生物信息学6二级数据库及数据库的格式.ppt

二级数据库简介二级数据库简介 二级数据库的形式：大多以二级数据库的形式：大多以web界面为基础，具有文字界面为基础，具有文字信息、表格、图形、图表等方式显示数据库内容；信息、表格、图形、图表等方式显示数据库内容； 一级数据库与二级数据库之间并无明确的界限一级数据库与二级数据库之间并无明确的界限例如：（例如：GDB、、AceDB、、SCOP、、CATH等都已经具有二级数据库的特色）等都已经具有二级数据库的特色）1 1、基因组信息二级数据库、基因组信息二级数据库、基因组信息二级数据库、基因组信息二级数据库 TransFacTransFac( (真核生物基因转录调控因子数据库真核生物基因转录调控因子数据库真核生物基因转录调控因子数据库真核生物基因转录调控因子数据库) ) 德国生物工程研究所开发维护，始建于德国生物工程研究所开发维护，始建于1988年 包包括括顺顺式式调调控控位位点点、、基基因因、、转转录录因因子子、、细细胞胞来来源源、、分分类类和和调控位点核苷酸分布调控位点核苷酸分布6个子库TransFac的网址的网址： 2 2、蛋白质序列二级数据库、蛋白质序列二级数据库、蛋白质序列二级数据库、蛋白质序列二级数据库 PrositeProsite( (蛋白质序列功能位点数据库蛋白质序列功能位点数据库蛋白质序列功能位点数据库蛋白质序列功能位点数据库) ) 始建于始建于1990年代初，由瑞典生物信息学研究所年代初，由瑞典生物信息学研究所SIB负责维护。

负责维护 基基于于对对蛋蛋白白质质家家族族中中同同源源序序列列多多重重序序列列比比对对得得到到的的保保守守区区域，这些区域通常与生物学功能相关域，这些区域通常与生物学功能相关 数数据据库库包包括括两两个个数数据据库库文文件件：：数数据据文文件件Prosite；；说说明明文文件件PrositeDocProsite的网址的网址：http://cn.expasy.org/prosite/ 3 3、蛋白质结构二级数据库、蛋白质结构二级数据库、蛋白质结构二级数据库、蛋白质结构二级数据库 DSSP (Definition of Secondary Structure of Proteins)DSSP (Definition of Secondary Structure of Proteins) 蛋白质二级结构构象参数数据库蛋白质二级结构构象参数数据库 DSSP的网址的网址：http://www.cmbi.kun.nl/gv/dssp/ FSSP (Families of Structural Similar Proteins) FSSP (Families of Structural Similar Proteins) 蛋白质家族数据库蛋白质家族数据库 FSSP的网址：的网址：http://www2.embl-ebi.ac.uk/dall/fssp/ HSSP(Homology Derived Secondary Structure of Proteins) HSSP(Homology Derived Secondary Structure of Proteins) 同源蛋白质数据库同源蛋白质数据库 HSSP的网址：的网址： http://www.cmbi.kun.nl/gv/hssp/ 小结：数据库一览小结：数据库一览1 1、核酸序列数据库、核酸序列数据库 EMBL GenBank DDBJ2 2、基因组数据、基因组数据 GDB GDB AceDBAceDB3 3、蛋白质序列数据库、蛋白质序列数据库 SWISSSWISS－－PROT PROT PIRPIR(美国)4 4、蛋白质结构数据、蛋白质结构数据 PDBPDB5、蛋白质结构分类数据库 SCOP CATH6 6、二级数据库、二级数据库 TransFacTransFac PrositeProsite DSSP FSSP HSSP数据库格式简介数据库格式简介 历史原因：没有完全统一的数据库格式；历史原因：没有完全统一的数据库格式； 了解所用数据库格式的重要性了解所用数据库格式的重要性 一般由两部分组成：一般由两部分组成： 文字注释文字注释 序列序列不同数据库的序列格式不同数据库的序列格式•在运行序列分析软件中遇到的首要问题就是如何通过不同的程序使用不同的序列格式。

