第八章生物信息学资源检索

第八章生物信息学资源检索胡德华2目录第一节生物信息学数据库概述1第二节核酸序列数据库2第三节蛋白质数据库3第四节基因组数据库4第五节疾病基因数据库53第一节生物信息学数据库概述一生物信息学数据库的类型二生物信息数据收集与存贮三生物信息学数据库的查找4一、生物信息学数据库的类型文献数据库突变数据库图谱数据库结构数据库序列数据库类型按收录信息内容分5二、生物信息数据收集与存贮（一）生物信息数据的收集生物信息数据收集与存贮（二）生物信息数据的存贮6（一）生物信息数据的收集数据库与数据库合作数据库与测序中心合作数据库与期刊合作建库的初期4．数据交换3．成批发送2．直接发送1．人工收集7（二）生物信息数据的存贮1．记录格式主要有：EMBL格式、GenBank格式存贮格式2．序列格式又称Pearson格式三、生物信息学数据库的查找（一）通过搜索引擎查找（二）通过专门的生物信息学数据库目录查询从2000年开始，《NucleicAcidsResearch》设立了一个数据库目录（）。（三）通过生物信息学中心资源导航查询一些著名的生物信息学中心不仅自己建立和维护大量的生物信息数据库，而且一般在网上提供资源导航。9第二节核酸序列数据库一GenBank二EMBL-Bank三DDBJ10（一）GenBank概述一、GenBank（二）GenBank检索（一）GenBank概述是由美国国家生物技术信息中心(NCBI)管理和维护大型、综合性的公共核酸序列数据库，包括所有已知的核酸序列和蛋白质序列，以及与它们相关的文献和生物学注释。网址：国际核酸序列数据库协作体INSDCDDBJEMBLGenBank（一）GenBank概述GenBank的数据来源于约260000个物种，每月新增1700多个物种。大约12%的序列来自于人类，其中8%是人类的EST序列。每条GenBank数据记录包含对序列的简要描述、它的科学命名、物种分类名称、参考文献、序列特征表以及序列本身。序列特征表里包含对序列生物学特征注释，如编码区、转录单元、重复区域、突变位点或修饰位点等。所有数据记录被划分成若干个子库，如细菌类（BCT）、病毒类（VRL）、灵长类（PRI）、啮齿类（ROD）以及EST数据、基因组序列数据（GSS）、高通量基因组序列数据（HTG）等19类，其中EST数据等又被分成若干子库。（二）GenBank检索Entrez是NCBI生物信息学数据库集成检索系统，可以检索以下生物信息学数据库。例如，查找H1N1流感病毒（H1N1FluVirus）的核酸序列。其检索步骤是：（1）进入Entrez主页（），在提问框输入H1N1FluVirus。（2）点击“GO”，得到各个数据库的检索结果。（3）点击“Nucleotide:Coresubsetofnucleotidesequencerecords”，得到GenBank核酸序列数据库中的4801条记录简要格式（Summary）。(4）点击记录的标题，即可获取该记录的详细信息。20（一）EMBL-Bank概述二、EMBL-Bank（二）EMBL-Bank检索（一）EMBL-Bank概述EMBL-Bank()是国际三大核酸序列数据库之一，创建于1982年。现由欧洲生物信息学研究所(EBI)管理和维护，主要收集欧洲产生的核酸序列数据。到2009年8月，EMBL-Bank（101版）的核酸序列达到163656234条，碱基数达到283748816763个。对于每条核酸序列，相关信息包括序列名称、序列、染色体定位、关键字、来源生物体、参考文献、注释、序列中具有重要生物学意义的位点等。（二）EMBL-Bank检索获取EMBL-Bank的核酸序列数据主要是通过SRS（SequenceRetrievalSystem）序列检索系统由LionBioscience公司继续开发，而成为一个商业软件，科研单位只要与它签订协议即可获得该软件的免费使用权。SRS是一个开放式的，可以根据需要安装不同的数据库。SRS查询方法通过EBI的SRS服务器（）进入QuickSearch界面。点击“LibraryPage”，即数据库选择页。选择好要检索的数据库后，SRS提供三种查询方式。（1）QuickSearch(快速查询)（2）StandardQuery(标准查询)（3）ExtendedQuery(扩展查询)（1）QuickSearch(快速查询)（2）StandardQuery(标准查询)（3）ExtendedQuery(扩展查询)标准查询后的结果CS116935的详细信息29（一）DDBJ概述三、DDBJ（二）DDBJ检索（一）DDBJ概述DDBJ(DNADataBankofJapan，日本核酸数据库，)创建于1986年，现由日本国家遗传学研究所的生物信息中心（CIB/DDBJ）管理和维护。截止至2009年9月，DDBJ（79版）共收录108,593,519条序列,106,684,379,504个碱基。DDBJ主页除了提供SRS、ARSA、TXSearch、BLAST等数据检索功能外，还提供SAKURA、MSS、Sequin数据提交工具和CLUSTALW、FASTA、BLAST等数据分析工具。（二）DDBJ检索通过getentry、ARSA、SRS、TXSearch、BLAST、PSI-BLAST、FASTA、SSEARCH等检索工具可以获取DDBJ数据。