NCBI简介及序列编号说明

NCBI简介及序列编号说明
一：ncbi简介
ncbi的genbank与ddbj(dnadatabankofjapan)、embl的ebi数据库共同组成国际
dna数据库，每日都交换更新数据和信息，并主持两个国际年会－国际dna数据库咨询会
议和国际dna数据库协作会议，互相交换信息，因此三个库的数据实际上是相同的。

genbank存有源自于70,000多种生物的核苷酸序列。

每条纪录都存有编码区（cds）
特征的注解，还包括氨基酸的译者。

（就是美国国家生物技术信息中心(nationalcenterforbiotechnologyinformation，ncbi)创建的dna序列数据
库，从公共资源中获取序列数据，主要是科研人员直接提供或来源于大规模基因组测
序计划(benson等，1998)。

entrez是美国国家生物技术信息中心所提供的在线资源检索器。

该资源将genbank序列与其原始文献出处链接在一起。

entrez是由ncbi主持的一个
数据库检索系统。

它包括核酸，蛋白以及medline文摘数据库，在这三个数据库中建立了
非常完善的联系。

因此，可以从一个dna序列查询到蛋白产物以及相关文献，而且，每个
条目均有一个类邻（neighboring）信息，给出与查询条目接近的信息。

）
ddbj主要向研究者搜集dna序列信息并剥夺其数据读取号，信息来源主要就是日本的研究机构，亦拒绝接受其他国家递交国书的序列。

ebi的主要任务：⑴为科学界建立和维护生物学数据库，提供免费的数据和生物信息
服务，支持生物学数据的存储和挖掘，促进科技进步；⑵通过生物信息学的基础研究继续
推动生物学发展；⑶为各个层次的科学工作者提供生物信息学培训；⑷支持帮助边缘尖端
科技成果向工业界的转化；⑸协调欧洲生物数据的提供。

refseq就是ncbi数据库的参照序列。

refseq资料库就是ncbi将genbank的序列再
搞详尽整理的non-redundent序列资料库，它的序列格式和genbank几乎完全相同，但因
为就是全然相同的单一制资料库,为与genbank区别，refseq的accessionnumber格式和genbank相同。

二：常用序列编号
一般来说，mrna和基因组序列就是我们主要的找寻对象。

如果想要打听标准序列的话，mrna用nm_结尾的，基因组用nc_或者ac_结尾的。

1.mrna
nm_表示标准序列,为转录产物序列；成熟mrna转录本序列。

xm_则表示预测的蛋白编码序列；mrna源自基因组注解，序列相等于基因组重叠群。

大多数属预测的。

nr_则表示非编码的mRNA子序列，包含结构rnas，假基因转子等。

2.基因组
nc_完整的基因组分子序列，标记的类别包括基因组、染色体、细胞器、质粒。

ac_一
些可供选择的注释的基因组序列，主要用来标记病毒和原核生物。

三：accession编号
accession是ncbi序列数据中我们常用到编号（另一个是gi）。

accession形式为
cc_#####，其中cc为两个字母，其不同组合又可以区分为蛋白序列、核酸序列或基因组
序列，而#为位数不等的数字；accession后面又会加版本号，以cc_####.#形式表示，最
后的尾数递增表示序列信息较之前的版本有所修改。

这样accession+版本号就是一个唯一的表示，代表一个唯一的序列，而且这个编号不会改变。

1）ac_***：genomicmixed，一些可以供选择的注解的基因组序列，主要用以标记病
毒和原核生物；2）ap_***：proteinmixed，ac_标记序列对应的蛋白产物；
3）nc_***：genomicmixed，完整的基因组分子序列，标记的类别包括基因组、染色体、细胞器、质粒；4）ng_***：genomicmixed，不完整的基因组区域，提供ncbi基因组
注释途径。

比较有代表性有不转录的
假基因或者哪些很难自行化注解的基因组簇；
5）nm_***：mrnamixed，转录组产物序列；成熟mrna转录本序列；
6）np_***：proteinmixed，蛋白产物；主要就是全长mRNA氨基酸序列，但也存有一
些只有部分蛋白质的部分氨
基酸序列；
7）nr_***：rnamixed，非编码的mRNA子序列，包含结构rnas，假基因转子等；8）
nt_***：genomicautomated，bac或者鸟枪测序法的还未全然注解的测序序列；9）nw_***：genomicautomated，bac或者鸟枪法测序的还未全然注解的测序序列；
10）nz_abcd1234***：genomicautomated，收集的各种利用鸟枪法测序的测序计划，abcd代表的是计划
名称；
11）xm_***：mrnaautomated，转录产物；mrna来自基因组注释，序列相当于基因组
重叠群；12）xp_***：proteinautomated，蛋白产物；序列相当于基因组重叠群；
13）xr：rnaautomated，mRNA产物；非编码区源自基因组注解，序列相等于基因组重叠群；14）yp_***：proteinmixed，蛋白产物；不牵涉至mRNA组，主要用以标记细菌、
病毒和线粒体；15）zp_***：proteinautomated，蛋白产物；主要就是用电脑自动注解；16）ns_***：genomicautomated，未明生物分子基因组序列。