这些格式都是标准ASCII码文件，但在显示各种信息或序列本身的某些字符或字有所不同下面将讨论几种常用的序列格式1 GenBank中DNA序列格式2 EMBL序列格式3 SwissProt序列格式4 FASTA序列格式5 NBRF序列格式6 Intelligenetics序列格式7 GCG序列格式8 PIR/CODATA序列格式9 Plain/ASCII.Staden序列格式10 ASN.1序列格式11 GDE格式1. GenBank中DNA序列格式•GenBank中数据库(包括NCBI核酸和蛋白质序列数据库)中条目格式如下：给出描述每一个序列的信息，包括文献参考、序列的功能信息、mRNA和编码区域的位置，以及重要突变的位置这些序列信息以字段的形式进行组织，每一行最前端都有一个标识符在某些条目中，标识符可能缩写成两个字母(例如RF代表reference)，某些字段可能还有次级字段计算机程序中的序列条目位于标识符“ORIGIN”和“//”之间这些字段提供的信息可以参见网页www.ncbi.nlm.nih.gov/Sitemap/samplerecord.htmlLOCUS name of locus, length and type of sequence, classification of organism, data of entryDEFINITION desicription of entryACCESSION accession number of original sourceKEYWORDS key words for cross referencing this entrySOURCE source organism of DNAORGANISM description of organismREFERENCECOMMENT biological function of database informationFEATURES information about sequence by base position or range of positions source range of sequence, source organism misc_signal range of sequence, type of function or signal mRNA range of sequence, mRNA CDS range of sequence, protein coding region intron range of sequence, position of intron mutation sequence position, change in sequence for mutationBASE COUNT count of A, C, G, T and other symbols ORIGIN text indicating start of sequence 1 gaattcgata aatctctggt ttattgtgca gtttatggtt ccaaaatcgc 51 atatactcac agcataactg tatatacacc cagggggcgg aatgaaagcg// database symbol for end of sequenceFig 2.6 GenBank中DNA序列条目. ACCESSION Organism Reference Name Keywords Sequenceno..123 Escherichia. Medline1, LexA SOS regulon, ATG.. coli ...... protein repressor, transcriptional regulator, ....124 Escherichia Medline2, UmuD SOS regulon, .. GTA.. Coli ...... protein..125 Saccharomyces. Medline3,. GAL4 transcriptional CAT.. CEREVISIAE ...... protein regulator, ....125 Homo. Sapiens Medline4,. gluco- transcriptional TGT.. ...... Corticoid regulator, .. receptor•序列每行前面标有数字，以显示片断位置。

序列计数或序列校检求和的值可被计算机程序用来鉴定序列成分，所以除非程序本身也改变计数，序列计数是不能被改变的•GenBank序列格式通常需要改变以适应序列分析软件 Fig 2.7 GenBank数据库的组织. 常被计算机检索程序ENTREZ利用2 EMBL序列格式•The European Molecular Biology Laboratory(EMBL)序列条目与GenBank类似，通过大量信息来描述每个序列该信息组织成一个个字段，每个字段有一个标识符这些标识符缩写成两个字母，某些字段还有次级字段每行序列后面的数字显示片断的位置•计算机程序可以利用序列计数或校检求和的值来保证序列的完整性和精确性正是由于这个原因，除非程序本身也改变计数，条目的序列片断是不能被改变的•这种序列格式用于各种序列分析软件时也要进行改变 ID identification code for sequence in the database AC accession number giving origin of sequenceDT dates of entry and modificationKW key cross-reference words for lookup up this entryOS, OC source organismRN, RP, RX, RA, RT, RL literature reference or source DR i. d. In other databasesCC Description of biological functionFH, FT information about sequence by base position or range of positiions source range of sequence, source organism misc_signal range of sequence, type of function or signal mRNA range of sequence, mRNA CDS range of sequence, position of intron mutation sequence position, change in sequence for mutationSQ count of A, C, G, T and other symbolsgaattcgata aatctctggt ttattgtgca gtttatggtt ccaaaatcgc cttttgctgt 60atatactcac agcataactg tatatacacc cagggggcgg aatgaaagcg ttaacggcca 120..// symbol to indicate end or sequence Fig 2.8 EMBL序列格式. 3 SwissProt序列格式4 FASTA序列格式5 NBRF序列格式•SwissProt蛋白序列数据库条目的格式和EMBL非常相似，但它提供了更多的关于蛋白质的物理和生化性质的信息。

