Uniprot蛋白數(shù)據(jù)庫(kù)專(zhuān)題知識(shí)講座

1、Uniprot蛋白數(shù)據(jù)庫(kù)第1頁(yè)之前，世界上最廣泛使用蛋白數(shù)據(jù)庫(kù)為瑞士SWISS-PROT計(jì)劃建立數(shù)據(jù)庫(kù)，NHGRI項(xiàng)目主任Peter Good介紹說(shuō)。但因?yàn)榫庉嬙敿?xì)蛋白結(jié)構(gòu)數(shù)據(jù)庫(kù)時(shí)間緊迫，再加上資金短缺，SWISS-PROT無(wú)法跟上基因組學(xué)飛速前進(jìn)步伐，Good說(shuō)。這種形勢(shì)造成了TrEMBL產(chǎn)生，這是計(jì)算機(jī)注釋SWISS-PROT分支數(shù)據(jù)庫(kù)，目標(biāo)是暫時(shí)儲(chǔ)存日益增多蛋白質(zhì)結(jié)構(gòu)信息。另外，美國(guó)蛋白信息資源（Protein Information Resource ，PIR)也獨(dú)立編輯其自己數(shù)據(jù)庫(kù)。以后，這三個(gè)計(jì)劃領(lǐng)導(dǎo)人將展開(kāi)合作，將三大數(shù)據(jù)庫(kù)合并為一個(gè)。聯(lián)合起來(lái)力量將“降低重復(fù)工作，由此也能夠節(jié)約

2、無(wú)須要費(fèi)用。”SWISS-PROT領(lǐng)導(dǎo)人、英國(guó)劍橋歐洲生物信息研究院Rolf Apweiler說(shuō)道。，UniProt將是SWISS-PROT、TrEMBL和PIR三大數(shù)據(jù)庫(kù)最正確整合一個(gè)集中化數(shù)據(jù)庫(kù)十分主要，密歇根大學(xué)腫瘤學(xué)家Samir Hanash對(duì)此表示同意。他同時(shí)也是人類(lèi)蛋白組組織（Human Proteome Organisation）主席。然而，Hanash提醒說(shuō)，UniProt只是一個(gè)開(kāi)始，還需要建立其它數(shù)據(jù)庫(kù)來(lái)儲(chǔ)存相關(guān)蛋白質(zhì)何時(shí)何處于機(jī)體中活動(dòng)信息，他說(shuō)。（）這句話(huà)不但代表了Uniport數(shù)據(jù)庫(kù)，也是代表了整個(gè)生物信息學(xué)，科研本就是站在巨人肩膀上發(fā)展，那么這個(gè)肩膀也得與時(shí)俱進(jìn)了！

3、Uniport前世今生第2頁(yè)UniProt（全稱(chēng)Universal Protein），它整合了三個(gè)老字號(hào)數(shù)據(jù)庫(kù)（Swiss-Prot、 TrEMBL 和 PIR-PSD ）數(shù)據(jù)。是當(dāng)前信息最豐富、資源最廣無(wú)償?shù)鞍踪|(zhì)數(shù)據(jù)庫(kù)（注意沒(méi)有之一哦?。?。UniProt知識(shí)庫(kù)（UniProtKB）是搜集蛋白質(zhì)功效信息中心樞紐，含有準(zhǔn)確，一致和豐富注釋。除了捕捉每個(gè)UniProtKB條目強(qiáng)制關(guān)鍵數(shù)據(jù)（主要是氨基酸序列，蛋白名稱(chēng)或描述，分類(lèi)數(shù)據(jù)和引用信息）外，還會(huì)添加盡可能多注釋信息。這包含廣泛接收生物本體論，分類(lèi)和交叉引用，以及以試驗(yàn)數(shù)據(jù)和計(jì)算數(shù)據(jù)證據(jù)歸屬形式注釋質(zhì)量明確指示。第3頁(yè)蛋白質(zhì)序列從哪里來(lái)？由Un

