生物分子数据库管理知识.ppt

《生物分子数据库管理知识.ppt》由会员分享，可在线阅读，更多相关《生物分子数据库管理知识.ppt（107页珍藏版）》请在金锄头文库上搜索。

1、第四章 生物分子数据库,主讲人：孙 啸 制作人：刘志华,东南大学 吴健雄实验室,第一节 引言,生物分子数据 高速增长,分子生物学 及相关领域研究人员 迅速获得最新实验数据,建立生物分子数据库,生物分子数据库应满足5个方面的主要需求 （1）时间性 （2）注释 （3）支撑数据 （4）数据质量 （5）集成性,生物分子数据库 一级数据库 数据库中的数据直接来源于实验获得的原始数据，只经过简单的归类整理和注释 二级数据库 对原始生物分子数据进行整理、分类的结果，是在一级数据库、实验数据和理论分析的基础上针对特定的应用目标而建立的 。,生物分子数据库几个明显的特征：,（1）数据库的更新速度不断加快 数据量

2、呈指数增长趋势 （2）数据库使用频率增长更快 （3）数据库的复杂程度不断增加 （4）数据库网络化 （5）面向应用 （6）先进的软硬件配置,第二节 核酸序列数据库,国际上权威的核酸序列数据库 （1）欧洲分子生物学实验室的EMBL http:/www.embl-heidelberg.de （2）美国生物技术信息中心的GenBank http:/www.ncbi.nlm.nih.gov/Web/Genbank/index.html （3）日本遗传研究所的DDBJ http:/www.ddbj.nig.ac.jp/,三个数据库中的数据基本一致，仅在数据格式上有所差别，对于特定的查询，三个数据库的响应结

3、果一样。 这三个数据库是综合性的DNA和RNA序列数据库，每条记录代表一个单独、连续、附有注释的DNA或RNA片段。 以下着重介绍EBML,“ID”为序列的标识符行，包括登录号、类型，分子的长度,“AC”为登录号行； “XX”为分隔符号行； “DT”为创建和更新日期行,“DE”为序列描述行； “KW”为关键字行； “OG”行描述细胞组织； “OS”行描述生物体种属； “OC”行描述生物体分类信息； “RN”描述参考文献的编号； “RP”描述参考文献的页码； “RA”描述参考文献的作者； “RT”描述参考文献的题目； “RL”描述参考文献的出处； “RC”描述参考文献的注解； “RX”、“DR”

4、行描述交叉引用信息； “FH” 为特征开始符号； “FT”为特征表行 （1）Feature Key，它是描述域生物功能的关键字； （2）Location，指明特征在序列中的特定位置； （3）Qualifiers，描述关于一个特征的辅助信息；,文件体由序列本身所组成，由“SQ”标志的行开始。 序列结束的标记是“/”。,EMBL核酸数据库中的每一个序列数据被赋予一个登录号，它是一个永久性的唯一标识,EMBL的序列数据用外在的ASCII文本文件来表示， 而每一个文件分为文件头和文件体两大部分,文件头由一系列的信息描述行所组成， 文件头实际上对应于一个序列的注释（annotation）,提交数据,（1

5、）编辑电子表格,（2）利用Authorin程序,（3）利用基于WWW网络环境的序列提交系统,使用EMBL,（1）CD-ROM形式,（2）ftp服务器,（3）Gopher服务器,（4）WWW服务器,这是目前最常用的一种形式,EMBL提供一些与序列相关的检索操作（基于3W服务器）,（1）序列查询,最简单的查询就是通过序列的登录号（如X58929） 或序列名称（如SCARGC）直接查询。,如果找到所查询的序列，则服务器将查询结果以HTML文件返回给用户 如果数据库中该序列有到MEDLINE的交叉索引，则系统同时返回与包含参考文献摘要等信息的MEDLINE链接 如果该序列有到其它数据库的交叉索引，也返

