生物信息學(xué)(研究生)課件

生物信息學(xué)胡德華（）醫(yī)藥信息系本課程的安排生物信息學(xué)概述生物信息學(xué)資源及其檢索翻譯題：NCBIMapviewUCSCEnsemblSCOPKEGG（）Reactome（）DIP（）

生物信息學(xué)概述一、定義生物信息學(xué)是在生命科學(xué)的研究中,以計算機為工具對生物信息進行儲存、檢索和分析的科學(xué)。美國人類基因組計劃實施五年后的總結(jié)報告中，對生物信息學(xué)作了以下定義：生物信息學(xué)是一門交叉科學(xué),它包含了生物信息的獲取、處理、存儲、分發(fā)、分析和解釋等在內(nèi)的所有方面,它綜合運用數(shù)學(xué)、計算機科學(xué)和生物學(xué)的各種工具,來闡明和理解大量數(shù)據(jù)所包含的生物學(xué)意義。生物分子至少攜帶著三種信息遺傳信息與功能相關(guān)的結(jié)構(gòu)信息進化信息1.遺傳信息遺傳信息的載體主要是DNA控制生物體性狀的基因是一系列DNA片段生物體生長發(fā)育的本質(zhì)就是遺傳信息的傳遞和表達DNA通過自我復(fù)制，在生物體的繁衍過程中傳遞遺傳信息基因通過轉(zhuǎn)錄和翻譯，使遺傳信息在生物個體中得以表達，并使后代表現(xiàn)出與親代相似的生物性狀。

基因控制著蛋白質(zhì)的合成DNARNA蛋白質(zhì)轉(zhuǎn)錄翻譯基因的DNA序列DNA前體RNAmRNA多肽鏈蛋白質(zhì)序列對應(yīng)關(guān)系遺傳密碼3.DNA分子和蛋白質(zhì)分子

都含有進化信息通過比較相似的蛋白質(zhì)序列，如肌紅蛋白和血紅蛋白，可以發(fā)現(xiàn)由于基因復(fù)制而產(chǎn)生的分子進化證據(jù)。通過比較來自于不同種屬的同源蛋白質(zhì)，即直系同源蛋白質(zhì)，可以分析蛋白質(zhì)甚至種屬之間的系統(tǒng)發(fā)生關(guān)系，推測它們共同的祖先蛋白質(zhì)。

