生物信息数据库简介

二级数据库简介二级数据库的形式：大多以web界面为基础，具有文字信息、表格、图形、图表等方式显示数据库内容；一级数据库与二级数据库之间并无明确的界限。（例如：GDB、AceDB、SCOP、CATH等都已经具有二级数据库的特色）1、基因组信息二级数据库TransFac(真核生物基因转录调控因子数据库)德国生物工程研究所开发维护，始建于1988年。包括顺式调控位点、基因、转录因子、细胞来源、分类和调控位点核苷酸分布6个子库。TransFac的网址：、蛋白质序列二级数据库Prosite(蛋白质序列功能位点数据库)始建于1990年代初，由瑞典生物信息学研究所SIB负责维护。基于对蛋白质家族中同源序列多重序列比对得到的保守区域，这些区域通常与生物学功能相关。数据库包括两个数据库文件：数据文件Prosite；说明文件PrositeDoc。Prosite的网址：、蛋白质结构二级数据库DSSP(DefinitionofSecondaryStructureofProteins)蛋白质二级结构构象参数数据库DSSP的网址：(FamiliesofStructuralSimilarProteins)蛋白质家族数据库FSSP的网址：(HomologyDerivedSecondaryStructureofProteins)同源蛋白质数据库HSSP的网址：数据库格式简介历史原因：没有完全统一的数据库格式；了解所用数据库格式的重要性一般由两部分组成：文字注释序列不同数据库的序列格式•在运行序列分析软件中遇到的首要问题就是如何通过不同的程序使用不同的序列格式。这些格式都是标准ASCII码文件，但在显示各种信息或序列本身的某些字符或字有所不同。下面将讨论几种常用的序列格式。1GenBank中DNA序列格式2EMBL序列格式3SwissProt序列格式4FASTA序列格式5NBRF序列格式6Intelligenetics序列格式7GCG序列格式8PIR/CODATA序列格式9Plain/ASCII.Staden序列格式10ASN.1序列格式11GDE格式1.GenBank中DNA序列格式•GenBank中数据库(包括NCBI核酸和蛋白质序列数据库)中条目格式如下：给出描述每一个序列的信息，包括文献参考、序列的功能信息、mRNA和编码区域的位置，以及重要突变的位置。这些序列信息以字段的形式进行组织，每一行最前端都有一个标识符。在某些条目中，标识符可能缩写成两个字母(例如RF代表reference)，某些字段可能还有次级字段。计算机程序中的序列条目位于标识符“ORIGIN”和“//”之间。这些字段提供的信息可以参见网页中DNA序列条目.ACCESSIONOrganismReferenceNameKeywordsSequenceno..123Escherichia.Medline1,LexASOSregulon,ATG..coli......proteinrepressor,transcriptionalregulator,....124EscherichiaMedline2,UmuDSOSregulon,..GTA..Coli......protein..125Saccharomyces.Medline3,.GAL4transcriptionalCAT..CEREVISIAE......proteinregulator,....125Homo.SapiensMedline4,.gluco-transcriptionalTGT........Corticoidregulator,..receptor•序列每行前面标有数字，以显示片断位置。序列计数或序列校检求和的值可被计算机程序用来鉴定序列成分，所以除非程序本身也改变计数，序列计数是不能被改变的。•GenBank序列格式通常需要改变以适应序列分析软件。Fig2.7GenBank数据库的组织.常被计算机检索程序ENTREZ利用。2EMBL序列格式•TheEuropeanMolecularBiologyLaboratory(EMBL)序列条目与GenBank类似，通过大量信息来描述每个序列。该信息组织成一个个字段，每个字段有一个标识符。这些标识符缩写成两个字母，某些字段还有次级字段。每行序列后面的数字显示片断的位置。•计算机程序可以利用序列计数或校检求和的值来保证序列的完整性和精确性。正是由于这个原因，除非程序本身也改变计数，条目的序列片断是不能被改变的。•这种序列格式用于各种序列分析软件时也要进行改变。