•FASTA 序列格式包括三个部分：1.在注释行的第一列用字符“>”标识，后面是序列的名字和来源；2.标准的单字符标记的序列；3.可选的“*”表示序列的结束，它可能出现也可能不出现，但它是许多序列分析程序正确读取序列所必须的FASTA格式是序列分析软件最常用的格式这种格式提供了从一个窗口到另一个窗口非常方便的拷贝途径，因为序列中没有数字或其他非字符FASTA序列格式和蛋白质信息资源NBRF格式很相似>YCZ2_YEAST protein in EMR 3’ regionMKAVVIEDGKAVVKEGVPIPELEEGFVGNPTDWAHIDYKVGPQGSILGCDAAGQIVKLGPAVDPKDFSIGDYIYGFIHGSSVRFPSNGAFAEYSAISTVVAYKSPNELKFLGEDVLPAGPVRSLEGAATIPVSLT*>P1; ILEClexA REPRESSOR – Escherichia coliMKALTAREVFDLIRDHISQTGMPPTRAEIAQRLGFRSPNAAEEHLKALARKGVIEIVSGASRGIRLLQEEEEGLPLVGRVAAGEQLLAHIEGHYQVDPSLFKPNADFLLRVSGMSMKDIGIMDGDLLAVHKTQDVRNGQVVVARIDDEVTVKRLKKQGNKVELLPENSEFKPIVVDLRSFTIEGLAVGVIRNGDWL•NBRF序列格式(或称PIR格式)已经被用于the National Biomedical Research Foundation/Protein Information Resource(NBRF)。

网站(www-nbrf.georgetown.edu)中的PIR数据库中得到并不是这种紧缩格式，而是一种包括很多信息的扩展格式Fig 2.10显示了PIR序列格式的一个例子第一行包括一个起始的“>”字符，接着是一个双字符编码，例如P表示完整序列，F表示片断，后面的1或2显示了序列的类型，接着是一个分号，接着是一个4到6个字符的条目名称第二行则显示了序列的全称，连字号，接着序列来源Fig 2.9(上) FASTA序列格式.Fig 2.10(右) NBRF序列格式. 6 Intelligenetics序列格式•Intelligenetics格式由Stanford大学的一个分子遗传学研究小组发起，后来由Intelligenetics公司继承发展IG格式和PIR格式很相似，不同的是将分号置于注释行之前第二行也有个标识符在序列的结束以1表示序列是线状，以2结束表示序列是环状 YEAST protein in EMR 3’ regionYCZ2MKAVVIEDGKAVVKEGVPIPELEEGFVGNPTDWAHIDYKVGPQGSILGCDAAGQIVKLGPAVDPKDFSIGDYIYGFIHGSSVRFPSNGAFAEYSAISTVVAYKSPNELKFLGEDVLPAGPVRSLEGAATIPVSLT1Fig 2.11 IG序列格式. 7 GCG序列格式•早期版本的Genetics Computer Group(GCG)程序需要一个独特的序列格式，它能将其他的序列格式转换为GCG格式。

后来的GCG版本接受了几种序列格式•一种转换了的GenBank文件见Fig 2.12首先包括了在GenBank序列条目中的信息，接着是一行序列信息及校准求和值这个值(未显示)是通过累加序列的ASCII值来检测序列的精确度如果序列没有改变，这个值就保持相同如果由于某种错误，一个或更多的序列字符发生了改变，因为序列条目校检求和的数值出错，程序在读取序列的过程中将判定发生了变化•序列信息行以两个句点结束接下来就是序列注意到，序列行开头的数字既然没有标记显示序列的结束，所以在其后不能加任何信息这一序列不能改变，除非程序运行过程中能调整序列校检求和的数值•GCG序列格式在其他序列分析软件中必须改变GCG也包含了改变序列文件格式的程序 BASE COUNT 215 A 224 C 263 G 250 TORIGINFilename, Length of sequence, Date, Checksum Value, ..1 GAATTCGATA AATCTCTGGT TTATTGTGCA GTTTATGGTT CCAAAATCGC51 CTTTTGCTGT ATATACTCAC AGCATAACTG TATATACACC CAGGGGGGGGFig 2.12 GCG序列格式. 8 PIR/CODATA序列格式9 Plain/ASCII.Staden序列格式•来自the National Biomedical Research Foundation/ Protein Information Resource的序列文件格式几乎拥有和GenBank或EMBL序列文件相同的信息，其不同之处可参见Fig 2.13。