DNA核酸序列蛋白質(zhì)氨基酸序列蛋白質(zhì)結(jié)構(gòu)蛋白質(zhì)功能最基本的生物信息維持生命活動的機器第一部遺傳密碼第二部遺傳密碼？生命體系千姿百態(tài)的變化生物分子數(shù)據(jù)及其關(guān)系四、生物信息學(xué)的發(fā)展生物信息學(xué)的發(fā)展過程與基因組學(xué)研究密切相關(guān)，大致可分為三個階段，前基因組時代基因組時代后基因組時代。(1)前基因組時代時期：介于20世紀(jì)50年代末至80年代末(標(biāo)志是HGP啟動)這一時期也是早期生物信息學(xué)研究方法逐步形成階段。生物信息學(xué)的早期研究僅限于利用數(shù)學(xué)模型、統(tǒng)計學(xué)方法和計算機處理宏觀生物分子數(shù)據(jù)，作用的領(lǐng)域主要是生物遺傳和進化信息處理，如基因簽名、DNA克隆、DNA分子序列比對以解決基因同源性問題、分子生物數(shù)據(jù)存儲和數(shù)據(jù)庫建立等。隨著DNA分子提取和DNA分子測序技術(shù)的快速發(fā)展以及分子生物數(shù)據(jù)量的不斷擴大。1985年MullisK提出聚合酶鏈?zhǔn)椒磻?yīng)(PCR)的DNA提取技術(shù)。20世紀(jì)80年代初SangerF提出鏈終止法(chainterminationMethod)的DNA測序技術(shù)。生物信息學(xué)逐步形成了自身的一些基本理論、方法、模型和軟件體系主要表現(xiàn)在：PAM打分矩陣模型Needleman—Wunsch全局序列比對的動態(tài)規(guī)劃算法Smith—Waterman局部比對算法建立在序列比對基礎(chǔ)之上的BLAST和FASTA進行數(shù)據(jù)庫搜索方法發(fā)展了生物序列信息分析方法：生物統(tǒng)計方法基因組中CC含量的統(tǒng)計分析基因替換與突變的替換模式研究中的Jukes—Cantor模型Kimura的雙參數(shù)模型進行基因數(shù)據(jù)分析方面的研究基于距離或特征系統(tǒng)發(fā)生分析方法以進行基因組的分子進化等所起的作用為高度自動化大規(guī)模測序、基因數(shù)據(jù)的提取、序列片斷的拼接、新基因的發(fā)現(xiàn)提供了技術(shù)支撐，并為HGP順利實施奠定了基礎(chǔ)。發(fā)展：前基因組時代的一些研究方法得到了繼續(xù)發(fā)展和完善還發(fā)展了諸如網(wǎng)絡(luò)模型(NetworkModel)方法和基于隱馬爾可夫模型(HiddenMarkovModel，HMM)的機器學(xué)習(xí)方法。基因組間關(guān)聯(lián)程度分析及結(jié)構(gòu)分析預(yù)測方面的研究。(3)后基因組時代時期：自2003年HGP完成開始隨著HGP的勝利完成及各種DNA分子數(shù)據(jù)庫的建立，DNA分子數(shù)據(jù)提取技術(shù)得到了較快的發(fā)展，涌現(xiàn)出海量的生物分子數(shù)據(jù)。充分利用這些數(shù)據(jù)，通過分析，挖掘這些數(shù)據(jù)的內(nèi)涵，獲得對人類有用的遺傳信息、進化信息及功能相關(guān)的結(jié)構(gòu)信息，造福于人類社會，這是后基因組時代的核心內(nèi)容之一，同時也是生物信息學(xué)的全部內(nèi)涵。生物信息學(xué)研究現(xiàn)狀1.功能(或結(jié)構(gòu))基因組信息學(xué)功能(或結(jié)構(gòu))基因組信息學(xué)是在全基因上對基因及其表達產(chǎn)物進行全面分析，其目的在于探索基因的時空表達差異，包括基因功能發(fā)現(xiàn)、基因表達分析及突變檢測。目前基因組功能研究的有基因表達分析系統(tǒng)(serialanalysisofgeneexpression，SAGE)、cDNA微陣列(cDNAmicroarray)、DNA芯片(DNAchip)等技術(shù)，使用的方法有聚類，分類分析與模式識別、幾何分形等多元數(shù)據(jù)統(tǒng)計方法及代數(shù)的結(jié)構(gòu)分析的方法等功能表達譜網(wǎng)絡(luò)分析。2.蛋白質(zhì)組信息學(xué)蛋白質(zhì)組信息學(xué)重點研究蛋白質(zhì)的空間結(jié)構(gòu)，主要有兩類研究方法：其一是同源類建模方法，包括比較建模、折疊識別(Foldrecognition)、網(wǎng)絡(luò)模型方法和基于隱馬爾可夫模型的機器學(xué)習(xí)方法等；其二是“從頭預(yù)測(Abinitio)”方法，它先利用相似性聚類(Clustering)方法建立蛋白質(zhì)的空間外形分類數(shù)據(jù)庫，再通過蛋白質(zhì)天然構(gòu)成對應(yīng)于熱力學(xué)上最穩(wěn)定、自由能最低的構(gòu)像預(yù)測蛋白質(zhì)的空間結(jié)構(gòu)，研究方法如MonteCarlo、模擬退火、遺傳算法等。蛋白質(zhì)組信息學(xué)的目的就是利用這些方法研究蛋白質(zhì)的空間結(jié)構(gòu)以揭示蛋白質(zhì)的結(jié)構(gòu)與功能的關(guān)系、總結(jié)蛋白質(zhì)結(jié)構(gòu)的構(gòu)成規(guī)律、預(yù)測蛋白質(zhì)肽鏈折疊和蛋白質(zhì)的結(jié)構(gòu)等。人類基因組與其它生物基因組比較例：人與鼠染色體的差別4.藥物基因組信息學(xué)盡管人類的基因比較基因組信息學(xué)99．99％是相同的，但在藥物的作用機制、藥物代謝轉(zhuǎn)化、藥物毒副作用等方面都存在著個體差異。藥物基因組學(xué)以提高藥物療效與安全性為目的，研究影響藥物作用、吸收、轉(zhuǎn)運、代謝、清除等過程中基因差異，通過疾病相關(guān)基因、藥物作用靶點、藥物代謝酶譜、藥物轉(zhuǎn)運蛋白質(zhì)多肽性等研究，進行新的醫(yī)藥開發(fā)。藥物基因組信息學(xué)通過蛋白質(zhì)結(jié)構(gòu)與功能的研究及相互間構(gòu)成的代謝網(wǎng)絡(luò)和調(diào)控網(wǎng)絡(luò)的研究，以達到對生命過程的理解。在后基因時代，生物信息學(xué)的主要研究內(nèi)容轉(zhuǎn)向基因組的結(jié)構(gòu)分析、代謝網(wǎng)絡(luò)分析、基因表達譜的網(wǎng)絡(luò)分析、蛋白質(zhì)組數(shù)據(jù)分析處理、蛋白質(zhì)結(jié)構(gòu)與功能分析以及藥物靶點篩選分析等，即系統(tǒng)研究基因組、蛋白質(zhì)組的功能。以高通量、大規(guī)模試驗方法及計算分析為基本特征。生物學(xué)數(shù)據(jù)庫是指在計算機存儲設(shè)備上合理存放的相互關(guān)聯(lián)的生物信息集合體，是生物信息學(xué)的重要組成部分，是非常重要的生物信息學(xué)資源。1

