第八章 生物信息学资源检索

国际核酸序列数据库协作体
DDBJ
INSDC EMBL
GenBank
12
（一）GenBank概述
GenBank的数据来源于约260000个物种，每月新增 1700多个物种。大约12%的序列来自于人类，其中 8%是人类的EST序列。 每条GenBank数据记录包含对序列的简要描述、它的科 学命名、物种分类名称、参考文献、序列特征表以及序列 本身。 序列特征表里包含对序列生物学特征注释，如编码区、转 录单元、重复区域、突变位点或修饰位点等。 所有数据记录被划分成若干个子库，如细菌类（BCT）、 病毒类（VRL）、灵长类（PRI）、啮齿类（ROD）以 及EST数据、基因组序列数据（GSS）、高通量基因组 序列数据（HTG）等19类，其中EST数据等又被分成若 干子库。
（三）通过生物信息学中心资源导航查询
一些著名的生物信息学中心不仅自己建立和维护大量 的生物信息数据库，而且一般在网上提供资源导航。
第二节 核酸序列数据库
一
GenBank
二
EMBL-Bank
三
DDBJ
9
一、GenBank
（一） GenBank概述
（二） GenBank检索
10
（一）GenBank概述 是由美国国家生物技术信息中心(NCBI)管 理和维护大型、综合性的公共核酸序列数据 库，包括所有已知的核酸序列和蛋白质序列， 以及与它们相关的文献和生物学注释。 网址： /Gen bank/index.html
（三）TrEMBL
创建于1996年，意即“Translation of EMBL”，是计 算机翻译并注释的蛋白质序列数据库，收录的序列是从 EMBL中的cDNA序列翻译得到的。记录采用SWISSPROT数据库格式。 TrEMBL分为两个部分：SP-TrEMBL和REM-TrEMBL。 SP-TrEMBL的条目已经专家分类并且给予SWISSPROT存取号，但尚未通过人工审查，最终将收入 SWISS-PROT。 REM-TrEMBL包含其他剩余序列，主要是免疫球蛋白、 T细胞受体、少于8个氨基酸碱基的多肽、人工合成序列、 专利序列等。 /trembl/
PIR主页
（二）SWISS-PROT
创建于1986年 由瑞士生物信息学研究所（Swiss Institute of Bioinformatics，SIB）和欧洲生物信息研究所（EBI） 共同维护和管理。 1994年，SIB创建蛋白质专家分析系统(Expert Protein Analysis System，ExPASy) (http://www.expasy.Ch)，除了开发、维护和管理 SWISS-PROT数据库外，还提供蛋白质序列、结构、 功能和蛋白质2D-PAGE图谱等蛋白质信息资源 到2009年10月，SWISS-PROT（57.11版）收录了 512994条序列，包含180531504个氨基酸。 网址：/sprot/
二、 EMBL-Bank
（一）EMBLBank概述
（二）EMBLBank检索
20
（一）EMBL-Bank概述 EMBLBank(/embl/)是 国际三大核酸序列数据库之一，创建于1982年。 现由欧洲生物信息学研究所(EBI)管理和维护， 主要收集欧洲产生的核酸序列数据。 到2009年8月，EMBL-Bank（101版）的核 酸序列达到163656234条，碱基数达到 283748816763个。 对于每条核酸序列，相关信息包括序列名称、序 列、染色体定位、关键字、来源生物体、参考文 献、注释、序列中具有重要生物学意义的位点等。
（四）GenPept 由GenBank中的cDNA序列翻译得到的蛋白质 序列数据库。 网址： ftp:///genbank/gen pept/）
Байду номын сангаас
（五）UniProt
将PIR 、SWISS-PROT和TrEMBL3个蛋白质数据库 统一起来组建而成，包含3个部分： （1）UniProt Knowledgebase（UniProtKB），这是 蛋白质序列、功能、分类、交叉引用等蛋白质知识库， 记录经过人工筛选和注释； （2）UniRef （UniProt Non-redundant Reference） 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；目前，根据序列相似程度形成3个 子库，即UniRef100、UniRef90和UniRef50； （3）UniParc（UniProt Archive），是UniProt存档库， 收录所有蛋白质序列。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。 网址：/
6
（二）生物信息数据的存贮
存贮格式
1．记录格式 主要有： EMBL格式、 GenBank格式
2．序列格式 又称Pearson 格式
