生物信息数据库(二)ppt课件.ppt
《生物信息数据库(二)ppt课件.ppt》由会员分享,可在线阅读,更多相关《生物信息数据库(二)ppt课件.ppt(51页珍藏版)》请在淘文阁 - 分享文档赚钱的网站上搜索。
1、 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) 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。年。 包括顺式调控位点、基因、转录因子、细胞来源、分类和包括顺式调控位点、基因、转录因子、细胞来源、分类和调控位点核苷酸分布调控位点核
2、苷酸分布6个子库。个子库。TransFac的网址的网址:http:/ 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负责维负责维护。护。 基于对蛋白质家族中同源序列多重序列比对得到的保守区基于对蛋白质家族中同源序列多重序列比对得到的保守区域,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。 数据库包括两个数据库文件:数据文件数据库包括两个数据库文件:数据文件Prosite;说明文件;说明文件PrositeDoc。Prosite的网址的网址:http:/cn.expasy.org/prosite/ 蛋白质二级结构构象参数数据库蛋白质二级结构
3、构象参数数据库 DSSP的网址的网址:http:/www.cmbi.kun.nl/gv/dssp/ 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/ 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/ 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(一)不同数据库的序列格式(一)不同数据库的序列格式
4、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格式目前计算机中用得最广泛的字符集及其编码,是由美国国家标准局(ANSI)制定的ASCII码(America
5、n Standard Code for Information Interchange,美国标准信息交换码),它已被国际标准化组织(ISO)定为国际标准,称为ISO 646标准。适用于所有拉丁文字字母,一个ASCll码由8位二进制数码组成的。其中,用于表达字符的二进制码有7个,最后一个用于检测错误,或空闲不用。 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
6、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.htmlLOCUS name of locus, length and type of sequence, classification of organism, data of entryDEFINITION desicription of entryACCESSION accession number of original
7、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_
8、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 indicati
9、ng 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.
10、 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
11、 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
12、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 organismR
13、N, 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 rang
14、e 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./
15、 symbol to indicate end of 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
16、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 coliMKALTARQQEVFDLIRDHISQTGMPPTRAEIAQRLGFRSP
17、NAAEEHLKALARKGVIEIVSGASRGIRLLQEEEEGLPLVGRVAAGEQLLAQQHIEGHYQVDPSLFKPNADFLLRVSGMSMKDIGIMDGDLLAVHKTQDVRNGQVVVARIDDEVTVKRLKKQGNKVELLPENSEFKPIVVDLRQQSFTIEGLAVGVIRNGDWL 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
18、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
19、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
20、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
21、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/A
22、SCII.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
23、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 sequenc
24、e of the lexA gene of Escherichia coli. #cross-references MUID:81186269 #contents lexA #accession A90808 #molecule_type DNA #RESIDUES 1-202 #label HORREFERENCEFig 2.13 Continued. COMMENTSGENETICS #gene lexA #map_position 92 minCLASSIFICATION #superfamily lexa repressorKEYWORDS AND binding, repressor
25、, 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 Inf
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 生物 信息 数据库 ppt 课件
限制150内