前四种用于检索DDBJ数据库中的原始数据，其中getentry属于存取号检索，SRS和ARSA属于关键词检索，TXSearch属于分类检索；后4种对用户提供的序列或片断作同源性分析。32第三节蛋白质数据库一蛋白质序列数据库二蛋白质结构数据库三蛋白质功能数据库33一、蛋白质序列数据库（三）TrEMBL（四）GenPept（二）SWISS-PROT（一）PIR（五）UniProt（六）OWL（一）PIR创建于1984年。1988年，美国NBRF、日本国际蛋白质信息数据库（JapanInternationalProteinInformationDatabase,JIPID）与德国的慕尼黑蛋白质序列信息中心（MunichInformationCenterforProteinSequences,MIPS）合作成立国际蛋白质序列信息中心（PIR-International）。第75.03版的PIR数据库按照数据的性质和注释详略分成四个子库：PIR1、PIR2、PIR3和PIR4。PIR1中的序列已经验证，注释最为详尽；PIR2中包含尚未确定的冗余序列；PIR3中的序列尚未加检验，也未加注释；PIR4包括其他渠道获得的序列，既未验证，也无注释。网址：主页（二）SWISS-PROT创建于1986年由瑞士生物信息学研究所（SwissInstituteofBioinformatics，SIB）和欧洲生物信息研究所（EBI）共同维护和管理。1994年，SIB创建蛋白质专家分析系统(ExpertProteinAnalysisSystem，ExPASy)()，除了开发、维护和管理SWISS-PROT数据库外，还提供蛋白质序列、结构、功能和蛋白质2D-PAGE图谱等蛋白质信息资源到2009年10月，SWISS-PROT（57.11版）收录了512994条序列，包含180531504个氨基酸。网址：（三）TrEMBL创建于1996年，意即“TranslationofEMBL”，是计算机翻译并注释的蛋白质序列数据库，收录的序列是从EMBL中的cDNA序列翻译得到的。记录采用SWISS-PROT数据库格式。TrEMBL分为两个部分：SP-TrEMBL和REM-TrEMBL。SP-TrEMBL的条目已经专家分类并且给予SWISS-PROT存取号，但尚未通过人工审查，最终将收入SWISS-PROT。REM-TrEMBL包含其他剩余序列，主要是免疫球蛋白、T细胞受体、少于8个氨基酸碱基的多肽、人工合成序列、专利序列等。（四）GenPept由GenBank中的cDNA序列翻译得到的蛋白质序列数据库。网址：）（五）UniProt将PIR、SWISS-PROT和TrEMBL3个蛋白质数据库统一起来组建而成，包含3个部分：（1）UniProtKnowledgebase（UniProtKB），这是蛋白质序列、功能、分类、交叉引用等蛋白质知识库，记录经过人工筛选和注释；（2）UniRef（UniProtNon-redundantReference）数据库，将密切相关的蛋白质序列组合到一条记录中，以便提高搜索速度；目前，根据序列相似程度形成3个子库，即UniRef100、UniRef90和UniRef50；（3）UniParc（UniProtArchive），是UniProt存档库，收录所有蛋白质序列。用户可以通过文本查询数据库，可以利用BLAST程序搜索数据库，也可以直接通过FTP下载数据。网址：主页（六）OWL1994年由英国里兹（Leeds）大学和Warrington的Daresbury国家实验室合作创建并维护的一个复合型数据库。数据来源于SWISS-PROT、PIR、GenPept、SWISS-PROT、PDB、NRL3D等数据库，去重后整合而成的非冗余蛋白质序列数据库。网址：主页小结：①SWISSPROT的序列经过严格审核，注释完善，但数量仍较少。②PIR数据量较大，但包含未经验证的序列，注释也不完善。③TrEMBL和GenPept的数据量最大，且随核酸序列数据库的更新而更新，但是由于TrEMBL和GenPept均是由核酸序列经过计算机程序翻译生成的，这两个数据库中的序列错误率较大，并存在较多的冗余序列。④OWL中的序列虽具有较好的代表性，但采用某些标准取舍序列，导致某些数据不完整。⑤UniProt中的序列具有较好的代表性，数据较完整。44二、蛋白质结构数据库（三）DSSP（四）HSSP（二）MMDB（一）PDB（五）SCOP（六）CATH（一）PDB创建于1971年，是国际上最著名、最完整的蛋白质三维结构数据库。最先由美国Brookhaven国家实验室负责维护和管理，从1998年开始，由结构生物信息学合作研究协会(RCSB)负责管理。到2009年12月统计，PDB数据库已经收录了利用X线衍射、NMR、电子显微镜实验数据或理论计算得出的蛋白质、核酸、蛋白质/核酸复合物等结构数据61808条，而且数据增长速度相当快。PDB数据库以文本文件格式存放数据，每条记录即是一个独立的文件，包括物种来源、化合物名称、原子坐标、结构提交者以及有关文献等基本注释信息。此外，还包括分辨率、结构因子，温度系数、主链数目、配体分子式、金属离子、二级结构信息、二硫键位置等和结构有关的数据。网址：