生物信息数据库文库

王禄山计算机应用生物信息数据库与生物信息中心授课大纲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——Referencemanager序列同源搜索分析工具——Blast核酸、蛋白质序列比对分析软件——DSgene\DNASIS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——ScionImage(NIHimage)生物科学数据处理软件——Origin1.重要生物信息中心2.重要生物信息数据库3.数据库检索工具4.生物分析相关软件生物信息研究内容一、重要生物信息中心BioinformaticsCentresNCBINationalCenterforBiotechnologyInformation(US)(EU)(JP)(Switzerland)(US)北京大学生物信息中心（CN）中国生物信息中心(CN)：://二、重要生物信息数据库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(relationalDB)–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信息表示：关系数据库semanticmappingAttributesRelations查询语义映射和处理过程结果语义匹配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–Painfullycollectingunstructuredinformationaroundthesites–Manuallyputtingpiecestogether–Hopefullygettingtherightpicture...总之，信息源的特点是：–自治的(autonomous)–分布式的(distributed)–异构的(heterogeneous)数据集成DataIntegration数据集成XMLXMLSiteASiteBDataIntegration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主要核酸序列数据库:GenBank、EMBL、DDBJ主要蛋白质序列数据库:Swissprot,PIR美国的核酸数据库GenBank〖Banson,D.A.etal.(1998)NucleicAcidsRes.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，数据量增长了近十万倍。核酸序列数据库核酸序列核酸序列是由4种核苷酸的单字母（ATGC）符号排成的序列。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MNIQQLALQNIKGNWRNYKVFFLSSCFAIFASFAYMSVIVHPYMKETMWYQNVRWGLIICNIIIISFFIIFILYSTSIFIEARKKELGLYMLMGATKSNVIGVIMTEQMLIGVFANIFGIGLGIIFLKLFFMVFSMLLGLPKELPIIFDVRAIGGTFIAYMVVFVVLSFISALRIWNIKIIRLLKEFRTDKKEKKTSMRLCIFGLICLGIGYALALQTTMPTIAFYFFPVSILVFFGTYFSFTHGTAQILELIKRNKKIMYTYPYLFIVNQLSHRMKENGRFFFLMSMATTFVVTATGTVFLYFSGMQDMWRGGGVHSFSYIEKGTSSHEVFAEGMVEQLLHQYGYDDFQSMSFVGVYASFQSSKGETEIATLMKESEYNQEARKQGQKTYHPKKGSVTLVYYNKYNHPNMYDQKEIQLQVMNQTYSFVFNGQKEGIQFNYHPSQINGLFFVMHDEDFDGIANKVPDSEKMIYRGYTLPNIENTKELNEDLRKHMKQDDNNAFRSNMELYVNMKAFGDITLFVGSFISILFFLTSCSIVYFKWFHNIASDRKEYGALSKLGMTKEEVWRISRWQLCMLFFAPIIVGSMHSAVALYTFHNTIFMDGSLRKVGLFILFYIAACIMYFFFAQREYRKHLD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一般小大较慢生物大分子三维结构数据库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（）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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。蛋白质结构分类数据库SCOP(StructuralClassificationofProteins)CATH(Class,Architecture,Topology,Homology)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α螺旋和β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。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基因组数据库GDB人类基因组数据库AceDB线虫(Caenorhabditiselegans)基因组数据库四、数据库检索工具EntrezSRSEntrez--GenBankSRS(SequenceRetrievalSystem)SRS是欧洲分子生物学网EMBnet的主要检索工具。SRS,SequenceRetrievalSystem,isapowerfuldatabasemanagementsystemdevelopedspecificallyforbiologicaldatabases.ThegoalofSRSistoprovideanefficientaccesstodatabaseswithbiologicalcontentsnomatterinwhatformataretheyavailableandallowingforcomplexsearchcriteria.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。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（FeatureTable），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。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。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。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IDLOCUS序列名称DEDEFINITION序列简单说明ACACCESSION唯一的提取号OSSOURCE序列来源的物种名OCORGANISM序列来源的物种学名和分类学位置DT建立日期KWKEYWORDS与