第四章生物信息学数据库(一)主要库及其文件格式

核酸序列数据的增长趋势 （纵轴代表总的核酸序列长度，单位：百万bp）
❖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 。
http://rgp.dna.affrc.go.jp/E/index.html 苜蓿属基因组数据库：http://www.noble.org/medicago 玉米基因组数据库 maizegdb： http://www.maizegdb.org 斑马鱼信息网 ZFIN(Zebrafish Information Network)：http://zfin.org （另可参看The Danio rerio Sequencing Project：
（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模式数据库的索引， 到生物大分子结构数据库PDB的索引等 。
生物信息学常用数据库种类
– 通用生物信息学数据库 – 特定（数据）数据库 – 特定（物种）数据库 – 各种通路数据库 – 结构（图形/图像）数据库 – ……
第一节 通用生物信息学数据库
国际上三大权威数据库
(1)美国生物技术信息中心（NCBI）的GenBank （http://www.ncbi.nlm.nih.gov/Genbank/）
NCBI
( National Center for Biotechnology Information) 美国生物技术信息中心
– http://www.ncbi.nlm.nih.gov/ – 全球最大的生物信息资源中心 – DNA 序列、蛋白质序列、出版物、数据挖掘工具等
▪美国的GenBank从 1979年开始建设， 1982年正式运行；
3、TrEMBL
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。
TrEMBL有两个部分： （1）SP-TrEMBL(SWISS-PROT TrEMBL)
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。
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，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。
• 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。
第二节 核酸序列数据库
1、基因组数据库（GDB）
The Genome Database
人类基因组计划所得到的图谱数据 2008年6月关闭
GDB包含对下述三种对象的描述：
（1）人类基因组区域
21 Mar 2003 37,943,364,438 bases in
24,353,128 records.
▪日本于1984年开始建立国家 级的核酸数据库DDBJ，并于 1987年正式服务。
NCBI、EBI和DDBJ之间的区别与联系
• 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 据库的响应结果一样。
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。
• 所有序列数据都经过整理，超过99%的序列已 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。
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；
UniGene( http://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。
(4)序列中相关的位点、功能区域。
2、SWISS-PROT
SWISS-PROT (http://cn.expasy.org/sprot ） 是由瑞士日内瓦大学医学生物化学系和欧洲生物信息学 研究所(EBI)合作维护（1986年） 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
3、 Ensembl (http://www.ensembl.org/）
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。 现在包括脊椎动物和其他 真核生物基因组，如大鼠、小鼠、线虫、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
http://www.tigr.org/tdb/e2k1/ath1
部分生物基因组计划网址
水稻基因组数据资源： 1、中国国际水稻基因组计划(IRGSP)：
http://www.ricegene.csdb.cn/12chr/database_irgsp.htm 2、中国水稻信息系统（RISe）：http://rice.genomics.org.cn 3、美国 http://rice.plantbiology.msu.edu 4、日本 RGP（Rice Genome Research Program）：
(2)欧洲分子生物学实验室(EMBL)( http://www.embl-heidelberg.de ) 的 nucleotide sequence database（http://www.ebi.ac.uk/embl/）
(3)日本遗传研究所的DDBJ （ http://www.ddbj.nig.ac.jp/ ）
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
http://plasmodb.org/plasmo 果蝇基因组数据库 FlyBase：http://flybase.org （另可参看BDGP：
http://www.fruitfly.org） 拟南芥信息资源 tair（The Arabidopsis Information Resource）：
http://www.arabidopsis.org （另可参看The TIGR Arabidopsis thaliana Database：
2、其他生物基因组数据库
大肠杆菌K12基因组数据库
酵母基因组数据库
线虫基因组数据库
果蝇基因组数据库
小鼠基因组数据库
玉米基因组数据库
部分生物基因组计划网址 大肠杆菌K12基因组数据库 ecogene：http://ecogene.org 白色念珠菌基因组数据库 CGD （Candida Genome Database）：
http://www.yeastgenome.org TIGR的真菌基因组数据库：http://www.tigr.org/tdb/fungal 线虫基因组数据库 WormBase（the C. elegans genome database）：
http://www.wormbase.org 四膜虫基因组数据库 TGD (Tetrahymena Genome Database): http://www.ciliate.org 疟原虫基因组数据库 PlasmoDB(Plasmodium Genome Resource)：
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
1、PIR（Protein Information Resource）
• 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。
http://www.candidagenome.org TIGR的微生物资源数据库 CMR：
http://cmr.jcvi.org/tigr-scripts/CMR/CmrHomePage.cgi 日本的微生物基因组数据库 MBGD：http://mbgd.genome.ad.jp 酵母基因组数据库 SGD（Saccharomyces Genome Database）：
http://www.sanger.ac.uk/Projects/D_rerio ） 小鼠基因组数据库 MGI (Mouse Genome Informatics )：
http://www.informatics.jax.org HIV 序列数据库 HIV Databases：http://www.hiv.lanl.gov/content/index
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。
DbEST (http://www.ncbi.nlm.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
Ensembl
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ห้องสมุดไป่ตู้0%。
▪ 欧洲分子生物学实验室 的EMBL数据库也于1982 年开始服务
EMBL (Germany)
EMBL-EBI (UK)
密 苏 里 植 物 园 主 页
EBI, Hinxton (Cambridge), UK 2004年2月22日摄
http://www.ebi.ac.uk/embl/
http://www.ebi.ac.uk/Databases/
第四章 生物信息学数据库
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
生物分子数据库几个明显的特征：
（1）数据库的更新速度不断加快 数据量呈指数增长趋势
（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