目前称之为PIR/CODATA格式 •Plain/ASCII.Staden序列格式是仅含有序列而没有其他附加信息它由剑桥大学的Roger Staden开发的序列分析程序Staden所使用这种序列必须进一步格式化才能用于大多数序列分析程序ENTRY ILEC #type completeTITLE lexA repressor – Escherichia coliORGANISM #formal_name Escherichia coliDATE 29-Jul-1981 #sequence_revision 01-Sep-1981 #text_change 14-Nov-1997ACCESSIONS A90808; A93734; S11945; B65212; A03569REFERENCE A90808 #authors Horii, T.; Ogawa, T.; Ogawa, H. #journal Cell (1981) 23:689-697 #title Nucleotide sequence of the lexA gene of Escherichia coli. #cross-references MUID:81186269 #contents lexA #accession A90808 ##molecule_type DNA ##RESIDUES 1-202 ##label HORREFERENCE…Fig 2.13 Continued. COMMENTSGENETICS #gene lexA #map_position 92 minCLASSIFICATION #superfamily lexa repressorKEYWORDS AND binding, repressor, transcription regulatorSUMMARY #length 202 #molecular_weight 22358SEQUENCE 5 10 15 20 25 30 1 M K A L T A R Q Q E V F D L I R D H I S Q T G M P P T R A E …Fig 2.13 PIR/CODATA序列格式. 10 ASN.1序列格式•Abstract Syntax Notation(ASN.1)是一种正式的数据描述语言,并得到了计算机行业的发展。

ASN.1已经被the National Center for Biotechnology Information (NCBI)采纳并用于序列、图谱、分类信息、分子结构以及文献信息的编码ASN.1序列格式是一种高度结构化、功能完备的格式，特别适用于计算机的数据处理在其他格式(如GenBank)格式中出现的信息在该格式中都有所体现例如，通过ENTREZ(见下文)就可以得到该格式的序列但是，这种格式的信息相对于GenBank等格式来说，很难通过肉眼读懂人们一般不会直接用ASN.1格式，除非使用一台以该格式输入的计算机 11 GDE格式•Genetic Data Environment(GDE)格式是运用于一种称为Genetic Data Environment的序列分析系统这套系统由Steven Smith和他的同事针对在UNIX机器上运行的多序列队列编辑器所设计的GDE的特点融于GCG软件的SEQLAB界面(第九版)类似于ASN.1，GDE格式也是一个标记字段的格式，存储了系列所有可能的信息每个文件包含广泛的字段(见Fig 2.14)，用括弧括起来，每个字段给出了名称标记每个标记后面的信息位于双引号中，中间由一个或几个空格格开。

{name “Short name for sequence”longname “Long (more descriptive) name for sequence”sequence-ID “Unique ID number”creation-date “mm/dd/yy hh:mm:ss”direction [-1|1]strandedness [1|2]type [DNA|RNA|PROTEIN|TEXT|MASK]offset (-999999,999999)group-ID (0,999)creator “Author’s name”descrip “Verbose description”comments “Lines of comments about a sequence”sequence “gctagctagctagctagctctcttagctgtagtcgtagctggctag ctgatgctagctagctagctagctgatcgatgctagctgatcgtag ctgacggactgatgctagctagctagctagctgtctagtgtcgtag tgcttattgc”}Fig 2.14 The Genetic Data Environment格式. 序列数据库的格式序列数据库的格式FASTA格式（或格式（或Pearson格式）格式）•序列文件的第一行是由大于符号（＞）打头的任意文字说明，主要为标记序列用。