4、iProtKB提供超出95蛋白質(zhì)序列起源于已經(jīng)提交給公共核酸數(shù)據(jù)庫(kù)，EMBL-Bank / GenBank / DDBJ數(shù)據(jù)庫(kù)（INSDC）編碼序列（CDS）翻譯。全部這些序列以及作者提交相關(guān)數(shù)據(jù)都自動(dòng)整合到UniProtKB / TrEMBL中。 除翻譯CDS之外，UniProtKB蛋白質(zhì)序列能夠來(lái)自：1、在PDB數(shù)據(jù)庫(kù)。2、經(jīng)過(guò)直接蛋白質(zhì)測(cè)序試驗(yàn)取得序列，經(jīng)過(guò)Edman降解或MS / MS試驗(yàn)并提交給UniProtKB / Swiss-Prot。只有約5UniProtKB / Swiss-Prot條目包含經(jīng)過(guò)直接蛋白質(zhì)測(cè)序取得序列數(shù)據(jù)（含有關(guān)鍵字條目列表Direct protein seq

5、uencing）。3、從文件（ig PRF或其他期刊掃描項(xiàng)目）掃描序列。4、從基因預(yù)測(cè)，沒(méi)有提交序列EMBL-Bank / GenBank登錄/ DDBJ。5、序列起源于內(nèi)部基因預(yù)測(cè)，在非常特殊情況下。第4頁(yè)Uniprot主要功效查詢(xún)蛋白質(zhì)序列以及其它各種信息查詢(xún)蛋白質(zhì)組找相同蛋白質(zhì)對(duì)比各種蛋白質(zhì)序列查詢(xún)蛋白質(zhì)相關(guān)文件第5頁(yè)網(wǎng)站網(wǎng)址為/，先來(lái)看看全景圖吧！這個(gè)數(shù)據(jù)庫(kù)能夠大致分為6個(gè)主題部分，如上圖紅框所表示1、UniProtKB；2、UniRef；3、UNIParc；4、Proteomics；5、Supporting data。6、檢索區(qū)第6頁(yè)這次我們先游覽第一個(gè)主題，也是最經(jīng)典部分。（其實(shí)其

6、它主題我自己還沒(méi)有完全搞明白）1、UniProtKB（UniversalProtein Knowledge base）它是經(jīng)過(guò)教授校驗(yàn)數(shù)據(jù)集，又分成兩部分（綠框部分，不用擔(dān)心，這些都是無(wú)償，不是那種濫收費(fèi)園中園）1.1、Swiss-Prot(經(jīng)過(guò)人工檢驗(yàn)、校驗(yàn)條目)高質(zhì)量、人工注釋、非冗余數(shù)據(jù)集；主要來(lái)自文件中研究結(jié)果和E-value校驗(yàn)過(guò)計(jì)算分析結(jié)果。截止到昨天Swiss-Prot 包含556,196條統(tǒng)計(jì)，（8月10日有519,348 條統(tǒng)計(jì)，7年后增加了3萬(wàn)多條統(tǒng)計(jì)，評(píng)價(jià)天天大約10幾條統(tǒng)計(jì)，速度還是比較慢。） 1.2、TrEMBL (計(jì)算機(jī)自動(dòng)注釋、未經(jīng)人工校驗(yàn)條目)該數(shù)據(jù)主要是利用計(jì)

7、算機(jī)對(duì)大量基因組數(shù)據(jù)流進(jìn)行分析注釋?zhuān)ㄈ斯ばｒ?yàn)速度暫時(shí)無(wú)法跟上數(shù)據(jù)產(chǎn)生速度）。截止到昨天年03月19日TrEMBL 包含98,705,220條統(tǒng)計(jì)，（8月10日有110,636,205 條統(tǒng)計(jì)，7年后數(shù)據(jù)量降低了很多，預(yù)計(jì)是去掉了很多重復(fù)數(shù)據(jù)）另外大家會(huì)注意到這里數(shù)據(jù)是Swiss-Pro數(shù)據(jù)100多倍。進(jìn)入方式各種多樣，1、主頁(yè)默認(rèn)入口就是UniProt；2、能夠直接點(diǎn)擊紅框1區(qū)域進(jìn)入；3、也能夠經(jīng)過(guò)點(diǎn)擊紅框6，系統(tǒng)會(huì)彈出下拉菜單如圖2所表示，選擇UniProt紅框1即可進(jìn)入。第7頁(yè)檢索區(qū)主要是為了讓有經(jīng)驗(yàn)同學(xué)快速找到自己感興趣蛋白質(zhì)，能夠按照蛋白質(zhì)名稱(chēng)、序列，ID號(hào)等方式檢索。紅框1區(qū)是對(duì)這個(gè)