6、回相应的链接,例如: 登录号为J00231的核酸序列具有这样一个交叉索引行：,DR SWISS-PROT：P01860；GC3_HUMAN,（2）核酸同源性搜索,3W服务器支持用户使用FastA程序进行核酸同源搜索。 FastA根据给定的目标序列在数据库中搜索其同源序列。,2、基因组数据库（GDB）,人类基因组计划所得到的图谱数据,目前GDB包含对下述三种对象的描述：,（1）人类基因组区域 包括基因、克隆、PCR标记物、断点、细胞遗传学标记、易碎位点、 EST、综合区域、contigs、重复等；,（2）人类基因组图谱， 包含细胞遗传学图谱、连接图谱、辐射混合图谱、contig 图谱、集成图谱，

7、所有这些图谱都可以被直观地显示出来；,（3）人类基因组中的变化， 包括基因突变和基因多态性，加上等位基因频率数据。,与染色体相关的信息,其它模式生物基因组数据库 如：鼠基因组数据库 MGD （http:/www.informatics.jax.org/） 酵母基因组数据库 SGD （http:/genome-www.stanford.edu/Saccharomyces/）,Ensembl (http:/www.ensembl.org/）,3、人类基因组数据库Ensembl,Ensembl包括所有公开的人类基因组DNA序列，通过注释形成的关于序列的特征。 现在包括其他基因组，如大鼠、小鼠、线虫、

8、果蝇等。 例如：基因 通过实验发现的 或者是通过GenScan程序预测的 其他的特征： 单核苷酸多态性（SNP）、重复序列等,Ensembl 数据库结构图,Ensembl提供多种查询方式 通过关键字查询 用BLAST进行相似序列的搜索 另一种更直观的方式是显示各染色体 用户可以在染色体水平上选择感兴趣的位点， 逐层放大 浏览整个基因组,人的第9号染色体及大鼠对应的染色体片段,4、表达序列标记数据库dbEST,EST（Expressed Sequence Tags）方法已被证明是识别转录序列的最有效方法 ，EST序列大约覆盖了人类基因的90%。,DbEST (http:/www.ncbi.nlm

9、.nih.gov/dbEST/） 是GenBank的一个部分，该数据库包括不同生物的EST序列 数据及其它相关信息，主要是从大量不同组织和器官得到的短 mRNA片段。,WEB页面或email,FTP,有关EST的数据,dbEST数据库,5、序列标记位点数据库dbSTS,STS（Sequence Tagged Sites）是序列标记位点 dbSTS（http:/www.ncbi.nlm.nih.gov/dbSTS/） 是NCBI的一个数据源，包含基因组短标记序列（STS） 的组成和定位信息。 可以通过BLAST搜索STS序列。,6、面向基因聚类数据库UniGene,UniGene( http:/

10、www.ncbi.nlm.nih.gov/UniGene/) 数据库将GenBank中的序列进行自动分类，形成 面向基因群的非冗余集合。,每个UniGene群包含: 代表一个唯一基因的多个序列，附有该基因相关的信息， 如基因表达的组织类型、定位图谱 除了基因的序列之外，还包括大量的EST序列。,目前，UniGene中包括人类、大鼠、小鼠、牛的相关数据， 因为这些生物有大量的EST数据。,第三节 蛋白质序列数据库,目的： 帮助研究者鉴别和解释蛋白质序列信息， 研究分子进化、功能基因组。 它是一个全面的、经过注释的、非冗余的蛋白质序列数据库。 所有序列数据都经过整理，超过99%的序列已按蛋白质家族

11、分类，一半以上还按蛋白质超家族进行了分类。,1、PIR（Protein Information Resource）,除了蛋白质序列数据之外，PIR还包含以下信息： (1)蛋白质名称、蛋白质的分类、蛋白质的来源； (2)关于原始数据的参考文献； (3)蛋白质功能和蛋白质的一般特征，包括基因表达、翻译后处理、活化等； (4)序列中相关的位点、功能区域。,PIR提供三种类型的检索服务: 一是基于文本的交互式查询， 用户通过关键字进行数据查询。 二是标准的序列相似性搜索， 包括BLAST、FastA等。 三是结合序列相似性、注释信息 和蛋白质家族信息的高级搜索， 包括按注释分类的相似性搜索、 结构域搜