•从第二行开始是序列本身，标准核苷酸符号或氨基酸单字母符号通常核苷酸符号大小写均可，而氨基酸一般用大写字母•文件中和每一行都不要超过80个字符（通常60个字符）核酸序列核酸序列核酸序列核酸序列氨基酸序列氨基酸序列氨基酸序列氨基酸序列例子：例子：例子：例子：EMBLEMBL和和和和GenBankGenBank数据库的格式数据库的格式数据库的格式数据库的格式 EMBL和和GenBank数据库的主要内容和格式数据库的主要内容和格式 序列名称、长度、日期序列名称、长度、日期序列说明、编号、版本号序列说明、编号、版本号物种来源、学名、分类学位置物种来源、学名、分类学位置相关文献作者、题目、刊物、日期相关文献作者、题目、刊物、日期序列特征表序列特征表碱基组成碱基组成序列（每行序列（每行60个碱基）个碱基） 实例：实例：实例：实例： E. coliE. coli k-12 k-12全基因组序列文件全基因组序列文件全基因组序列文件全基因组序列文件LOCUS U00096 4639221 bp DNA circular BCT 18-NOV-1998DEFINITION Escherichia coli K-12 MG1655 complete genome.ACCESSION U00096KEYWORDS .SOURCE Escherichia coli. ORGANISM Escherichia coli Bacteria; Proteobacteria; gamma subdivision; Enterobacteriaceae; Escherichia.REFERENCE 1 (bases 1 to 4639221) AUTHORS Blattner,F.R., Plunkett,G. III, Bloch,C.A., Perna,N.T., Burland,V., … TITLE The complete genome sequence of Escherichia coli K-12 JOURNAL Science 277 (5331), 1453-1474 (1997) MEDLINE 97426617…COMMENT This sequence was determined by the E. coli Genome Project at the University of Wisconsin-Madison (Frederick R. Blattner, director). Supported by NIH grants HG00301 and HG01428 (from Human Genome Project and NCHGR). The entire sequence was independently determined from E. coli K-12 strain MG1655. Predicted open reading frames were determined using GeneMark software, kindly supplied by …FEATURES Location/Qualifiers source 1..4639221 /organism="Escherichia coli" /strain="K-12“ /sub_strain="MG1655" /db_xref="taxon:562" promoter 71..99 /note="factor Sigma70; predicted +1 start at 106" promoter 104..132 /note="factor Sigma70; predicted +1 start at 139" promoter 188..212 /note="factor Sigma32; predicted +1 start at 219" gene 190..255 /note="b0001" /gene="thrL" CDS 190..255 /gene="thrL" /function="leader; Amino acid biosynthesis: Threonine" /note="o21; 100 pct identical to LPT_ECOLI SW: P03059" /codon_start=1 /transl_table=11 /product="thr operon leader peptide" /db_xref="PID:g1786182" /translation="MKRISTTITTTITITTGNGAG “ …BASE COUNT 1142136 a 1179433 c 1176775 g 1140877 tORIGIN 1 agcttttcat tctgactgca acgggcaata tgtctctgtg tggattaaaa aaagagtgtc 61 tgatagcagc ttctgaactg gttacctgcc gtgagtaaat taaaatttta ttgacttagg 121 tcactaaata ctttaaccaa tataggcata gcgcacagac agataaaaat tacagagtac 181 acaacatcca tgaaacgcat tagcaccacc attaccacca ccatcaccat taccacaggt 241 aacggtgcgg gctgacgcgt acaggaaaca cagaaaaaag cccgcacctg acagtgcggg 301 cttttttttt cgaccaaagg taacgaggta acaaccatgc gagtgttgaa gttcggcggt 361 acatcagtgg caaatgcaga acgttttctg cgtgttgccg atattctgga aagcaatgcc 421 aggcaggggc aggtggccac cgtcctctct gcccccgcca aaatcaccaa ccacctggtg … … 4639021 caacatcaac tgcaagcttt acgcgaacga gccatgacat tgctgacgac tctggcagtg 4639081 gcagatgaca taaaactggt cgactggtta caacaacgcc tggggctttt agagcaacga 4639141 gacacggcaa tgttgcaccg tttgctgcat gatattgaaa aaaatatcac caaataaaaa 4639201 acgccttagt aagtattttt c//ID U00096 standard; circular genomic DNA; CON; 4639221 BP.AC U00096;SV U00096.1DT 24-JUL-2003 (Rel. 76, Last updated, Version 3)DE Escherichia coli K-12 MG1655 complete genome.KW .OS Escherichia coli K12OC Bacteria; Proteobacteria; Gammaproteobacteria; Enterobacteriales;OC Enterobacteriaceae; Escherichia; Escherichia coli.RN [1]RP 1-4639221RX MEDLINE; 97426617.RX PUBMED; 9278503.RA Blattner F.R., Plunkett G. III, Bloch C.A., Perna N.T., Burland V.,…RT "The complete genome sequence of Escherichia coli K-12";RL Science 277(5331):1453-1474(1997).DR GOA; O32528.DR REMTREMBL; AAC74436; AAC74436.DR SPTREMBL; O32530; O32530.DR SWISS-PROT; O32528; YPDI_ECOLI. …CC This sequence was determined by the E. coli Genome Project at theCC University of Wisconsin-Madison (Frederick R. Blattner, director).CC Supported by NIH grants HG00301 and HG01428 (from the Human GenomeCC Project and NCHGR). The entire sequence was independentlyCC determined from E. coli K-12 strain MG1655. Predicted open readingCC frames were determined using GeneMark software, kindly supplied by…FH Key Location/QualifiersFT source 1..4639221FT /db_xref="taxon:83333"FT /mol_type="genomic DNA"FT /organism="Escherichia coli K12"FT /strain="K12"FT /sub_strain="MG1655"FT promoter 71..99FT /note="factor Sigma70; predicted +1 start at 106"…FT CDS 190..255FT /codon_start=1FT /db_xref="GOA:P03059"FT /db_xref="SWISS-PROT:P03059"FT /note="o21; 100 pct identical to LPT_ECOLI SW: P03059"FT /transl_table=11FT /gene="thrL"FT /function="leader; Amino acid biosynthesis: Threonine"FT /product="thr operon leader peptide"FT /protein_id="AAC73112.1"FT /translation="MKRISTTITTTITITTGNGAG“…SQ Sequence 4639221 BP; 1142136 A; 1179433 C; 1176775 G; 1140877 T; 0 other; agcttttcat tctgactgca acgggcaata tgtctctgtg tggattaaaa aaagagtgtc 60 tgatagcagc ttctgaactg gttacctgcc gtgagtaaat taaaatttta ttgacttagg 120 tcactaaata ctttaaccaa tataggcata gcgcacagac agataaaaat tacagagtac 180 acaacatcca tgaaacgcat tagcaccacc attaccacca ccatcaccat taccacaggt 240 aacggtgcgg gctgacgcgt acaggaaaca cagaaaaaag cccgcacctg acagtgcggg 300 cttttttttt cgaccaaagg taacgaggta acaaccatgc gagtgttgaa gttcggcggt 360 acatcagtgg caaatgcaga acgttttctg cgtgttgccg atattctgga aagcaatgcc 420 aggcaggggc aggtggccac cgtcctctct gcccccgcca aaatcaccaa ccacctggtg 480 gcgatgattg aaaaaaccat tagcggccag gatgctttac ccaatatcag cgatgccgaa 540 … tattgctatc aattagcaac attaatacaa caaccggcga aaagtgatgc aacggcagac 4639020 caacatcaac tgcaagcttt acgcgaacga gccatgacat tgctgacgac tctggcagtg 4639080 gcagatgaca taaaactggt cgactggtta caacaacgcc tggggctttt agagcaacga 4639140 gacacggcaa tgttgcaccg tttgctgcat gatattgaaa aaaatatcac caaataaaaa 4639200 acgccttagt aagtattttt c 4639221//EMBL标识字标识字GenBank标识字标识字含义含义IDLOCUS序列名称序列名称DEDEFINITION序列简单说明序列简单说明ACACCESSION唯一的序列编号唯一的序列编号SVVERSION序列版本号序列版本号KWKEYWORDS与与序列相关的关键词序列相关的关键词OSSOURCE序列来源的物种名序列来源的物种名OCORGANISM序列来源的物种学名和分类学位置序列来源的物种学名和分类学位置DT建立日期建立日期RNREFERENCE相关文献编号或提交注册信息相关文献编号或提交注册信息RAAUTHORS相关文献作者或提交序列作者相关文献作者或提交序列作者RTTITLE相关文献题目相关文献题目RLJOURNAL相关文献刊物名或作者单位相关文献刊物名或作者单位RXMEDLINE相关文献相关文献Medline引文代码引文代码RCREMARK相关文献注释相关文献注释RP相关文献其它注释相关文献其它注释CCCOMMENT关于序列的注释信息关于序列的注释信息DR相关数据库交叉引用号相关数据库交叉引用号FHFEATURES序列特征表起始序列特征表起始FT序列特征表子项序列特征表子项SQBASE CONTENT序列长度、碱基数目统计数序列长度、碱基数目统计数空格空格ORIGIN序列序列////序列结束标志、空行序列结束标志、空行EMBLEMBL和和和和GenBankGenBank数据库的行识别标志比较数据库的行识别标志比较数据库的行识别标志比较数据库的行识别标志比较头头头头部部部部特特特特性性性性序序序序列列列列数据库的冗余与偏差数据库的冗余与偏差 数据库的冗余数据库的冗余(redundancy) DNA和蛋白质数据库中的很多记录是属于同和蛋白质数据库中的很多记录是属于同一基因和蛋白质家族，或在不同生物体上发现一基因和蛋白质家族，或在不同生物体上发现的同源基因。