定義生物信息數(shù)據(jù)庫及其檢索一、概述2類型生物學(xué)數(shù)據(jù)庫種類繁多。歸納起來，大體可以分為4個大類，即基因組數(shù)據(jù)庫、核酸和蛋白質(zhì)一級結(jié)構(gòu)數(shù)據(jù)庫、生物大分子(主要是蛋白質(zhì))三維空間結(jié)構(gòu)數(shù)據(jù)庫，以及由上述3類數(shù)據(jù)庫和文獻資料為基礎(chǔ)構(gòu)建的二次數(shù)據(jù)庫?；蚪M數(shù)據(jù)庫來自基因組作圖，序列數(shù)據(jù)庫來自序列測定，結(jié)構(gòu)數(shù)據(jù)庫來自X射線衍射和核磁共振等結(jié)構(gòu)測定。這些數(shù)據(jù)庫是分子生物學(xué)的基本數(shù)據(jù)資源，通常稱為基本數(shù)據(jù)庫、初始數(shù)據(jù)庫，也稱一次數(shù)據(jù)庫。根據(jù)生命科學(xué)不同研究領(lǐng)域的實際需要，對基因組圖譜、核酸和蛋白質(zhì)序列、蛋白質(zhì)結(jié)構(gòu)以及文獻等數(shù)據(jù)進行分析、整理、歸納、注釋，構(gòu)建具有特殊生物學(xué)意義和專門用途的二次數(shù)據(jù)庫。一般說來，一次數(shù)據(jù)庫的數(shù)據(jù)量大，更新速度快，用戶面廣，通常需要高性能的計算機服務(wù)器、大容量的磁盤空間和專門的數(shù)據(jù)庫管理系統(tǒng)支撐；二次數(shù)據(jù)庫的容量則小得多，更新速度也不像一次數(shù)據(jù)庫那樣快，也可以不用大型商業(yè)數(shù)據(jù)庫軟件支持，這類針對不同問題開發(fā)的二次數(shù)據(jù)庫的最大特點是使用方便，特別適用于計算機使用經(jīng)驗不太豐富的生物學(xué)家。序列數(shù)據(jù)庫是分子生物信息數(shù)據(jù)庫中最基本的數(shù)據(jù)庫，包括核酸和蛋白質(zhì)兩類，以核苷酸堿基順序或氨基酸殘基順序為基本內(nèi)容，并附有注釋信息。染色體基因組圖譜基因組數(shù)據(jù)庫核酸DNA序列核酸序列數(shù)據(jù)庫蛋白質(zhì)蛋白質(zhì)序列蛋白質(zhì)序列數(shù)據(jù)庫蛋白質(zhì)結(jié)構(gòu)蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫基因組作圖序列測定結(jié)構(gòu)測定生物信息學(xué)數(shù)據(jù)庫工具生物信息學(xué)數(shù)據(jù)庫工具二次數(shù)據(jù)庫復(fù)合數(shù)據(jù)庫Fig2.1生物學(xué)數(shù)據(jù)庫3數(shù)據(jù)來源一些主要的生物學(xué)數(shù)據(jù)庫，如GenBank、EMBL、DDBJ、PIR、SWISS-PROT等，在建庫的初期主要靠人工搜索科學(xué)期刊中核酸和蛋白質(zhì)序列數(shù)據(jù)，然后錄入到數(shù)據(jù)庫中。這種收集方式不僅費時費力，而且不能直接用于計算機分析，顯然不能滿足科研工作的需要。從1988年開始，序列數(shù)據(jù)庫與經(jīng)?？切蛄袛?shù)據(jù)的科學(xué)期刊合作，要求作者在論文發(fā)表之前必須將序列數(shù)據(jù)發(fā)送到某個數(shù)據(jù)庫中，并從后者獲得一個序列存取號（AccessionNumber），該存取號可隨論文發(fā)表，代表該序列數(shù)據(jù)。從此作者的直接發(fā)送成了生物信息學(xué)數(shù)據(jù)庫的一個主要來源。從1998年開始，人類基因組計劃重點已從基因作圖轉(zhuǎn)向大規(guī)?；蚪M測序，一些專門的基因組測序中心，如Sanger中心和一些專門的商業(yè)性測序中心相繼成立，一些大的制藥公司為了爭奪新藥開發(fā)的制高點，不惜斥巨資投入人類基因組和病原生物基因組的測序。這些測序中心和制藥公司測序產(chǎn)生了大量的核酸和蛋白質(zhì)序列數(shù)據(jù)，它們向數(shù)據(jù)庫成批地發(fā)數(shù)據(jù)，成了數(shù)據(jù)庫數(shù)據(jù)的另一個主要來源。數(shù)據(jù)庫之間的數(shù)據(jù)交換也是生物信息學(xué)數(shù)據(jù)庫的一個重要來源。4序列數(shù)據(jù)提交1.TheWeb-basedsubmissionsystemsinclude:BankItattheNCBI.WebInatEBISakura(‘‘cherryblossoms’’)atDDBJ2.Some75–80%ofindividualsubmissionstoNCBIaredoneviatheWeb.GenBankAddressGenBank,NationalCenterforBiotechnologyInformation,NationalLibraryofMedicine,NationalInstitutesofHealth,Building38A,Room8N805,BethesdaMD20894Telephone301-496-2475;Fax301-480-9241E-mailSubmissionsgb-EST/GSS/STSbatch-UpdatesInformationWorldWideWebHomepageSubmissionsBankItSequin