8、主題區(qū)域簡(jiǎn)明介紹第8頁(yè) 紅框2區(qū)能夠讓游客依據(jù)自己喜好來(lái)顯示蛋白質(zhì)數(shù)據(jù)，比如能夠只顯示經(jīng)過(guò)人工校驗(yàn)條目；能夠只看專(zhuān)屬于某個(gè)物種蛋白質(zhì)；還能夠檢索物種分類(lèi)；還有直接快速進(jìn)入U(xiǎn)niRef通道以及視頻化幫助，演示文件紅框3區(qū)是主題區(qū)，這里列出了全部UniProt數(shù)據(jù)庫(kù)蛋白質(zhì)條目，因?yàn)閿?shù)據(jù)太多(這個(gè)數(shù)字其實(shí)是Swiss-Pro與TrEMBL兩部分總和），每頁(yè)顯示25條（您能夠自己選擇每頁(yè)顯示數(shù)目 10、25、50、100或200），第9頁(yè)Entry：是UniProt給每個(gè)蛋白質(zhì)賦予獨(dú)一無(wú)二ID號(hào)Entry name: 是蛋白ID簡(jiǎn)明名字Protein names: 蛋白質(zhì)名字Gene names: 編

9、碼這個(gè)蛋白Gene名字Organism：蛋白質(zhì)種屬起源Length: 氨基酸長(zhǎng)度第10頁(yè)第11頁(yè)首先sp表示，Swiss-Prot數(shù)據(jù)庫(kù)是注釋精煉蛋白序列庫(kù)，它全部序列都經(jīng)過(guò)了科學(xué)家查閱文件核實(shí)(reviewed, manually annotated) 。P02769是蛋白在uniprot上ID號(hào)，即蛋白身份證號(hào)。ALBU_BOVIN是蛋白在uniprot上登錄名，跟P02769是一個(gè)作用。Serum albumin是蛋白名稱(chēng)，即蛋白姓名啦。OS表示Organism，也就是物種名稱(chēng)，數(shù)據(jù)庫(kù)中物種名稱(chēng)普通為拉丁名稱(chēng)，牛血清白蛋白Bostaurus當(dāng)然是牛拉丁。GN表示gene name,即基因

10、名稱(chēng)PE表示ProteinExistence，即蛋白可靠性，PE=1、2、3、4、5分別對(duì)應(yīng)以下，能夠看出數(shù)字越小可靠性越高：1. Experimental evidence at protein level 蛋白質(zhì)水平試驗(yàn)證據(jù)2. Experimental evidence at tran level 轉(zhuǎn)錄水平試驗(yàn)證據(jù)3. Protein inferred from homology 從同源蛋白質(zhì)推斷4. Protein predicted 蛋白質(zhì)預(yù)測(cè)5. Protein uncertain 蛋白質(zhì)不確定SV表示SequenceVersion，即序列版本，即蛋白身份證第二代，第三代這里需要指

11、出是，除了sp，有時(shí)還會(huì)出現(xiàn)TR。第12頁(yè)紅框2區(qū)只看專(zhuān)屬于某個(gè)物種蛋白質(zhì)第13頁(yè)紅框3區(qū)第一行t BLAST: 這個(gè)按鈕能夠讓你用感興趣蛋白質(zhì)序列做BLAST分析（就是查一下在UniProt數(shù)據(jù)庫(kù)中，還有哪些蛋白質(zhì)氨基酸序列與你感興趣蛋白質(zhì)相同或相同），別小瞧這個(gè)功效，知道哪些蛋白與目標(biāo)蛋白序列相同，就有可能知道這個(gè)蛋白含有哪些生物系功效，假如恰好還有其它相同蛋白結(jié)構(gòu)信息，就能幫助你大致知道這個(gè)蛋白空間結(jié)構(gòu)。使用這個(gè)功效必須先選中，只能選中一個(gè)蛋白質(zhì)。i Align: t BLAST是對(duì)單個(gè)蛋白序列與數(shù)據(jù)庫(kù)數(shù)據(jù)進(jìn)行比對(duì)，i Align能夠讓你對(duì)多個(gè)蛋白質(zhì)序列之間進(jìn)行相同性比對(duì)，這種分析能夠讓