不同的研究机构可能向数据库发的同源基因不同的研究机构可能向数据库发送了相同的序列数据，如果没有被检查出来，送了相同的序列数据，如果没有被检查出来，则这些记录或多或少地紧密相关当然，这些则这些记录或多或少地紧密相关当然，这些记录如果的确非常相近，可以被认定为它们是记录如果的确非常相近，可以被认定为它们是相同序列，但一些显著的差异可能是由于基因相同序列，但一些显著的差异可能是由于基因组多样性的结果组多样性的结果冗余数据至少可能导致以下冗余数据至少可能导致以下3个潜在的错误个潜在的错误一是如果一组DNA或氨基酸序列包含了大量非常相关序列族，则相应的统计分析将偏向这些族，在分析结果中，这些族的特性被夸大；二是序列间不同部分的显著相关可能是在数据样本抽样时是有偏的和不正确的；最后是如果这些数据是被用于预测，则这些序列将使预测方法—如人工智能方法—发生偏离非冗余非冗余(non-redundant,nr) 生物数据非常复杂，它远非“冗余”二字可以准备描述，例如，同一位点上的2个等位基因是不是冗余的？同一生物体内的2个同功酶是否冗余？因此，过于克刻地去除“太过于相似的序列”可能导致一些有价值的信息被删除，应在数据规模和非冗余之间找到一个合理的平衡点。

