生物信息数据库与生物信息中心课件

1、王禄山计算机应用生物信息数据库与生物信息中心王禄山计算机应用生物信息数据库授课大纲生命信息学生命科学与计算机技术的交叉。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。生物信息数据的检索工具Entrez文献的检索与管理软件Reference manager序列同源搜索分析工具Blast核酸、蛋白质序列比对分析软件DS geneDNASIS生物大分子空间三维结构显示与分析软件Rasmol生物图像对比分析软件Scion Image (NIH image)生物科学数据处理软件Origin授课大纲生命信息学生命科学与计算机技术的交叉。生物信息数据库与生物信息中心课件重要生物信息中

2、心重要生物信息数据库数据库检索工具生物分析相关软件生物信息研究内容重要生物信息中心生物信息研究内容一、重要生物信息中心 Bioinformatics CentresNCBI 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 )

3、 www.expasy.chPDB Protein Data Bank (US) /pdb/ CBIPKU 北京大学生物信息中心 （CN） /chinese/BioSino 中国生物信息中心 (CN ) 一、重要生物信息中心 Bioinformatics Cen生物信息数据库与生物信息中心课件NCBI：NCBI：http:/www.ncbi.nlm.nih.生物信息数据库与生物信息中心课件生物信息数据库与生物信息中心课件生物信息数据库与生物信息中心课件生物信息数据库与生物信息中心课件生物信息数据库与生物信息中心课件/chinese/chin/二、重要生物信息数据库二、重要生物信息数据库生物信息

4、数据库与生物信息中心课件生物信息数据库与生物信息中心课件生物信息学数据的表示形式生物信息学数据的表示形式生物信息学数据的表示形式平面文件 (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生物信息学数据的表示形式平面文件 (flat-file)关系信息表示：关系数据库semanticmappingAttributesR

5、elations查询语义映射和处理过程结果语义匹配信息表示：关系数据库semanticAttributesRe生物信息学数据存在的问题信息源分布在世界各地不同的站点上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.总之，信息源的特点是：自治的 (autonomous)分布式的 (distributed)异构的 (heterogeneous)数据集

6、成Data Integration生物信息学数据存在的问题信息源分布在世界各地不同的站点上数据数据集成XMLXMLSite ASite BData Integration数据集成XMLXMLSite ASite BData Int生物信息学最重要的任务是从海量数据中提取新知识生物信息学最重要的任务是从海量数据中提取新知识生物数据库的种类生物数据库的种类序列数据库 核酸序列数据库 (EMBL、GenBank、DDBJ)常用蛋白质序列数据库(Swissprot,PIR)结构数据库 蛋白质结构数据库(PDB) 蛋白质分类数据库(SCOP、CATH )其它数据库 生物数据库的种类序列数据库 生物数据库

7、的种类序列数据库主要核酸序列数据库: GenBank、EMBL、 DDBJ主要蛋白质序列数据库:Swissprot, PIR序列数据库主要核酸序列数据库: 美国的核酸数据库GenBankBanson,D.A. et al. (1998) Nucleic Acids Res. 26, 1-7从1979年开始建设，1982年正式运行；欧洲分子生物学实验室的EMBL数据库也于1982年开始服务日本于1984年开始建立国家级的核酸数据库DDBJ，并于1987年正式服务。从那个时候以来，DNA序列的数据已经从80年代初期的百把条序列，几十万碱基上升至现在的110亿碱基！这就是说，在短短的约18年间，数据

8、量增长了近十万倍。核酸序列数据库 美国的核酸数据库GenBankBanson,D.A. e核酸序列核酸序列是由4种核苷酸的单字母（ATGC）符号排成的序列。核酸序列核酸序列是由4种核苷酸的单字母（ATGC）符号排成的蛋白质序列数据库SWISS-PROT和PIR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EMBL和GenBank数据库上均建立了镜像 (mirror) 站点。SWISS-PROT数据库包括了从EMBL翻译而来的蛋白质序列，这些序列经过检验和注释。PIR数据库的数据由美国家生物技术信息中心(NCBI)翻译自GenBank的DNA序列。 蛋白质序列数据库SWISS-PROT和

9、PIR是国际上二个主要蛋白质序列MNIQQLALQNIKGNWRNYKVFFLSSCFAIFASFAYMSVIVHPYMKETMWYQNVRWGLIICNIIIISFFIIFILYSTSIFIEARKKELGLYMLMGATKSNVIGVIMTEQMLIGVFANIFGIGLGIIFLKLFFMVFSMLLGLPKELPIIFDVRAIGGTFIAYMVVFVVLSFISALRIWNIKIIRLLKEFRTDKKEKKTSMRLCIFGLICLGIGYALALQTTMPTIAFYFFPVSILVFFGTYFSFTHGTAQILELIKRNKKIMYTYPYLFIVNQLSHRMKENGRFFF