BankItSequin（實際操作）EMBLAddressEMBLOutstation,EBI,WellcomeTrustGenomeCampus,HinxtonCambridge,CB101SD,UnitedKingdomVoice01.22.349.44.44Fax01.22.349.44.68E-mailSubmissionsUpdatesInformationWorldWideWebHomepageSubmissionsWebInDDBJ

AddressDDBJ,1111Yata,Mishima,Shiznoka411,JapanFax81-559-81-6849E-mailSubmissionsUpdatesInformationWorldWideWebHomepageSubmissionsGenBankEMBLDDBJHousedatEBIEuropeanBioinformaticsInstituteTherearethreemajorpublicDNAdatabasesHousedatNCBINationalCenterforBiotechnologyInformationHousedinJapanPage165.生物信息學(xué)數(shù)據(jù)庫的查找查專業(yè)雜志:從1994年開始，《核酸研究》（NucleicAcidsResearch）每年第一期是生物信息學(xué)數(shù)據(jù)庫專集;詳細介紹最新版本的各種數(shù)據(jù)庫。從2000年開始，出版《核酸研究》的牛津大學(xué)出版社設(shè)立了一個數(shù)據(jù)庫目錄(NARDatabaseCategoriesList)。。共1176個數(shù)據(jù)庫查詢著名的生物信息學(xué)中心,如NCBI、EBI。二、GenBank1.特點adatabaseconsistingofmostknownpublicDNAandproteinsequencesInadditiontostoringthesesequences,GenBankcontainsbibliographicandbiologicalannotation.DatafromGenBankareavailablefreeofchargefromtheNationalCenterforBiotechnologyInformation(NCBI)2.序列數(shù)據(jù)總量每30個月翻一番。收錄了9200萬條序列，950億個堿基。2008年，新增1600多萬條序列。3.GenBank中的物種數(shù)Over300000namedspeciesarerepresentedinGenBankandnewspeciesarebeingaddedattherateofover2200

