生物信息数据库

1、王禄山计算机应用生物信息数据库与生物信息中心l生命信息学生命科学与计算机技术的交叉。l生物信息学的研究内容： （1）生物信息中心（2）生物信息数据库及格式。l生物信息数据的检索工具Entrezl文献的检索与管理软件Reference managerl序列同源搜索分析工具Blastl核酸、蛋白质序列比对分析软件DS geneDNASISl生物大分子空间三维结构显示与分析软件Rasmoll生物图像对比分析软件Scion Image (NIH image)l生物科学数据处理软件Originl 重要生物信息中心l 重要生物信息数据库l 数据库检索工具l 生物分析相关软件生物信息研究内容生物信息研究内容

2、NCBI National Center for Biotechnology Information (US) EBI European Bioinformatics Institute (EU) www.ebi.ac.ukDDBJ DNA Data Bank of Japan (JP) www.ddbj.nig.ac.jpExPASy Expert of Protein Analysis System (Switzerland ) www.expasy.chPDB Protein Data Bank (US) /pdb/ CBI

3、PKU 北京大学生物信息中心 （CN） 中国生物信息中心 (CN ) http:/ (flat-file)信息在文件中顺序存放且具有特定格式记录(Entry)通过“获得号”(accession #)唯一确定同一文件间和不同文件间信息的联系均通过accession #实现l关系数据库关系数据库 (relational DB)基于实体联系模型 (E-R模型)表中的记录(record/tuple)键唯一确定表之间通过外键建立联系semanticmappingAttributesRelations查询查询语义映射语义映射和处理过程和处理过程结果结果语义匹配语义匹配l信息源

4、分布在世界各地不同的站点上l涉及多个数据源的全局问题无法立刻得到答案Painfully collecting unstructured information around the sitesManually putting pieces togetherHopefully getting the right picture.l总之，信息源的特点是：自治的 (autonomous)分布式的 (distributed)异构的 (heterogeneous)XMLXMLSite ASite BData Integration序列数据库序列数据库 l核酸序列数据库核酸序列数据库 (EMBL、GenB

5、ank、DDBJ)l常用蛋白质序列数据库常用蛋白质序列数据库(Swissprot,PIR)结构数据库结构数据库 l蛋白质结构数据库蛋白质结构数据库(PDB) l蛋白质分类数据库蛋白质分类数据库(SCOP、CATH )其它数据库其它数据库 l主要核酸序列数据库主要核酸序列数据库: GenBank、EMBL、 DDBJl主要蛋白质序列数据库主要蛋白质序列数据库:Swissprot, PIRl 美国的核酸数据库美国的核酸数据库GenBankBanson,D.A. et al. (1998) Nucleic Acids Res. 26, 1-7从从1979年开始建设，年开始建设，1982年正式年正式运

6、行；运行；l欧洲分子生物学实验室的欧洲分子生物学实验室的EMBL数据库也于数据库也于1982年开始服务年开始服务l日本于日本于1984年开始建立国家级的核酸数据库年开始建立国家级的核酸数据库DDBJ，并于，并于1987年正式服务。年正式服务。从那个时候以来，从那个时候以来，DNA序列的数据已经从序列的数据已经从80年代初期的百年代初期的百把条序列，几十万碱基上升至现在的把条序列，几十万碱基上升至现在的110亿碱基！这就是说，亿碱基！这就是说，在短短的约在短短的约18年间，数据量增长了近十万倍。年间，数据量增长了近十万倍。核酸序列数据库核酸序列数据库l核酸序列是由4种核苷酸的单字母（ATGC）符

7、号排成的序列。lSWISS-PROT和和PIR是国际上二个主要的蛋白质序列是国际上二个主要的蛋白质序列数据库，目前这二个数据库在数据库，目前这二个数据库在EMBL和和GenBank数据数据库上均建立了镜像库上均建立了镜像 (mirror) 站点。站点。SWISS-PROT数据数据库包括了从库包括了从EMBL翻译而来的蛋白质序列翻译而来的蛋白质序列，这些序列，这些序列经过检验和注释。经过检验和注释。PIR数据库的数据由美国家生物技数据库的数据由美国家生物技术信息中心术信息中心(NCBI)翻译自翻译自GenBank的的DNA序列序列。 lMNIQQLALQNIKGNWRNYKVFFLSSCFAIF

8、ASFAYMSVIVHPYMKETMWYQNVRWGLIICNIIIISFFIIFILYSTSIFIEARKKELGLYMLMGATKSNVIGVIMTEQMLIGVFANIFGIGLGIIFLKLFFMVFSMLLGLPKELPIIFDVRAIGGTFIAYMVVFVVLSFISALRIWNIKIIRLLKEFRTDKKEKKTSMRLCIFGLICLGIGYALALQTTMPTIAFYFFPVSILVFFGTYFSFTHGTAQILELIKRNKKIMYTYPYLFIVNQLSHRMKENGRFFFLMSMATTFVVTATGTVFLYFSGMQDMWRGGGVHSFSYIEKGTSSHE

