分子生物信息数据库N.ppt

《分子生物信息数据库N.ppt》由会员分享，可在线阅读，更多相关《分子生物信息数据库N.ppt（65页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第二章第二章 分子生物信息数据库分子生物信息数据库1一、分子生物信息数据库简介（一）诞生背景（一）诞生背景生物分子数据生物分子数据高速增长高速增长 分子生物学分子生物学及相关领域研究人员及相关领域研究人员迅速获得最新实验数据迅速获得最新实验数据 建立分子生物数据库建立分子生物数据库 2v分子生物数据库应满足几个方面的分子生物数据库应满足几个方面的主要需求：主要需求：v（1 1）时间性）时间性v（2 2）注释）注释 v（3 3）数据质量）数据质量 v（4 4）集成性）集成性 3分子生物数据库具有几个明显的特征：分子生物数据库具有几个明显的特征：（1）数据库的更新速度不断加快）数据库的更新速度不断

2、加快 数据量呈指数增长趋势数据量呈指数增长趋势（2）数据库使用频率增长更快）数据库使用频率增长更快（3）数据库的复杂程度不断增加）数据库的复杂程度不断增加 SWISS-PROT（4）数据库网络化）数据库网络化（5）面向应用）面向应用（6）先进的软硬件配置）先进的软硬件配置4生生物物信信息息 学学数数据据库库 工工具具 染色体染色体核酸核酸蛋白质蛋白质基因组图谱基因组图谱DNA序列序列蛋白质序列蛋白质序列蛋白质结构蛋白质结构基因组基因组数据库数据库核酸序列核酸序列数据库数据库蛋白质序列蛋白质序列数据库数据库蛋白质结构蛋白质结构数据库数据库二二级级数数据据库库 复复合合数数据据库库基因组作图基因组

3、作图序列测定序列测定结构测定结构测定（二）、分子生物信息数据库种类（二）、分子生物信息数据库种类 5v生物信息数据库生物信息数据库 一级数据库一级数据库v数据库中的数据直接来源于实验获得的原始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数据，只经过简单的归类整理和注释 二级数据库二级数据库v对原始生物分子数据进行整理、分类的结果，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础上针对特定的应用目标而建立的 。6二、一级数据库简介二、一级数据库简介7（一）、基因组数据库（

4、一）、基因组数据库来源于人类基因组计划及各种模式生物基因组计划来源于人类基因组计划及各种模式生物基因组计划来源于人类基因组计划及各种模式生物基因组计划来源于人类基因组计划及各种模式生物基因组计划19771977年，最早获得的生物基因组全序列是噬菌体年，最早获得的生物基因组全序列是噬菌体年，最早获得的生物基因组全序列是噬菌体年，最早获得的生物基因组全序列是噬菌体(53kb)(53kb)891011 GDB（美国、加拿大）美国、加拿大）1990年，年，John Hopkins大学建立，后由加拿大儿童医院生物信息中大学建立，后由加拿大儿童医院生物信息中心管理心管理.数据内容：数据内容：数据内容：数据

5、内容：（1）包括细胞遗传学标记、易碎位点、）包括细胞遗传学标记、易碎位点、EST、contigs、重复片段、重复片段等；等；（2）包含细胞遗传学图谱、连锁图谱、转录图谱，所有这些图谱都）包含细胞遗传学图谱、连锁图谱、转录图谱，所有这些图谱都可以被直观地显示出来；可以被直观地显示出来；（3）包括基因突变和基因多态性等数据；）包括基因突变和基因多态性等数据；（4）与其它分子生物信息网络资源（）与其它分子生物信息网络资源（EMBL、GenBank）的链接。的链接。http:/www.gdb.org 1213 AceDB 线虫基因组数据库。既是一个数据库，又是一个数据库管理系统。线虫基因组数据库。既是

6、一个数据库，又是一个数据库管理系统。提供很好的图形界面，用户能够从大到整个基因组、小到单个序列提供很好的图形界面，用户能够从大到整个基因组、小到单个序列 的各个层次观察和分析基因组数据。的各个层次观察和分析基因组数据。http:/数据内容：数据内容：数据内容：数据内容：限制性图谱，基因结构信息，质粒图谱，序列数据，参考文献限制性图谱，基因结构信息，质粒图谱，序列数据，参考文献1415（二）、序列数据库（二）、序列数据库1.原始序列数据原始序列数据(sequence data)2.描述这些数据生物学信息的注释描述这些数据生物学信息的注释(annotation)161、核酸序列数据库、核酸序列数据