permonth.About12%ofthesequencesinGenBankareofhumanoriginand9%ofallsequencesarehumanESTs.

ThetopspeciesinGenBankintermsofnumberofbasesareHomosapiens(13.1billionbases),Musmusculus(8.4billion),Rattusnorvegicus(6.0billion),Bostaurus(5.2billion),Zeamays(4.6billion),Susscrofa(3.1billion),Daniorerio(2.9billion),Oryzasativa(1.5billion),Strongylocentrotuspurpuratus(1.4billion),Nicotaniatabacum(1.1billion)andXenopustropicalis(1.0billion).

數(shù)據(jù)來源：-theBCTdivisionisnowcomprisedof24files(+2)-theCONdivisionisnowcomprisedof82files(+74)-theESTdivisionisnowcomprisedof635files(+26)-theGSSdivisionisnowcomprisedof264files(+3)-theENVdivisionisnowcomprisedof6files(+1)-theHTGdivisionisnowcomprisedof98files(+2)-theINVdivisionisnowcomprisedof11files(+1)-thePATdivisionisnowcomprisedof30files(+1)-thePLNdivisionisnowcomprisedof26files(+1)-thePRIdivisionisnowcomprisedof34files(+1)-theRODdivisionisnowcomprisedof26files(+1)-theSYNdivisionisnowcomprisedof5files(+4)-theVRLdivisionisnowcomprisedof8files(+1)-theVRTdivisionisnowcomprisedof14files(+1)4.GenBank數(shù)據(jù)類型其它專門數(shù)據(jù)庫GenomicDNADatabasescDNADatabasesCorrespondingtoExpressedGenesProteinDatabasesExpressedSequenceTags(ESTS)ESTsandUniGeneSequence-TaggedSites(STSs)GenomeSurveySequences(GSSs)High-ThroughputGenomicSequence(HTGS)三、生物信息學(xué)數(shù)據(jù)庫的檢索EntrezSRSExPASySequenceRetrievalSystem1、NCBINationalCenterforBiotechnologyInformation(NCBI)Establishedin1988asanationalresourceformolecularbiologyinformation,NCBI'smissionis…todevelopnewinformationtechnologiestoaidintheunderstandingoffundamentalmolecularandgeneticprocessesthatcontrolhealthanddisease.NCBI…createspublicdatabases,conductsresearchincomputationalbiology,developssoftwaretoolsforanalyzinggenomedata,disseminatesbiomedicalinformation-allforthebetterunderstandingofmolecularprocessesaffectinghumanhealthanddisease.Alldatabases(Entrez)integrates…thescientificliterature;DNAandproteinsequencedatabases;3Dproteinstructuredata;populationstudydatasets;assembliesofcompletegenomes……2.Entrez

Entrezisasearchandretrievalsystem

thatintegratesNCBIdatabasesFromtheNCBIhomepage,type“rbp4”andhit“Go”Byapplyinglimits,therearenowjustfiveentriesNotethatlinkstomanyotherRBP4databaseentriesareavailableNCBI’simportantRefSeqproject:bestrepresentativesequencesRefSeq(accessibleviathemainpageofNCBI)providesanexpertlycuratedaccessionnumberthatcorrespondstothemoststable,agreed-upon“reference”versionofasequence.RefSeqidentifiersincludethefollowingformats:Completegenome NC_######Completechromosome NC_######Genomiccontig NT_######mRNA(DNAformat) NM_######e.g.NM_006744Protein NP_######e.g.NP_006735NCBI’sRefSeqproject:accessionforgenomic,mRNA,proteinsequencesAccession