12、索等。,三个子数据库,2、SWISS-PROT,SWISS-PROT (http:/www.expasy.ch/sprot/sprot-top.html） 是目前国际上比较权威的蛋白质序列数据库,其中的蛋白 质序列是经过注释的,SWISS-PROT中的数据来源于不同源地： （1）从核酸数据库经过翻译推导而来； （2）从蛋白质数据库PIR挑选出合适的数据； （3）从科学文献中摘录； （4）研究人员直接提交的蛋白质序列数据,SWISS-PROT有三个明显的特点 ：,（1）注释 在SWISS-PROT中，数据分为核心数据和注释两大类。 核心数据包括： 序列数据、参考文献、分类信息（蛋白质生物来源的描

13、述） 注释包括： （A)蛋白质的功能描述； (B)翻译后修饰； (C)域和功能位点，如钙结合区域、ATP结合位点等； (D)蛋白质的二级结构； (E)蛋白质的四级结构，如同构二聚体、异构三聚体等； (F)与其它蛋白质的相似性； (G)由于缺乏该蛋白质而引起的疾病； (H)序列的矛盾、变化等。,（2）最小冗余,尽量将相关的数据归并，降低数据库的冗余程度。 如果不同来源的原始数据有矛盾，则在相应序列特征表中加以注释。,（3）与其它数据库的连接,对于每一个登录项，有许多指向其它数据库相关数据的指针，这便于用户迅速得到相关的信息。,现有的交叉索引有： 到EMBL核酸序列数据库的索引， 到PROSITE

14、模式数据库的索引， 到生物大分子结构数据库PDB的索引等 。,提交序列数据 （a）编辑电子表格 （b) 利用Authorin程序 （c）WWW服务器 使用SWISS-PROT （a）CD-ROM形式 （b）ftp服务器 （c）Gopher服务器 （d）WWW服务器（SRS） 与序列相关的操作 （a）序列查询 （b）搜索同源蛋白质序列,TrEMBL (http:/www.ebi.ac.uk/trembl/index.html) 是与SWISS-PROT相关的一个数据库。 包含从EMBL核酸数据库中根据编码序列(CDS)翻译而得到的蛋白质序列，并且这些序列尚未集成到SWISS-PROT数据库中。

15、TrEMBL有两个部分： （1）SP-TrEMBL(SWISS-PROT TrEMBL) 包含最终将要集成到SWISS-PROT的数据，所有的SP-TrEMBL 序列都已被赋予SWISS-PROT的 登录号。 （2）REM-TrEMBL(REMaining TrEMBL) 包括所有不准备放入SWISS-PROT的数据，因此这部分数据都没有登录号。,3、TrEMBL,包括： Swiss-Prot TrEMBL PIR 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。,4、蛋白质数据仓库UniProt,UniProt包含3个部分： （1）UniProt

16、 Knowledgebase（UniProt） 蛋白质序列、功能、分类、交叉引用等信息存取中心 （2）UniProt Non-redundant Reference（UniRef）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； （3）UniProt Archive（UniParc） 资源库，记录所有蛋白质序列的历史。,第四节 生物大分子结构数据库,1、PDB（Protein Data Bank） PDB中含有通过实验（X射线晶体衍射，核磁共振NMR）测定的生物大分子的三维结构 蛋白质 核酸 糖类 其它复合物,一种是显式序列信息（explicit sequence） 在PDB文件中，以关键字SEQRES作为显式序列标记，以该关键字打头的每一行都是关于序列的信息。 一种是隐式序列信息(implicit sequence) PDB的隐式序列即为立体化学数据，包括每个原子的名称和原子的三维坐标。,HEADER HYDROLASE 19-FEB-97 1ADZ