IDidentificationcodeforsequenceinthedatabaseACaccessionnumbergivingoriginofsequenceDTdatesofentryandmodificationKWkeycross-referencewordsforlookupupthisentryOS,OCsourceorganismRN,RP,RX,RA,RT,RLliteraturereferenceorsourceDRi.d.InotherdatabasesCCDescriptionofbiologicalfunctionFH,FTinformationaboutsequencebybasepositionorrangeofpositiionssourcerangeofsequence,sourceorganismmisc_signalrangeofsequence,typeoffunctionorsignalmRNArangeofsequence,mRNACDSrangeofsequence,positionofintronmutationsequenceposition,changeinsequenceformutationSQcountofA,C,G,Tandothersymbolsgaattcgataaatctctggtttattgtgcagtttatggttccaaaatcgccttttgctgt60atatactcacagcataactgtatatacacccagggggcggaatgaaagcgttaacggcca120..//symboltoindicateendorsequenceFig2.8EMBL序列格式.3SwissProt序列格式4FASTA序列格式5NBRF序列格式•SwissProt蛋白序列数据库条目的格式和EMBL非常相似，但它提供了更多的关于蛋白质的物理和生化性质的信息。•FASTA序列格式包括三个部分：1.在注释行的第一列用字符“”标识，后面是序列的名字和来源；2.标准的单字符标记的序列；3.可选的“*”表示序列的结束，它可能出现也可能不出现，但它是许多序列分析程序正确读取序列所必须的。FASTA格式是序列分析软件最常用的格式。这种格式提供了从一个窗口到另一个窗口非常方便的拷贝途径，因为序列中没有数字或其他非字符。FASTA序列格式和蛋白质信息资源NBRF格式很相似。YCZ2_YEASTproteininEMR3’regionMKAVVIEDGKAVVKEGVPIPELEEGFVGNPTDWAHIDYKVGPQGSILGCDAAGQIVKLGPAVDPKDFSIGDYIYGFIHGSSVRFPSNGAFAEYSAISTVVAYKSPNELKFLGEDVLPAGPVRSLEGAATIPVSLT*P1;ILEClexAREPRESSOR–EscherichiacoliMKALTARQQEVFDLIRDHISQTGMPPTRAEIAQRLGFRSPNAAEEHLKALARKGVIEIVSGASRGIRLLQEEEEGLPLVGRVAAGEQLLAQQHIEGHYQVDPSLFKPNADFLLRVSGMSMKDIGIMDGDLLAVHKTQDVRNGQVVVARIDDEVTVKRLKKQGNKVELLPENSEFKPIVVDLRQQSFTIEGLAVGVIRNGDWL•NBRF序列格式(或称PIR格式)已经被用于theNationalBiomedicalResearchFoundation/ProteinInformationResource(NBRF)。网站()中的PIR数据库中得到并不是这种紧缩格式，而是一种包括很多信息的扩展格式。Fig2.10显示了PIR序列格式的一个例子。第一行包括一个起始的“”字符，接着是一个双字符编码，例如P表示完整序列，F表示片断，后面的1或2显示了序列的类型，接着是一个分号，接着是一个4到6个字符的条目名称。第二行则显示了序列的全称，连字号，接着序列来源。Fig2.9(上)FASTA序列格式.Fig2.10(右)NBRF序列格式.6Intelligenetics序列格式•Intelligenetics格式由Stanford大学的一个分子遗传学研究小组发起，后来由Intelligenetics公司继承发展。IG格式和PIR格式很相似，不同的是将分号置于注释行之前。第二行也有个标识符。在序列的结束以1表示序列是线状，以2结束表示序列是环状。;YEASTproteininEMR3’regionYCZ2MKAVVIEDGKAVVKEGVPIPELEEGFVGNPTDWAHIDYKVGPQGSILGCDAAGQIVKLGPAVDPKDFSIGDYIYGFIHGSSVRFPSNGAFAEYSAISTVVAYKSPNELKFLGEDVLPAGPVRSLEGA