第八章生物信息学资源检索.ppt

第八章 生物信息学资源检索,胡德华,,2,目录,,3,第一节 生物信息学数据库概述,4,一、生物信息学数据库的类型,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,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，《Nucleic Acids Research 》设立了一个数据库目录（http://www.oxfordjournals.org/nar/database/c/） （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,10,,,,（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： http://www.ncbi.nlm.nih.gov/Genbank/index.html,12,国际核酸序列数据库协作体,（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（H1N1 Flu Virus）的核酸序列其检索步骤是：,（1）进入Entrez主页（http://www.ncbi.nlm.nih.gov/gquery/），在提问框输入H1N1 Flu Virus。

2）点击“GO”，得到各个数据库的检索结果3）点击“Nucleotide: Core subset of nucleotide sequence records”，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(http://www.ebi.ac.uk/embl/)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（Sequence Retrieval System）序列检索系统 由Lion Bioscience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（http://srs.ebi.ac.uk）进入Quick Search界面 点击“Library Page”，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）Quick Search (快速查询) （2）Standard Query(标准查询) （3）Extended Query(扩展查询),（1）Quick Search(快速查询),,（2）Standard Query(标准查询),,（3）Extended Query(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 (DNA Data Bank of Japan，日本核酸数据库，http://www.ddbj.nig.ac.jp/index-e.html)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CLUSTAL W、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,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（Japan International Protein Information Database, JIPID）与德国的慕尼黑蛋白质序列信息中心（Munich Information Center for Protein Sequences, 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：http://pir.georgetown.edu/,PIR主页,（二）SWISS-PROT,创建于1986年 由瑞士生物信息学研究所（Swiss Institute of Bioinformatics，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(Expert Protein Analysis System，ExPASy) (http://www.expasy.Ch)，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：http://expasy.org/sprot/,（三）TrEMBL,创建于1996年，意即“Translation of EMBL”，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 http://www.ebi.ac.uk/trembl/,（四）GenPept,由GenBank中的cDNA序列翻译得到的蛋白质序列数据库 网址：ftp://ncbi.nlm.nih.gov/genbank/genpept/）,（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）UniProt Knowledgebase（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 （UniProt Non-redundant Reference）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（UniProt Archive），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：http://www.uniprot.org/,UniProt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：http://www.bioinf.manchester.ac.uk/dbbrowser/OWL/index.php,OWL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：http://www.rcsb.org/pdb/home/home.do,。