序列数据的偏差或人为假象序列数据的偏差或人为假象(artifacts) 主要来自实验过主要来自实验过程，这与其它科学数据的情况相同这些人为假象主要程，这与其它科学数据的情况相同这些人为假象主要来自以下几个方面：来自以下几个方面： (1)载体序列污染：在测序列等实验过程中，载体序列可能造成污染，致使序列记录数据中包含了载体序列；(2)异源(heterologous)序列污染：有研究表明一些人类cDNA测序结果在实验过程中被酵母和细菌序列污染；(3)序列的重排和缺失； (4)重复因子污染：cDNA克隆方法有时会受到逆转录因子(如Alus)的影响 (5)测序误差和自然多态性：测序过程存在一定的误差概率 对付以上这些偏差，一个聪明的略策是用可能污染数据记录的序列(如载体)去估计误差程度同时，一些去除污染的专门软件系统已被研制出来，如EBI网站便提供了去除载体污染的服务，网址为www.ebi.ac.uk/embl/submission/webin.html/www2.ebi.ac.uk/blaskall/vectors.htmlEMBL研制了基于BLAST的载体扫描服务和一个特殊的序列数据库EMVEC。

EMVEC的序列来自EMBL的SYN(synthetic division)类2000余条一般用于克隆和测序实验的序列，该库随着EMBL的扩充而实时更新。