12、你找到這些蛋白之間結(jié)構(gòu)保守區(qū)域，還能夠依據(jù)蛋白質(zhì)相同性，分析這些蛋白之間親緣關(guān)系，進(jìn)化先后次序等。基本局部比對(duì)搜索工具第14頁(yè)= Download：這個(gè)輕易了解，您能夠下載蛋白序列數(shù)據(jù)，能夠下載選中蛋白，也能夠下載全部蛋白（做蛋白質(zhì)組學(xué)分析人經(jīng)慣用，不然沒(méi)有必要全部下載，不過(guò)有時(shí)候最好定時(shí)下載更新一下，還是很有必要）下載格式也各種多樣，比如FASTA，Text，Excel，XML，List等，假如數(shù)據(jù)量大，還能夠選擇壓縮以后下載。b Add to basket: 這個(gè)按鈕功效是能夠隨時(shí)將你感興趣蛋白質(zhì)條目加入購(gòu)物籃以備后期使用，最多能夠加400條數(shù)據(jù)，呵呵，這個(gè)不是超市購(gòu)物籃，是不收費(fèi)。e C

13、olumns: 這個(gè)能夠讓您定制蛋白數(shù)據(jù)列信息，就是自己定制顯示哪些列信息，這個(gè)內(nèi)容非常多，包含名稱(chēng)和分類(lèi)學(xué)信息，序列信息（氨基酸長(zhǎng)度，分子量，SNP等），功效信息（EC number, 信號(hào)通路，活性位點(diǎn)，各種結(jié)合位點(diǎn)等），相互作用信息，表示信息，亞細(xì)胞定位信息， 翻譯后修飾，結(jié)構(gòu)，家族及結(jié)構(gòu)域信息， 序列信息.太多了，感興趣自己進(jìn)去看吧！b Add to basket: 這個(gè)按鈕功效是能夠隨時(shí)將你感興趣蛋白質(zhì)條目加入購(gòu)物籃以備后期使用，最多能夠加400條數(shù)據(jù)，呵呵，這個(gè)不是超市購(gòu)物籃，是不收費(fèi)第15頁(yè)UniProt參考群集（UniRef）提供來(lái)自UniProt知識(shí)庫(kù)（包含同種型）和選定Un

14、iParc統(tǒng)計(jì)序列集合集合，方便以各種分辨率取得對(duì)序列空間全方面覆蓋，同時(shí)從視圖中隱藏冗余序列（但不包含其描述）。與UniParc不一樣，序列片段被合并到UniRef中：UniRef100數(shù)據(jù)庫(kù)將含有來(lái)自任何生物體11個(gè)或更多殘基相同序列和亞片段組合成單個(gè)UniRef條目，顯示代表性蛋白質(zhì)序列，全部合并登錄號(hào)條目和鏈接到對(duì)應(yīng)UniProtKB和UniParc統(tǒng)計(jì)。UniRef90是經(jīng)過(guò)用UniRef100序列對(duì)11個(gè)或更多殘基進(jìn)行聚類(lèi)而構(gòu)建CD-HIT算法（Li W.和Godzik A.，Bioinformatics，22：1658-1659,），使得每個(gè)簇由與最長(zhǎng)序列（aka）含有最少90序

15、列同一性和80種子序列）。一樣，UniRef50是經(jīng)過(guò)對(duì)UniRef90種子序列進(jìn)行聚類(lèi)構(gòu)建，這些序列與聚類(lèi)中最長(zhǎng)序列含有最少50序列同一性，而且含有最少80重合性。在之前，沒(méi)有重合閾值，所以簇長(zhǎng)度愈加不均勻。UniRef90和UniRef50產(chǎn)生數(shù)據(jù)庫(kù)大小分別降低約58和79，提供顯著更加快序列相同性搜索。種子序列是群集中最長(zhǎng)組員。然而，最長(zhǎng)序列并不總是最豐富。其它集群組員往往有更多生物相關(guān)信息（名稱(chēng)，功效，交叉引用）第16頁(yè)UniParc是一個(gè)主要序列庫(kù)，是一個(gè)全方面存放庫(kù)，它反應(yīng)了全部蛋白質(zhì)序列歷史。聯(lián)合研究中心為全部來(lái)自不一樣起源新和經(jīng)過(guò)修改蛋白質(zhì)序列提供了全部信息，以確保完整覆蓋在一