10、LMSMATTFVVTATGTVFLYFSGMQDMWRGGGVHSFSYIEKGTSSHEVFAEGMVEQLLHQYGYDDFQSMSFVGVYASFQSSKGETEIATLMKESEYNQEARKQGQKTYHPKKGSVTLVYYNKYNHPNMYDQKEIQLQVMNQTYSFVFNGQKEGIQFNYHPSQINGLFFVMHDEDFDGIANKVPDSEKMIYRGYTLPNIENTKELNEDLRKHMKQDDNNAFRSNMELYVNMKAFGDITLFVGSFISILFFLTSCSIVYFKWFHNIASDRKEYGALSKLGMTKEEVWRISRWQLCMLFFAPII

11、VGSMHSAVALYTFHNTIFMDGSLRKVGLFILFYIAACIMYFFFAQREYRKHLD蛋白质序列是由20种氨基酸的单字母符号排成的序列。蛋白质序列MNIQQLALQNIKGNWRNYKVFFLSS蛋白质数据库种类和特点名称维护单位注释冗余度数据量更新PIRNCBI、JIPID、MIPS部分完善较大较大较慢SwissProtEBI、SIB完善小不大较慢NRL3DNCBI完善小小较慢TrEMBLEBI、SIB不完善大大快GenPeptNCBI不完善大大快NRDBEBI一般小大较快OWLHGMP一般小大较慢蛋白质数据库种类和特点名称维护单位注释冗余度数据量更新PIR生物大分子三维

12、结构数据库蛋白质结构数据库 PDB 蛋白质分类数据库 SCOP和CATH生物大分子三维结构数据库蛋白质结构数据库 蛋白质结构库（PDB）实验获得的三维蛋白质结构均贮存在蛋白质数据库PDB（/pdb）中。PDB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，但其增长速度很快。PDB贮存有由X射线和核磁共振(NMR)确定的结构数据。蛋白质结构库（PDB）实验获得的三维蛋白质结构均贮存在蛋白质蛋白质结构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。蛋白质结构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蛋白质结构分类数据库SCOP (Structural Clas

13、sification of Proteins)CATH( Class, Architecture, Topology, Homology)蛋白质结构分类数据库SCOP (Structural Cla蛋白质结构分类数据库SCOP描述了结构和进化关系。SCOP数据库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。第一个分类层次为家族，通常将序列相似性程度在30%以上的蛋白质归入同一家族，有比较明确的进化关系。超家族：序列相似性较低，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。折叠类型：无论有无共同的进化起源，只要二级结构单元具有相同的排列和拓扑结构，即认为这些蛋白质具有相

14、同的折叠方式。在这些情况下，结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。蛋白质结构分类数据库SCOP描述了结构和进化关系。蛋白质结构分类数据库CATH类型Class、构架Architecture 、拓扑结构Topology和同源性Homology 。分类基础是蛋白质结构域。与SCOP不同的是，CATH把蛋白质分为4类，即a主类、b主类，a-b类（a/b型和a+b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。CATH数据库的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，而不考虑它们之间的连接关系。蛋白质结构分类数据库CATH类型Class、构架Arch

15、it第三个层次为拓扑结构，即二级结构的形状和二级结构间的联系。第四个层次为结构的同源性，它是先通过序列比较然后再用结构比较来确定的。CATH数据库的最后一个层次为序列(Sequence)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。蛋白质结构分类数据库CATH第三个层次为拓扑结构，即二级结构的形状和二级结构间的联系。蛋基因组数据库GDB 人类基因组数据库AceDB 线虫(Caenorhabditis elegans)基因组数据库基因组数据库GDB 四、数据库检索工具EntrezSRS四、数据库检

16、索工具Entrezhttp:/www.ncbi.nlm.nih.giv/Entrez/http:/www.ncbi.nlm.nih.giv/EnEntrez-GenBankEntrez-GenBankSRS(Sequence Retrieval System )SRS是欧洲分子生物学网EMBnet的主要检索工具。SRS, Sequence Retrieval System, is a powerful database management system developed specifically for biological databases. The goal of SRS is to

17、 provide an efficient access to databases with biological contents no matter in what format are they available and allowing for complex search criteria.SRS(Sequence Retrieval System 数据库记录的格式与检索路口数据库记录的格式与检索路口核酸/蛋白质数据库记录的组成由于历史原因，各种生物数据库采用了不同的信息格式，许多生物计算机软件也要求特定的核酸和蛋白质序列输入格式。一个数据库记录(entry)一般由两部分组成：原始

18、序列数据和描述这些数据生物学信息的注释(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。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EMBL两种风格。 核酸/蛋白质数据库记录的组成由于历史原因，各种生物数据库采用GenBank格式GenBank格式GenBank格式GenBank格式：每个条目都是一份纯文本文件。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

19、部分：1）头部包含关于整个序列的信息（描述字符），从 LOCUS行到ORIGIN行；2）注释这一序列的特性（Feature Table ），为注释的核心部分；3）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。GenBank格式GenBank格式：每个条目都是一份纯文EMBL格式EMBL格式EMBL格式EMBL格式：欧洲分子生物学EMBL数据库的每个条目是一份纯文本文件，每一行最前面是由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