在前面介绍了一些常见序列的accession号，其实在ncbi中还有很多accession号，仅与rna相关的就有116种，这里各举一个例子供参考。

不同的编码代号代表不同的意思，如nm_开头的表示标准序列，xm_表示预测的蛋白编码序列，nr_表示非编码蛋白的mrna序列，af开头的表示克隆序列，bc开头的表示模板序列。

四：gi编号:
gi编号是ncbi网站的所有序列相关数据库的流水编号，其最有用的特征就是唯一性。

对于每一条递交给ncbi的序列，都会付给一个编号，而且这个编号对应的序列不可更改。

这个编号对应这个唯一的一条序列，类似与我们用的身份证号。

因此，利用gi在ncbi中
查询时，你只要把数据库（蛋白质/核苷酸）选对，只要输入这个号码就可以把相应的序
列调出来。

值得一提的是登录号（accessionnumber）。

每一个提交的序列，除了赢得一个gi号，还可以被剥夺一个登录号。

提交序列的作者利用登录号对序列展开修正和健全。

每一次修
正的序列可以赢得一个代莱gi号，登录号维持不变，但可以新增一个流水的版本号。

因此，gi号和带版本号的登录号都唯一定位到唯一条序列。

（locus发生在genbank中的locus行以及ddbj记录（embl的id行）就是genbank
中最初的识别器。

由于采用locus（或id）名称做为对核酸序列唯一识别器的困难，国际
核酸序列数据库合作者们（ddbj/embl/genbank）导入了序列号。

ncbi给每个记录剥夺一
个gi（geninfo）标识符。

这意味著译者产物蛋白质序列（不是直观附属于dna记录，如
同在genbank记录中表明的），也存有自己的gi号码。

一个特定的标识符当且仅当序列
修改时才修改。

nid行是核苷酸序列的gi号码（geninfoidentifier）后缀字母（d，e或g）说明就是哪一个数据库分解成了这个号码，或这一号码用作哪个数据库。

因为ncbi首
先采用了这个号码，所以ddbj和embl用ncbi（genbank）选定的号码去充填他们的数据库。

直观地说道，一个gi号码对应于一个核酸序列（蛋白质序列也存有gi号码）。

当序
列改变时，gi号码也发生改变，但检索号码维持不变。

在形式上，它只是直观的整数（所以有时被称作gi号）。

它只是一些特定序列的识别器。

假设一个序列重新加入genbank，取值序列号u00001。

当该序列在ncbi所内部处置时，它重新加入所谓的id数据库。

id
证实以前从未见过u00001，就给它一个gi号54。

当递交器通过发生改变原文修正记录时，u00001又重新加入id。

id看见该记录发生过，恢复正常原先的u00001和崭新记录展开比较，如果完全相同，则给该记录gi号54；如果不相同，即使只有一对碱基相同，则给崭
新gi号88。

然而因为原数据库的意义，崭新序列仍维持序列号u00001。

这时id标识旧
有记录（gi54）的替代时间，并将它重新加入历史命令它被gi88的记录替代。

id也重新
加入历史gi88表示它替代了gi54。

序列号就是对locus/id号的改良，但实际采用中，问题和严重不足就是似乎的。

比如，当序列对于时间就是平衡时，许多使用者辨认出用相同
的序列号为丛藓科扭口藓透出的序列并不总是相同的。

这是因为序列号标明了整个数据库
的记录，一旦记录被修正了（或者说从已经开始部分填入了1000bp）的时候，序列号维持不变（只是相同记录的改良版）。

如果我们分析初始序列和记录序列u00001的第100个
边线假设就是与蛋白质有关的位点，升级后一个全然相同的序列将在第100个边线上。

所以，在genebank中的locus行及就相等于ddbj2或embl中的id行，id号就是永恒不变的，而gi号码在序列改变时则可以被指派代莱gi号码，适当地其多肽段的gi号码也可以适当地出现发生改变。

）。