7
三、生物信息学数据库的查找 （一）通过搜索引擎查找 （二）通过专门的生物信息学数据库目录查询
从2000年开始，《Nucleic Acids Research 》设立了 一个数据库目录 （/nar/database/c/）。
第八章 生物信息学资源检索
胡德华
目录
1
2 3
第一节 生物信息学数据库概述
第二节 核酸序列数据库
第三节 蛋白质数据库
4
5
第四节 基因组数据库
第五节 疾病基因数据库
2
第一节 生物信息学数据库概述
一 生物信息学数据库的类型
二
生物信息数据收集与存贮
三
生物信息学数据库的查找
3
一、生物信息学数据库的类型
按收录信息内容分
（二）DDBJ检索 通过getentry、ARSA、SRS、TXSearch、 BLAST、PSI-BLAST、FASTA、SSEARCH 等检索工具可以获取DDBJ数据。 前四种用于检索DDBJ数据库中的原始数据，其 中getentry属于存取号检索，SRS和ARSA属 于关键词检索，TXSearch属于分类检索； 后4种对用户提供的序列或片断作同源性分析。
（2）点击“GO”，得到各个数据库的检索结果。
（3）点击“Nucleotide: Core subset of nucleotide sequence records”，得到 GenBank核酸序列数据库中的4801条记录简要格式（Summary）。
(4）点击记录的标题，即可获取该记录的详细信息。
UniProt主页
（六）OWL 1994年由英国里兹（Leeds）大学和 Warrington的Daresbury国家实验室合作创 建并维护的一个复合型数据库。 数据来源于SWISS-PROT、PIR、GenPept、 SWISS-PROT、PDB、NRL3D等数据库，去 重后整合而成的非冗余蛋白质序列数据库。 网址： / dbbrowser/OWL/index.php
（1）Quick Search(快速查询)
（2）Standard Query(标准查询)
（3）Extended Query(扩展查询)
标准查询后的结果
CS116935的详细信息
三、DDBJ
（一）DDBJ 概述
（二）DDBJ 检索
29
（一）DDBJ概述
DDBJ (DNA Data Bank of Japan，日本核酸数据 库，http://www.ddbj.nig.ac.jp/index-e.html) 创建于1986年，现由日本国家遗传学研究所的生物信息 中心（CIB/DDBJ）管理和维护。 截止至2009年9月，DDBJ（79版）共收录 108,593,519条序列, 106,684,379,504个碱基。 DDBJ 主页除了提供SRS、ARSA、TXSearch 、 BLAST等数据检索功能外，还提供SAKURA、MSS、 Sequin数据提交工具和CLUSTAL W、FASTA、 BLAST等数据分析工具。
突变数据库 图谱数据库
文献数据库
类型
结构数据库
序列数据库
4
二、生物信息数据收集与存贮
生物信息数据 收集与存贮
（一）生物信 息数据的收集
（二）生物信 息数据的存贮
5
（一）生物信息数据的收集
数据库与数据库合作
4．数据交换
数据库与测序中心合作
3．成批发送
数据库与期刊合作
2．直接发送
建库的初期
1．人工收集
SRS查询方法 通过EBI的SRS服务器 （）进入Quick Search界面。 点击“Library Page”，即数据库选择页。 选择好要检索的数据库后，SRS提供三种查询 方式。 （1）Quick Search (快速查询) （2）Standard Query(标准查询) （3）Extended Query(扩展查询)
第三节 蛋白质数据库
一 蛋白质序列数据库
二
蛋白质结构数据库
三
蛋白质功能数据库
32
一、蛋白质序列数据库
（四）GenPept
（三）TrEMBL
（五）UniProt
（二）SWISS-PROT
（六）OWL
（一）PIR
33
（一）PIR
创建于1984年。 1988年，美国NBRF、日本国际蛋白质信息数据库（Japan International Protein Information Database, JIPID）与 德国的慕尼黑蛋白质序列信息中心（Munich Information Center for Protein Sequences, MIPS）合作成立国际蛋白质 序列信息中心（PIR-International）。 第75.03版的PIR数据库按照数据的性质和注释详略分成四个子库： PIR1、PIR2、PIR3和PIR4。 PIR1中的序列已经验证，注释最为详尽； PIR2中包含尚未确定的冗余序列； PIR3中的序列尚未加检验，也未加注释； PIR4包括其他渠道获得的序列，既未验证，也无注释。 网址：/