20、。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格式EMBL格式：欧洲分子生物学EMBL数据库的每数据库记录注释代码和内容说明 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RTTIT

21、LE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相关文献其它注释数据库记录注释代码和内容说明 EMBL识别标志 GenBan数据库记录注释代码和内容说明（cont.）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

22、基数目 ORIGIN GenBank序列开始标志，该行空 / / 序列结束标志，空行 数据库记录注释代码和内容说明（cont.）EMBL识别标志 一个简单的GenBank记录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 poly

23、phemus Eukaryota; Metazoa; Arthropoda; Chelicerata; 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

24、 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. Augustine, FL 32086

25、, 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 REMARK Sequence up

26、date by submitterCOMMENT On Mar 2, 2000 this sequence version replaced gi:3132700.一个简单的GenBank记录LOCUS AF06FEATURES 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

27、chain head; substrate for PKA /codon_start=1 /product=myosin III /protein_id=AAC16332.2 /db_xref=GI:7144485 /translation=MEYKCISEHLPFETLPDPGDRFEVQELVGTGTYATVYSAIDKQA NKKVALKIIGHIAENLLDIETEYRIYKAVNGIQFFPEFRGAFFKRGERESDNEVWLGI EFLEEGTAADLLATHRRFGIHLKEDLIALIIKEVVRAVQYLHENSIIHRDIRAANIMF SKEGYVKLIDFGLSAS

28、VKNTNGKAQSSVGSPYWMAPEVISCDCLQEPYNYTCDVWSIG ITAIELADTVPSLSDIHALRAMFRINRNPPPSVKRETRWSETLKDFISECLVKNPEYR PCIQEIPQHPFLAQVEGKEDQLRSELVDILKKNPGEKLRNKPYNVTFKNGHLKTISGQ BASE COUNT 1201 a 689 c 782 g 1136 tORIGIN 1 tcgacatctg tggtcgcttt ttttagtaat aaaaaattgt attatgacgt cctatctgtt 3781 aagatacagt aactagggaa a

29、aaaaaaa/GenBank记录（ cont.）FEATURES Location/LOCUS AF062069 3808 bp mRNA INV 02-MAR-2000序列和数据库标识位置, 提取号, 版本DEFINITION Limulus 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 n

30、umberLOCUS AF062069 3808 bp 关键字，生物体来源KEYWORDS .SOURCE Atlantic horseshoe crab. ORGANISM Limulus polyphemus Eukaryota; Metazoa; Arthropoda; Chelicerata; Merostomata; Xiphosura; Limulidae; Limulus.序列来源的物种名序列来源的物种学名和分类学位置可更新的序列版本号关键字，生物体来源KEYWORDS .序列来源的物种名REFERENCE 1 (bases 1 to 3808) AUTHORS Battelle

31、,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 to 3808) AUTHORS Battelle,B.-A., Andrews,A.W., Calman,B.G., Sellers,J.R., Greenberg,R.M. an

32、d 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,B.-A., Andrews,A.W., Calman,B.G., Sellers,J.R., Greenberg,R.M. and Smith,W.C. TITLE Direc

33、t 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 sequence version replaced gi:3132700.引用以前版本号相关文献编号，或递交序列的注册信息相关文献作者，或递交序列的作者相关文献题目引文出处相关文献刊物杂志名，

34、或递交序列的作者单位相关文献注释评注REFERENCE 1 (bases 1 to 380FEATURES 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

35、III /protein_id=AAC16332.2 /db_xref=GI:7144485 /translation=MEYKCISEHLPFETLPDPGDRFEVQELVGTGTYATVYSAIDK NKKVALKIIGHIAENLLDIETEYRIYKAVNGIQFFPEFRGAFFKRGERESDNEVWL特性表编码序列Biosource阅读框GenPept Protein IdentifiersFEATURES Location/QuaBASE COUNT 1201 a 689 c 782 g 1136 tORIGIN 1 tcgacatctg tggtcgcttt ttttagt

36、aat aaaaaattgt attatgacgt cctatctgtt 3721 accaatgtta taatatgaaa tgaaataaag cagtcatggt agcagtggct gtttgaaata 3781 aagatacagt aactagggaa aaaaaaaa/Sequence记录结束标记指示序列数据的起始GenBank碱基数目BASE COUNT 1201 a 689 PDB数据库文件格式分子类别-水解酶类（氧连接糖基化） 该文件的公布日期 该物质的pdb代码 该化合物名称人类唾液淀粉酶 该化合物的来源 结构测定者名字 REMARK是此pdb文件的参考书目、最大分辨率、注解等 PDB数据库文件格式分子类别-水解酶类该文件的公布日期 该REMARK 的部分讲解下图中1处指出蛋白质原子数为3946，2处指出核酸原子数为0，3处指出异型原子数为2，4处指出溶剂原子数为169 指出蛋白质原子数核酸原子数异型原子数溶剂原子数REMARK 的部分讲解