9、VFAEGMVEQLLHQYGYDDFQSMSFVGVYASFQSSKGETEIATLMKESEYNQEARKQGQKTYHPKKGSVTLVYYNKYNHPNMYDQKEIQLQVMNQTYSFVFNGQKEGIQFNYHPSQINGLFFVMHDEDFDGIANKVPDSEKMIYRGYTLPNIENTKELNEDLRKHMKQDDNNAFRSNMELYVNMKAFGDITLFVGSFISILFFLTSCSIVYFKWFHNIASDRKEYGALSKLGMTKEEVWRISRWQLCMLFFAPIIVGSMHSAVALYTFHNTIFMDGSLRKVGLFILFYIAACIMYFFFAQR

10、EYRKHLDl蛋白质序列是由20种氨基酸的单字母符号排成的序列。蛋白质数据库种类和特点蛋白质数据库种类和特点名称名称维护单位维护单位注释注释冗余度冗余度数据量数据量更新更新PIRNCBI、JIPID、MIPS部分完善部分完善较大较大较大较大较慢较慢SwissProtEBI、SIB完善完善小小不大不大较慢较慢NRL3DNCBI完善完善小小小小较慢较慢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一般一般小小大大较快较快OWLHGMP一般一般小小大大较慢较慢l蛋白质结构数据库蛋白质结构数据库 lPDB l蛋白质分类数据库蛋白质分类数

11、据库 lSCOP和和CATHl实验获得的三维蛋白质结构均贮存在蛋白质数实验获得的三维蛋白质结构均贮存在蛋白质数据库据库PDB（/pdb）中。中。PDB是国际上主要的蛋白质结构数据库，虽然是国际上主要的蛋白质结构数据库，虽然它没有蛋白质序列数据库那么庞大，但其增长它没有蛋白质序列数据库那么庞大，但其增长速度很快。速度很快。PDB贮存有由贮存有由X射线和核磁共振射线和核磁共振(NMR)确定的结构数据。确定的结构数据。l蛋白质结构存放着构成蛋白质分子的所有原子的三维空间坐标值。lSCOP (Structural Classification of Proteins

12、)lCATH( Class, Architecture, Topology, Homology)l描述了结构和进化结构和进化关系。lSCOP数据库从不同层次从不同层次对蛋白质结构进行分类，以反映它们结构和进化的相关性。l第一个分类层次为家族，通常将序列相似性程度在序列相似性程度在30%以上以上的蛋白质归入同一家族，有比较明确的进化关系。l超家族：序列相似性较低，结构和功能特性结构和功能特性表明它们有共同的进化起源，将其视作超家族。l折叠类型：无论有无共同的进化起源，只要二级结构单二级结构单元具有相同的排列和拓扑结构元具有相同的排列和拓扑结构，即认为这些蛋白质具有相同的折叠方式。在这些情况下，结

13、构的相似性主要依赖于二级结构单元的排列方式或拓扑结构。l类型Class、构架Architecture 、拓扑结构Topology和同源性Homology 。l分类基础是蛋白质结构域蛋白质结构域。与SCOP不同的是，CATH把蛋白质分为4类，即a a主类、主类、b b主类，主类，a-ba-b类（类（a/ba/b型型和和a+ba+b型）和低二级结构类型）和低二级结构类。低二级结构类是指二级结构成分含量很低的蛋白质分子。lCATH数据库的第二个分类第二个分类依据为由螺旋和折叠形成的超二级结构排列方式超二级结构排列方式，而不考虑它们之间的连接关系。l第三个层次为拓扑结构拓扑结构，即二级结构的形状和二级

14、结构间的联系。l第四个层次为结构的同源性结构的同源性，它是先通过序列比较然后再用结构比较来确定的。lCATH数据库的最后一个层次为序列序列(Sequence)层次层次，在这一层次上，只要结构域中的序列同源性大于35%，就被认为具有高度的结构和功能的相似性。对于较大的结构域，则至少要有60%与小的结构域相同。lGDB l人类基因组数据库人类基因组数据库lAceDB l线虫线虫(Caenorhabditis elegans)基因组数据库基因组数据库lEntrezlSRSlEntrez-GenBank(Sequence Retrieval System )SRS是欧洲分子生物学网EMBnet的主要检

15、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 allowing for complex search criteria.l

16、由于历史原因，各种生物数据库采用了不同的信息格式不同的信息格式，许多生物计算机软件也要求特定的核酸和蛋白质序列输特定的核酸和蛋白质序列输入格式入格式。l一个数据库记录(entry)一般由两部分组成：原始序列数原始序列数据据和描述这些数据生物学信息的注释生物学信息的注释(annotation)。注释中包含的信息与相应的序列数据同样重要和有应用价值，值得注意。l序列部分和注释部分两者都有固定格式，以便计算机读取。各个数据库的具体格式又有所不同，大致分成GenBank和和EMBL两种风格。 GenBank格式：格式：每个条目都是一份纯文本文件纯文本文件。每行左端或为空格或为识别字，识别字均为完整英文