7、库（1）欧洲分子生物学实验室的EMBL（European Molecular Biology Laboratory）（2）美国生物技术信息中心（National Center for Biotechnology Information）的GenBank http:/（3）日本遗传研究所的DDBJ（DNA Data Base of Japan）http:/17 三个数据库中的数据基本一致，仅在数据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，三个数格式上有所差别，对于特定的查询，三个数据库的响应结果一样。据库的响应结果一样。GenBankDDBJEMBL18192、EMBL

8、和和GenBank数据库格式数据库格式序列条目由两部分组成：序列条目由两部分组成：1.核苷酸碱基排列顺序核苷酸碱基排列顺序(sequence data)2.注释注释(annotation)20“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

9、解；“RX”、“DR”行描述交叉引用信息；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）21EMBL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与序列相关的关键词与序列相关的关键词OSSOURCE序列来源

10、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

11、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223、蛋白质序列数据库、蛋白质序列数据库 PIRPIR(美国美国)SWISSSWISSPROTPROT(欧洲欧洲)23 PIR(protein information resou

12、rce)(protein information resource)1.1984年年“蛋蛋白白质质信信息息资资源源”（protein protein information information resourceresource，PIRPIR)计计划启动划启动；2.1988年，美国生物医学基金会年，美国生物医学基金会NBRF、日本的国际蛋白质信息数据库、日本的国际蛋白质信息数据库和德国的慕尼黑蛋白质序列信息中心合作成立了国际蛋白质信息中心和德国的慕尼黑蛋白质序列信息中心合作成立了国际蛋白质信息中心(PIR-International)，共同收集和维护蛋白质序列数据库，共同收集和维护蛋白质序列

13、数据库PIR；网址：网址：http:/www-/2425目的：目的：帮助研究者鉴别和解释蛋白质序列信息，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。研究分子进化、功能基因组。它是一个全面的、经过注释的、非冗余的蛋白它是一个全面的、经过注释的、非冗余的蛋白质序列数据库。质序列数据库。所有序列数据都经过整理，超过所有序列数据都经过整理，超过99%的序列已的序列已按蛋白质家族分类，一半以上还按蛋白质超家按蛋白质家族分类，一半以上还按蛋白质超家族进行了分类。族进行了分类。PIRPIR（Protein Information ResourceProtein Information Re

14、source）26除了蛋白质序列数据之外，除了蛋白质序列数据之外，PIR还包含以下还包含以下信息：信息：(1)蛋白质名称、蛋白质的分类、蛋白质的来源；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；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；表达、翻译后处理、活化等；27PIR提供检索服务的类型: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。282、SWISS-PROT 1.1986年，瑞士日内瓦大学建立；2.瑞士生物信息

15、学研究所(Swiss Institute of Bioinformatics，SIB)和欧洲生物信息学研究所(EBI)维护和管理；3.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的网址：的网址：http:/2930SWISS-PROT中的数据来源于：（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有三个明显三个明显的特点：31在SWISS-PROT中，数据分为核心数据和注释两大类。核心数据包括：核心数据包括：序列数据、参考文献、分类信息

16、（蛋白质生物来源的描述）（1）注释注释32Identification，序列的标识符行；Accession number，登录号行；Description，序列描述行；Organism species，描述生物体种属；Organnism classification，描述生物体分类信息；Reference number，描述参考文献的编号；Reference authors，描述参考文献的作者；Reference title，描述 参考文献的题目；Reference location，描述参考文献的出处；Gene name，基因名称；Date，创建和更新日期行；Reference positi

17、on，参考文献涉及内容；Cross-references，参考文献的MEDLINE号；3334注释包括：注释包括：（A)蛋白质的功能描述；(B)特殊位点和区域，如钙结合区域、ATP结合位点等；(C)与其它蛋白质序列的相似性；(D)序列残缺与疾病的关系；35（2）最小冗余）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）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，到生物大分子结构数据库PDB的索引

18、等。3637（三）、（三）、结构数据库结构数据库381、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蛋白质和核酸复合物 http:/对于每一个结构，包含名称、参考文献、序列、一级结构、对于每一个结构，包含名称、参考文献、序列、一级结构、二级结构和原子坐标等信息。二级结构和原子坐标等信息。3940一种是显式序列信息（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。41一种是隐式序列信息(implicit sequence

