenterforInformationBiology)1998年，GenBank、EMBL和DDBJ共同成立了国际核酸序列数据库协会（InternationalNucleotideSequenceDatabaseCollaboration,INSDC）三大核酸数据库之间每天将新测定或更新的数据进行交换共享，保证数据信息的完整与同步，每两个月更新一次版本。三大数据库之间的联系RefSeq数据库1.提供非冗余的，高质量的，经检验校正的序列信息；2.包括染色体、基因组（细胞器、病毒、质粒）、蛋白质、RNA等；序列文件的标识符：mRNA序列：NM_123456非编码RNA：NR_123456蛋白质序列：NP_123456记录的特征截然不同的Accession号区别于其它GenBank命名格式的序列，前缀是两个字母加下划线_;在Comment区域显示来源;使用正式命名;包括dbxrefs的特征;蛋白序列在DBSOURCE区域标示‘REFSEQ’GenBankVS.RefSeqdbEST:表达序列标签数据库最多的20个物种：2007.08，总序列45,660,524条:AnOrganizedViewoftheTranscriptome为每一个基因创造一个唯一的条目，收集这个基因所有的ESTs最早广泛使用的蛋白数据库；欧洲最主要的蛋白序列数据库；SIB（SwissInstituteofBioinformatics）可由ExPASy（ExpertProteinAnalysisSystem）系统访问；所有序列条目均经过有经验的分子生物学家和蛋白质化学家审核，因此又称为蛋白质专家库。TrEMBLvs.GenPeptTrEMBL(TranslationofEMBL)：计算机注释的Swiss-Prot分支数据库，从EMBL库中的cDNA序列翻译得到的氨基酸序列数据库。GenPept：由GenBank翻译得到的蛋白质序列，与TrEMBL类似，这两个数据库中的序列错误率较大，均有较大的冗余度。PIR1984年，美国国家医学研究基金会（NREF）正式启动蛋白质信息资源（ProteinInformationResource,PIR）计划；美国最主要的蛋白序列数据库;非冗余、高质量注释、全面分类;PIR数据库按照数据的性质和注释层次分为PIR1、PIR2、PIR3和PIR4。PIR1中的序列已经验证，注释最为详尽。UniversalProteinResource：Swiss-prot(TrEMBL),PIR两大蛋白数据库的整合体；收录蛋白质序列目录最广泛、功能注释最全面的数据库；包含三个子库：UniProtKB（UniProtKnowledgebase）UniRef（UniProtReferenceClusters）UniParc（UniprotArchive）UniProtKnowledgebase：Release15.4，16-Jun-2009，包括：Swiss-ProtRelease57.4:497293entriesTrEMBLRelease40.4:9145906entries包含蛋白质序列全面的信息，提供准确、丰富的序列与功能注释。记录以6位字母和数字组成，例：Q5K8D3Swiss-ProtRelease57.7TrEMBLRelease40.4较早的基因组数据库-GDB为人类基因组计划(HGP)保存和处理基因组图谱数据。GDB的目标是构建关于人类基因组的百科全书，除了构建基因组图谱之外，还开发了描述序列水平的基因组内容的方法，包括序列变异和其它对功能和表型的描述。基因组数据库收集某些生物整个基因组序列的数据库;基因组计划HumanGenomeProjectSequencingGenomicsProjects从GenBank中选择同一物种的核酸信息组成的二级库;TheEnsemblprojectproducesgenomedatabasesforvertebratesandothereukaryoticspecies,andmakesthisinformationfreelyavailableonline.EMBL-EBI和Sanger研究所共同开发。基因组数据库-Ensembl3.序列数据的文件格式DNA/RNA/氨基酸代码的标识GenBank数据格式EMBL&UniProt数据格式FASTA数据格式DNA代码氨基酸代码GenBank数据文件格式GenBank数据文件格式GenBank数据文件格式子库Locus名字定义(标题)修改日期序列类型mRNA(=cDNA)rRNAsnRNADNA序列长度检索号Genbank号序列形状GenBank的数据类型GenBank数据文件格式GenBank数据文件格式EMBL(UniProt)数据格式EMBL和GenBank数据格式的对比FASTA格式FASTA格式1I60:A|PDBID|CHAIN|SEQUENCEMKLCFNEATTLENSNLKLDLELCEKHGYDYIEIRTMDKLPEYLKDHSLDDLAEYFQTHHIKPLALNALVFFNNRDEKGHNEIITEFKGMMETCKTLGVKYVVAVPLVTEQKIVKEEIKKSSVDVLTELSDIAEPYGVKIALEFVGHPQCTVNTFEQAYEIVNTVNRDNVGLVLDSFHFHAMGSNIESLKQADGKKIFIYHIDDTEDFPIGFLTDEDRVWPGQGAIDLDAHLSALKEIGFSDVVSVELFRPEYYKLTAEEAIQTAKKTTVDVVSKYFSM