生物信息学之数据库及在线分析工具

生物信息学数据库及在线分析工具SeeQ@ZIFF一、数据库（Database）用于收集、整理、储存、加工、发布和检索数据的系统。生物类的数据库种类很多（序列、结构、生物分子互作、其他）投稿文章首先要将核苷酸序列或蛋白质序列提交到相应的数据库中数据库记录通常包括两部分原始数据对这些数据进行的生物学意义的注释一个数据库通常链接了多个相关数据库核苷酸数据库－水稻抗病相关基因OsDR8DQ176424Taxonomy数据库Pubmed数据库NCBI-Protein数据库（一）数据库工具建立纯文本数据库GenBank数据库、EMBL核苷酸数据库数据库工具SQL（结构化查询语言）是世界上流行的和标准化的数据库语言能够快速灵活存储记录文件和图像下载网址AceDB数据库工具AceDB：AC.elegansDataBase（线虫数据库）被广泛应用的管理和提供基因组数据的工具数据形式丰富遗传图谱G1810.420.84RM2240.21R15060.21Xa26S128861.470.000.63L1044NBS119RM144Y6855RA0.0011新陈代谢途径物理图谱1gggctccaccactagtacccctcactacaggtagccataaaaaaaatcgatcaccaaaac61ccattattaggttgtgtactgatacagaaagttgggaaccaatctcccagcacagaaaac121ggtacggttcattagcgcgtgattaattaaatatttactattttttaaaaaaaatagatc181aatatgatttttaagcaactttcgtataaatactttttcaaaaaaacacaccgttttcta241gtttgaaaagcgtacacgcgtgaaatgagggagaaaggttggaaacgtgggattgcaaac（二）各种生物数据库1、核苷酸数据库DNA、mRNA、tRNA、rRNA序列RNA序列以cDNA序列的形式收集核苷酸序列直接来源于实验数据大量氨基酸序列主要是非实验来源数据codingsequence(CDS)EXONINTRONCDS(codingsequence)ORF(openreadingframe)数据库种类很多三大核苷酸数据库GenBank、EMBL核苷酸数据库、DDBJUnitedStatesPatentandTrademarkOffice(USPTO)EuropeanPatentOffice(EPO)JapanPatentOffice(JPO)收集了专利的核苷酸序列信息资源共享：以天为基础进行数据库之间的序列数据交换（1）GenBank美国NCBI的数据库，有部分蛋白质序列数据每天更新，每年发行六版releaseRelease172（2009.6.15）106,073,709entries105,277,306,080bases来源于260,000多个物种大约12％的序列来源于人（Homosapiens）……GrowthofGenBankLocusname（位点名）Accessionnumber（注册号或登陆号）GI（GenInfoidentifier）NID（NucleotideID）每个序列有一个flatfile每条序列有三个专有的编号或标识（identifier）LOCUSlineSamplerecord分支缩写分支全称PRI灵长类序列(primatesequences)ROD啮齿类序列(rodentsequences)MAM其它哺乳类序列(othermammaliansequences)VRT其它脊椎动物序列(othervertebratesequences)INV无脊椎动物序列(invertebratesequences)PLN植物、真菌和海藻类序列(plant,fungal,andalgalsequences)BCT细菌序列(bacterialsequences)VRL病毒序列(viralsequences)PHG噬菌体序列(bacteriophagesequences)SYN合成序列(syntheticsequences)ThedivisionsofGenBank分支缩写分支全称UNA未注释的序列(unannotatedsequences)EST表达序列标签(expressedsequencetags)PAT已专利的序列(patentsequences)STS序列标签位点(sequencetaggedsites)GSS基因组勘察序列(genomesurveysequences)HTG高产出基因组序列(highthroughputgenomicsequences)HTC高产出cDNA序列(highthroughputcDNAsequences)ENV环境样品序列(Environmentalsamplingsequences)（2）dbEST(DatabaseofExpressedSequenceTags)GenBank的二级数据库5’端或3’端的cDNA序列（EST）200-500bp“Single-passread”sequenceGenBank中60％以上的序列是EST（3）UniGene数据库NCBI的另一个核苷酸数据库来源于同一基因的非重复EST组成基因序列群人、大鼠、小鼠、斑马鱼、牛、蛙等拟南芥、水稻、小麦、大麦、玉米等共计100多个物种UniGene主页输入关键词检索（4）dbSTS(DatabaseofSequenceTaggedSites)GenBank的二级数据库UniSTS短序列（200-500bp），仅在基因组中出现一次已定位于染色体上如何找到一个STS检索：GenBank主页选择UniSTS后输入关键词检索到的条目每一条目详细内容点击“mv”查看染色体定位contig（5）dbGSS(DatabaseofGenomeSurveySequences)GenBank的二级数据库基因组短序列cosmid/BAC/YAC外源插入片段的末端序列AluPCR序列cosmid/BAC/YACG1810.420.84RM2240.21R15060.21Xa26S128861.470.000.63L1044NBS119RM144Y6855RA0.0011（6）HTG(High-ThroughputGenomicSequences)GenBank的二级数据库尚未完成测序的重叠群（2kb）的序列新序列的增加速度很快cosmid/BAC/YACPhase0Phase1Phase2Phase3逐步克隆法clone-by-clonereliablebutslow,andthemappingstepcanbeespeciallytime-consuming鸟枪法shotgunpotentiallyveryfast,butitcanbeextremelydifficulttoputtogethersomanytinypiecesofsequenceallatonce.水稻基因组全基因组大小：430Mb；每个Reads读长450bp；故覆盖每个水稻基因组所需反应：100万；覆盖水稻基因组8X，需要800万反应；每个反应的测序成本为19元，800万反应总共需15200万人民币；人力费800万人民币。中国水稻基因组计划的经费预算（7）基因组数据库=genomeNCBI的另一个数据库测序完成和正在测序物种基因组序列、遗传图、物理图等序列收集在GenBank已经完成测序的基因组（截止2009年2月）GenomeProject——Statistics（8）dbSNP(DatabaseofSingleNucleotidePolymorphisms)单核苷酸多态性数据库=snpNCBI的数据库，创建于1998.9约每300bp有一个SNP数据种类SNPInsertion/deletion(Indel)Deletion/insertion/substitution(DIS)发现致病基因、进化分析…dbSNP主页输入关键词检索到的条目每一条目详细内容代码碱基MA或CRA或GWA或TSC或GYC或TKG或TVA、C或GHA、C或TDA、G或TBC、G或TNG、A、T或C标准碱基多意代码（9）EMBL(EuropeanMolecularBiologyLaboratory)NucleotideSequenceDatabaseEBI(EuropeanBioinformaticsInstitute)管理主要是欧洲国家产生的DNA和RNA序列序列数据文档格式与GenBank不同数据库主页输入关键词检索到的条目每一条目详细内容（10）DDBJ(DNADataBankofJapan)主要是日本产生的DNA和RNA序列数据库主页输入关键词检索到的条目每一条目详细内容发表文章要提供Accessionnumber（11）EPD(EukaryoticPromoterDatabase)由WeizmannInstituteofScienceinRehovot(Israel)开创4809条真核生物启动子序列（2009.2）人类基因组中的启动子大约19万个同一个基因具有多个启动子2、蛋白质数据库（1）SWISS-PROT由EBI和瑞士创办有详细注释的序列，数据来源于实验与44个数据库相互参照（cross-reference）数据库主页点击SRS在查询网页输入关键词检索到的条目（2）TrEMBL(TranslationofEMBL)EBI的数据库提交到EMBL核苷酸数据库中所有CDS的氨基酸序列SWISS-PROT和TrEMBL数据库合并UniProt(UniversalProteinResource)检索方法与检索SWISS-PROT相同查询结果和数据格式（3）PIR(ProteinInformationResource)由NationalBiomedicalResearchFoundation创办蛋白质家族分类蛋白质整合信息（4）PRF(ProteinResearchFoundation)由日本的ProteinResearchFoundation创办已发表在杂志上的蛋白质序