16、個(gè)單一站點(diǎn)。它包含不但UniProtKB還翻譯從EMBL-Bank / DDBJ基因庫(kù)核苷酸序列數(shù)據(jù)庫(kù),利用數(shù)據(jù)庫(kù)真核基因組,H-Invitational數(shù)據(jù)庫(kù)(H-Inv),國(guó)際蛋白質(zhì)指數(shù)(IPI),蛋白質(zhì)數(shù)據(jù)庫(kù)(PDB),蛋白質(zhì)研究基金會(huì)(脈沖),NCBI年代參考序列集合(RefSeq),數(shù)據(jù)庫(kù)模式,SGD,TAIR擬南芥和WormBase TROME和蛋白質(zhì)序列。為了防止冗余，序列被作為字符串處理，全部序列在整個(gè)長(zhǎng)度上都是完全相同，不論源組織是什么。新和更新序列天天都被加載，交叉引用源數(shù)據(jù)庫(kù)加入號(hào)，并提供一個(gè)序列版本，在對(duì)底層序列更改上增加。每個(gè)UniParc條目中存放基本信息是標(biāo)識(shí)符、

17、序列、循環(huán)冗余檢驗(yàn)號(hào)、源數(shù)據(jù)庫(kù)(s)和添加和版本號(hào)，以及時(shí)間戳。第17頁(yè)第18頁(yè)UniProt提供了幾組被認(rèn)為由其基因組已被完全測(cè)序有機(jī)體表示蛋白質(zhì)，被稱(chēng)為“蛋白質(zhì)組”。在過(guò)去，這些集合是基于生物分類(lèi)學(xué)，結(jié)合關(guān)鍵詞完整蛋白質(zhì)組，但伴隨越來(lái)越多同一生物體基因組正在測(cè)序，我們引入了獨(dú)特蛋白質(zhì)組標(biāo)識(shí)符來(lái)區(qū)分個(gè)體蛋白質(zhì)組。這些蛋白質(zhì)組能夠從UniProt網(wǎng)站Proteomes部分查詢(xún)和下載。作為蛋白質(zhì)組一部分UniProtKB條目與其蛋白質(zhì)組相互參考。第19頁(yè)文件引用分類(lèi)亞細(xì)胞定位 亞細(xì)胞定位是指某種蛋白或表示產(chǎn)物在細(xì)胞內(nèi)詳細(xì)存在部位。比如在核內(nèi)、胞質(zhì)內(nèi)或者細(xì)胞膜上存在。GFP是綠色熒光蛋白，在掃描共

18、聚焦顯微鏡激光照射下會(huì)發(fā)出綠色熒光，從而能夠準(zhǔn)確地定位蛋白質(zhì)位置。交叉引用數(shù)據(jù)庫(kù)：UniProtKB條目標(biāo)交叉引用部分顯示數(shù)據(jù)庫(kù)顯式和隱式鏈接，比如核苷酸序列數(shù)據(jù)庫(kù)，模型生物數(shù)據(jù)庫(kù)以及基因組學(xué)和蛋白質(zhì)組學(xué)資源。一個(gè)條目能夠交叉引用幾十個(gè)不一樣數(shù)據(jù)庫(kù)，并有幾百個(gè)單獨(dú)鏈接。疾病：包括蛋白質(zhì)人類(lèi)疾病關(guān)鍵詞第20頁(yè)討論與展望UniProt 是一個(gè)集中收錄蛋白質(zhì)資源并能與其它資源相 互聯(lián)絡(luò)數(shù)據(jù)庫(kù) ， 也是當(dāng)前為止收錄蛋白質(zhì)序列目錄最廣泛 、 功效注釋最全方面一個(gè)數(shù)據(jù)庫(kù) 。 UniProt 是由歐洲生物信息學(xué)研究所（European Bioinformatics Institute）、美國(guó)蛋白質(zhì)信息資源（Prontein Information Resource）以及瑞士生物信息研究所（Swiss Institute of Bioinformatics）等機(jī)構(gòu)共同組成UniProt協(xié)會(huì)（UniProt Consortium）編輯、制作一個(gè)信息資源，意在為從事當(dāng)代生物研究科研人員提供一個(gè)相關(guān)蛋白質(zhì)序列及其相關(guān)功效方面廣泛、高質(zhì)量并可無(wú)償使用共享數(shù)據(jù)庫(kù)。它功效有很多，基本能夠滿(mǎn)足做蛋白需求（當(dāng)前我是這么看因?yàn)?，我沒(méi)做我也不知道還有啥需要補(bǔ)充），不過(guò)因?yàn)楣πХ倍啵斐烧鏄O難明白，尤其是初學(xué)者，希望這個(gè)網(wǎng)站以后能出一些針對(duì)初學(xué)者教學(xué)文章。第21頁(yè)對(duì)于生物信息學(xué)思索生物