19、)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。42显示分子结构（显示分子结构（RasMol RasMol，ChemView ChemView）432、蛋白质结构分类数据库、蛋白质结构分类数据库lSCOP(Structural Classification of Proteins)44 SCOPSCOP（Structural Classification of ProteinStructural Classification of Protein）英英国国医医学学研研究究委委员员会会分分子子生生物物学学实实验验室室和和蛋蛋白白质质工工程程中中心心开开发发的的基基于于we

20、b的蛋白质结构数据库分类、检索和分析系统；的蛋白质结构数据库分类、检索和分析系统；SCOP的网址的网址：/45/4647二级数据库简介二级数据库简介48 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）491 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

21、二级数据库、基因组信息二级数据库TransFacTransFac(真核生物基因调控转录因子数据库真核生物基因调控转录因子数据库真核生物基因调控转录因子数据库真核生物基因调控转录因子数据库)德德国国生生物物工工程程研研究究所所开开发发维维护护，始始建建于于1988年年。是是真真核核基基因因顺顺式式调调控控元元件件和和反反式式作作用用因因子子数数据据库库，数数据据搜搜集集的的对对象象从从酵母到人类。酵母到人类。TransFac的网址的网址：http:/50512 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

22、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。构建依据：通过多序列比对方法，得到的保守性区域，如构建依据：通过多序列比对方法，得到的保守性区域，如酶的催化位点、配体结合位点、与金属离子结合的残基。酶的催化位点、配体结合位点、与金属离子结合的残基。蛋白质序列功能位点数据库。蛋白质序列功能位点数据库。（http:/）5253DSSP（/）对生物大分子数据库PDB中的任何一个蛋白质，根据其PDB中的原子坐标，计算氨基酸残基的二级结构构象参数。3 3、蛋白质结

23、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54The DSSP codeH=alpha helix B=residue in isolated beta-bridge E=extended strand,participates in beta ladder G=3-helix(3/10 helix)I=5 helix(pi helix)T=hydrogen bonded turn S=bend 对研究蛋白质序列与蛋白质二级结构及空间对研究蛋白质序列与蛋白质二级结构及空间结构的关系非常有用。结构的关系非常有用。DSSP 二级结构实例二级结构实例55同源蛋白质

24、数据库同源蛋白质数据库HSSPHSSP(/）数据来源于PDB，或来源于SWISS-PROT 对于PDB中的每一个蛋白质，HSSP将与其同源的所有蛋白质序列进行对比，从而将相似序列的蛋白质聚集成结构同源的家族。HSSP有助于分析蛋白质的保守区域，研究蛋白质的进化关系，有助于蛋白质的分子设计。56三三 其它生物分子数据库其它生物分子数据库57基因组水平上由单个核苷酸的变异引起的DNA序列的多态性单核苷酸多态性SNPs（Single nucleotide polymorphisms）SNPs对人类遗传学研究和医学应用具有重要的意义无论对于人类种群遗传学的研究，还是对疾病易感性状分析或个体化医疗，都需

25、要深入地研究SNPs。1、单单核苷酸核苷酸多态性数据库多态性数据库dbSNPdbSNPhttp:/SNP/NCBI与人类基因组研究所（National Human Genome Research Institute）合作建立的，它是关于单碱基替换以及短插入、删除多态性的资源库。5859实例：GTTTGTGATT ACTTTGTAAA AACAGTGTAA TAAGTACTCA CTAAAGGAAA TTTAGAAAAT GATAAGCTTA Aggccgggca tggtgcctca tgcctgtaat cctagcactt tgggaggctg aggtgggtgg atcacctgag

26、ctcaggagtt ccagatcatc ctggacaata tggtgaaacc ctgtctacgc ttaaaatacg R aaattagccg ggcgtggtgg ggcatgcctg tggtctcagc tactttggag actaaggtag aaggatcact tgaatcctgg aggtggaggt tgcagagtga gccaatatcg tgccactgca ctccagccta ggtgacagag gaagactctg tctcaaaaaa aagaaaaTAA GGCCAGACAC GGGGGCTCAT GCTTGTAATC R=A/G 602、生物、医学文献数据库PubMedPubMed是NCBI维护的生物学、医学文献引用数据库，提供对MEDLINE（生物医学文献数据库）等文献数据库的引用查询和对大量网络科学类电子期刊的链接。利用Entrez系统可以对PubMed进行方便的查询检索。（）（）61623、目录数据库DBCatDBCat是生物信息数据库的目录数据库，它收集了500多个生物信息学数据库的信息，并根据它们的应用领域进行了分类：DNARNA蛋白质基因组图谱蛋白质结构文献著作等基本类型，（）（）63DBCat中各类数据库个数中各类数据库个数 6465