中国科技大学系列：《生物信息学》02课件

生物信息学

第二章：序列的采集和存储中国科技大学系列：《生物信息学》02中心法则DNA：Deoxyribonucleicacid，脱氧核糖核酸；RNA：RiboNucleicAcid，核糖核酸；中国科技大学系列：《生物信息学》02碱基中国科技大学系列：《生物信息学》02核苷酸，Ribonucleotide中国科技大学系列：《生物信息学》02脱氧核苷酸

Deoxyribonucleotide中国科技大学系列：《生物信息学》02双脱氧核糖核苷酸

Dideoxyribonucleotide

中国科技大学系列：《生物信息学》02DNA的结构中国科技大学系列：《生物信息学》02RNA的结构中国科技大学系列：《生物信息学》02氨基酸的结构中国科技大学系列：《生物信息学》02氨基酸的性质及分类中国科技大学系列：《生物信息学》02氨基酸周期表中国科技大学系列：《生物信息学》02标准密码子中国科技大学系列：《生物信息学》02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中国科技大学系列：《生物信息学》021.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;中国科技大学系列：《生物信息学》02DNA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。中国科技大学系列：《生物信息学》02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。中国科技大学系列：《生物信息学》02中国科技大学系列：《生物信息学》02大规模测序方法中国科技大学系列：《生物信息学》022.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,DDBJRefSeq:TheReferenceSequence

DatabasedbEST:ExpressedSequencesTags数据库UniGene等蛋白质序列数据库UniProtSwiss-prot&TrEMBL,PIR基因组数据库:Ensembl中国科技大学系列：《生物信息学》02核酸数据库数据的增长中国科技大学系列：《生物信息学》02GenBank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。中国科技大学系列：《生物信息学》02GenBank中测序最多的20个物种161.0版，2007中国科技大学系列：《生物信息学》02EMBL核酸序列数据库EMBL-EBI(EuropeanBioinformaticsInstitute)维护;中国科技大学系列：《生物信息学》02NIG(NationalInstituteofGenetics)CIB(CenterforInformationBiology)DDBJ中国科技大学系列：《生物信息学》02INSDC1998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。中国科技大学系列：《生物信息学》02中国科技大学系列：《生物信息学》02三大数据库之间的联系中国科技大学系列：《生物信息学》02RefSeq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

中国科技大学系列：《生物信息学》02中国科技大学系列：《生物信息学》02RefSeq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’中国科技大学系列：《生物信息学》02GenBankVS.

RefSeq中国科技大学系列：《生物信息学》02dbEST:表达序列标签数据库最多的20个物种：2007.08，总序列45,660,524条中国科技大学系列：《生物信息学》02UniGene:

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中国科技大学系列：《生物信息学》02Swiss-Prot&TrEMBL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。中国科技大学系列：《生物信息学》02TrEMBLvs.GenPeptTrEMBL(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。中国科技大学系列：《生物信息学》02PIR1984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。中国科技大学系列：《生物信息学》02UniProtUniversalProteinResource：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）中国科技大学系列：《生物信息学》02中国科技大学系列：《生物信息学》02UniProtKBUniProtKnowledgebase：Release15.4，16-Jun-2009，包括：Swiss-ProtRelease57.4:497293entriesTrEMBLRelease40.4:9145906entries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：Q5K8D3

中国科技大学系列：《生物信息学》02中国科技大学系列：《生物信息学》02Swiss-ProtRelease57.7中国科技大学系列：《生物信息学》02中国科技大学系列：《生物信息学》02TrEMBLRelease40.4中国科技大学系列：《生物信息学》02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。中国科技大学系列：《生物信息学》02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HumanGenomeProjectSequencingGenomicsProjects

从GenBank中选择同一物种的核酸信息组成的二级库;中国科技大学系列：《生物信息学》02TheEnsemblprojectproducesgenomedatabasesforvertebratesandothereukaryoticspecies,andmakesthisinformationfreelyavailableonline.EMBL-EBI和Sanger研究所共同开发。基因组数据库-Ensembl中国科技大学系列：《生物信息学》023.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数据格式中国科技大学系列：《生物信息学》02DNA代码氨基酸代码中国科技大学系列：《生物信息学》02GenBank数据文件格式中国科技大学系列：《生物信息学》02GenBank数据文件格式中国科技大学系列：《生物信息学》02GenBank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号序列形状中国科技大学系列：《生物信息学》02GenBank的数据类型中国科技大学系列：《生物信息学》02GenBank数据文件格式中国科技大学系列：《生物信息学》02GenBank数据文件格式中国科技大学系列：《生物信息学》02EMBL(UniProt)数据格式中国科技大学系列：《生物信息学》02EMBL和GenBank数据格式的对比中国科技大学系列：《生物信息学》02FASTA格式中国科技大学系列：《生物信息学》02FASTA格式 >1I60:A|PDBID|CHAIN|SEQUENCE MKLCFNEATTLENSNLKLDLELCEKHGYDYIEIRTMDKLPEYLKDHSLDDLAEYFQTHH