17、字，不用缩写。为了同embl对照，一并列在下表中。GenBank条目，使用一大批与EMBL和DDBJ数据库统一的关键字。格式可以分成3个部分：1）头部包含关于整个序列的信息（描述字符），从头部包含关于整个序列的信息（描述字符），从 LOCUS行到行到ORIGIN行行；2）注释这一序列的特性（）注释这一序列的特性（Feature Table ），为注释的核心部分；），为注释的核心部分；3）序列本身）序列本身(Sequence)。注：所有的核苷酸数据库记录（EMBL/GenBank/DDBJ)都在最后一行以/结尾。EMBL格式：格式：欧洲分子生物学EMBL数据库的每个条目是一份纯文纯文本文件本文件

18、，每一行最前面是由两个大写字母组成两个大写字母组成的识别标志，常见的识别标志列举在后面的表中。识别标志“特性表”FT包含一批关键字，它们的定义已经与GenBank和DDBJ统一。下欧洲国家的许多数据库如SWISS-PROT、ENZYME、TRANSFAC等，都采用与EMBL一致的格式。 EMBL识别标志 GenBank识别字 意义ID LOCUS 序列名称DEDEFINITION序列简单说明AC ACCESSION 唯一的提取号OSSOURCE序列来源的物种名OC ORGANISM 序列来源的物种学名和分类学位置DT 建立日期 KW KEYWORDS与序列相关的关键词RNREFERENCE相关

19、文献编号，或递交序列的注册信息RAAUTHORS相关文献作者，或递交序列的作者RTTITLE相关文献题目RLJOURNAL引文出处相关文献刊物杂志名，或递交序列的作者单位RXMEDLINE 相关文献Medline引文代码RP相关文献其它注释EMBL识别标志 GenBank识别字 意义RCREMARK相关文献注释DR相关数据库交叉引用号XX为阅读清晰而加的空行 CC COMMENT 评注 NI VERSION 可更新的序列版本号 FH FEATURES 序列特征表起始FT FEATURES 特性表 SQ EMBL序列开始标志，后随长度、字母数 BASE COUNT GenBank碱基数目 ORI

20、GIN GenBank序列开始标志，该行空 / / 序列结束标志，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; Metazoa; Arthropoda; Chelicerata;

21、 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) In pressREFERENCE 2 (bases 1 t

22、o 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 (bases 1 to 3808) AUTHORS Battelle

23、,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 submitterCOMMENT On Mar 2, 2000 this sequen

24、ce 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 /product=myosin III /protein_i

25、d=AAC16332.2 /db_xref=GI:7144485 /translation=MEYKCISEHLPFETLPDPGDRFEVQELVGTGTYATVYSAIDKQA NKKVALKIIGHIAENLLDIETEYRIYKAVNGIQFFPEFRGAFFKRGERESDNEVWLGI EFLEEGTAADLLATHRRFGIHLKEDLIALIIKEVVRAVQYLHENSIIHRDIRAANIMF SKEGYVKLIDFGLSASVKNTNGKAQSSVGSPYWMAPEVISCDCLQEPYNYTCDVWSIG ITAIELADTVPSLSDIHALRAMFRINRNPPPS

26、VKRETRWSETLKDFISECLVKNPEYR 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-MAR-2000位置, 提取号, 版本DEFINITION Li

27、mulus polyphemus myosin III mRNA, complete cds.GB DivisionLocus名字简单描述 (标题)修改日期序列类型mRNA (= cDNA)rRNAsnRNADNA序列长度VERSION AF062069.2 GI:7144484ACCESSION AF062069提取号Accession.versiongi numberKEYWORDS .SOURCE Atlantic horseshoe crab. ORGANISM Limulus polyphemus Eukaryota; Metazoa; Arthropoda; Chelicerata

28、; Merostomata; Xiphosura; Limulidae; Limulus.序列来源的物种名序列来源的物种名序列来源的物种学序列来源的物种学名和分类学位置名和分类学位置可更新的序可更新的序列版本号列版本号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 phosphop

29、rotein 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, 9505 Ocean Shore Blvd., St. Augus

30、tine, 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. Augustine, FL 32086, USA REMA

31、RK Sequence update by submitterCOMMENT On Mar 2, 2000 this sequence version replaced gi:3132700.以前版本号以前版本号相关文献编号，或递相关文献编号，或递交序列的注册信息交序列的注册信息相关文献作者，或相关文献作者，或递交序列的作者递交序列的作者相关文献题目相关文献题目引文出处引文出处相关文献刊相关文献刊物杂志名，或递交序物杂志名，或递交序列的作者单位列的作者单位相关文献注释相关文献注释评注评注FEATURES Location/Qualifiers source 1.3808 /organism=L

32、imulus 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=MEYKCISEHLPFETLPDPGDRFEVQELVGTGTYATVYSA

33、IDK NKKVALKIIGHIAENLLDIETEYRIYKAVNGIQFFPEFRGAFFKRGERESDNEVWL编码序列编码序列Biosource阅读框阅读框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/记录结束标记记录结束标记指示序列数据的起始GenBank碱基数目分子类别分子类别-水解酶类水解酶类（氧连接糖（氧连接糖基化）基