Molecule

Method

Note

AC_123456 Genomic Mixed AlternatecompletegenomicAP_123456 Protein Mixed Proteinproducts;alternateNC_123456 Genomic Mixed CompletegenomicmoleculesNG_123456 Genomic Mixed IncompletegenomicregionsNM_123456 mRNA Mixed Transcriptproducts;mRNANM_123456789mRNA Mixed Transcriptproducts;9-digitNP_123456 Protein Mixed Proteinproducts;NP_123456789Protein Curation Proteinproducts;9-digitNR_123456 RNA Mixed Non-codingtranscriptsNT_123456 Genomic Automated GenomicassembliesNW_123456 Genomic Automated GenomicassembliesNZ_ABCD12345678Genomic Automated WholegenomeshotgundataXM_123456 mRNA Automated TranscriptproductsXP_123456 Protein Automated ProteinproductsXR_123456 RNA Automated TranscriptproductsYP_123456 Protein Auto.&Curated ProteinproductsZP_12345678Protein Automated Proteinproducts2.EBI與SRStheEuropeanBioinformaticsInstituteestablishedin1992EBIMission…ToprovidefreelyavailabledataandbioinformaticsservicestoallfacetsofthescientificcommunityinwaysthatpromotescientificprogressTocontributetotheadvancementofbiologythroughbasicinvestigator-drivenresearchinbioinformaticsToprovideadvancedbioinformaticstrainingtoscientistsatalllevels,fromPhDstudentstoindependentinvestigatorsTohelpdisseminatecutting-edgetechnologiestoindustrySRSSRS（SequenceRetrievalSystem,序列檢索系統(tǒng)）是由歐洲分子生物學(xué)實驗室研制開發(fā)的，現(xiàn)由LionBioscience公司繼續(xù)開發(fā)，而成為一個商業(yè)軟件，不過科研單位只要與它簽訂協(xié)議即可免費獲得該軟件的使用權(quán)。SRS是一個開放式的，即SRS可以根據(jù)需要安裝不同的數(shù)據(jù)庫。目前共有655個數(shù)據(jù)庫安將在世界各地的SRS服務(wù)器上3.ExPASySequenceRetrievalSystem四、如何獲取序列數(shù)據(jù):HIV-1polTherearemanypossibleapproaches.BeginatthemainpageofNCBI,andtypeanEntrezquery:hiv-1polSearchingforHIV-1pol:

Followingthe“genome”linkyields

amanageablefiveresultsFortheEntrezquery:hiv-1polthereareabout80,000nucleotideorproteinrecords(and>200,000recordsforasearchfor“hiv-1”),butthesecaneasilybereducedintwoeasysteps:--specifytheorganism,e.g.hiv-1[organism]--limittheoutputtoRefSeq!over200,000nucleotideentriesforHIV-1only1RefSeq丙型肝炎是全球范圍內(nèi)影響人民生命健康的傳染性肝臟疾病。由于其發(fā)病隱匿、病原體是RNA病毒。在病原體檢測及臨床確診方面均較乙型肝炎難，導(dǎo)致丙型肝炎的早期診斷、病程監(jiān)測以及療效觀察等方面尚存在諸多未解問題。當(dāng)前對乙型肝炎病毒感染的檢測，除了血清病毒抗原、DNA檢測外，對病變肝組織采用免疫組織化學(xué)技術(shù)定位病毒抗原也在臨床廣為應(yīng)用。而丙型肝炎病毒(HCV）為RNA病毒，其分子本身就不穩(wěn)定。較之DNA病毒檢測存在難度。同時在檢測技術(shù)上也較DNA病毒煩瑣。而血清抗體滴度檢測因不同的病程發(fā)展階段、體內(nèi)病毒含量以及檢測試劑靈敏度等因素，致使檢測結(jié)果不穩(wěn)定。國內(nèi)外肝病研究領(lǐng)域一直探討利用肝穿刺組織標(biāo)本檢測病毒抗原的可行性。五、以丙型肝炎研究為例，探討生物信息學(xué)在科學(xué)研究中的應(yīng)用概括起來存在如下問題：①肝臟組織學(xué)檢測結(jié)果與血清學(xué)檢測結(jié)果符合率不高；②