生物信息學(xué)課件 2、數(shù)據(jù)庫1

核酸、蛋白質(zhì)在線數(shù)據(jù)庫資源俞海

Chapter

1Introduction

of

Database生物信息學(xué)自誕生之日起，計(jì)算機(jī)似乎就注定要成為其核心工具。飛速發(fā)展的電子計(jì)算機(jī)技術(shù)仍然趕不上生物學(xué)科海量信息的快速積累的腳步，光計(jì)算機(jī)，量子計(jì)算機(jī)和生物計(jì)算機(jī)學(xué)科成為計(jì)算機(jī)技術(shù)新的發(fā)展方向。互聯(lián)網(wǎng)匯總著人類的文明，并成為人們生活的主題。計(jì)算機(jī)幾乎應(yīng)用在所有學(xué)科上，尤其是研究生物大分子的分子生物學(xué)和以量化生物為目的的生物信息學(xué)。計(jì)算機(jī)硬件計(jì)算機(jī)網(wǎng)絡(luò)系統(tǒng)環(huán)境數(shù)據(jù)庫技術(shù)計(jì)算機(jī)語言生物信息學(xué)中的計(jì)算機(jī)知識CPU：體系架構(gòu)、主頻、摩爾定律、多線程、多核心…內(nèi)存：容量、運(yùn)行頻率、多通道…顯卡：運(yùn)行頻率、位寬、架構(gòu)、功率…內(nèi)置存儲（硬盤）：介質(zhì)、容量、接口…外置存儲：軟盤、光盤、優(yōu)盤、藍(lán)光光盤計(jì)算機(jī)硬件的發(fā)展國際互聯(lián)網(wǎng)域名系統(tǒng)（gov,edu,org,com…）TCP/IP協(xié)議HTTP、FTP、Pop3、SMTP、IMAP和BitTorrentTelnet和SSH計(jì)算機(jī)網(wǎng)絡(luò)大型機(jī)，中型機(jī)，小型機(jī)和微機(jī)。Server，Workstation，PC，Laptop，mobileUNIX操作系統(tǒng)以其穩(wěn)定的計(jì)算環(huán)境和良好的多用戶支持成為企業(yè)內(nèi)部和研究所采用的平臺；MacOS/iOS：早期的Macintosh機(jī)由于具有優(yōu)良的圖像支持能力的圖形界面環(huán)境而廣泛應(yīng)用于圖形計(jì)算等領(lǐng)域；Windows95/98/NT/2000/XP/Vista/7/8：Microsoft的Windows操作系統(tǒng)成為PC上的主流操作系統(tǒng)；Linux：源代碼開放的完全免費(fèi)的UNIX兼容系統(tǒng)，在生物信息學(xué)分析已經(jīng)顯示出巨大的生命力，并成為發(fā)展的趨勢。從事生物信息學(xué)分析的用戶一般會(huì)同時(shí)安裝Linux和Windows系統(tǒng)以滿足更深入的分析任務(wù)，Linux具有很好的兼容性。Android:基于Linux深度開發(fā)的操作系統(tǒng)(Google)，最初目的用于支持手機(jī)等移動(dòng)設(shè)備，逐漸擴(kuò)展到平板電腦、電視、數(shù)碼相機(jī)和游戲機(jī)等設(shè)備。2012年占據(jù)了全球智能手機(jī)操作系統(tǒng)市場76%的份額。平臺開發(fā)的開放性是Android的首要優(yōu)勢，開發(fā)者和用戶迅速增加。計(jì)算機(jī)系統(tǒng)環(huán)境數(shù)據(jù)庫技術(shù)數(shù)據(jù)庫（DataBase,DB）是一個(gè)按數(shù)據(jù)結(jié)構(gòu)來存儲和管理數(shù)據(jù)的計(jì)算機(jī)軟件系統(tǒng)。數(shù)據(jù)庫方法與文件方法相比，具有以下兩個(gè)特征。1)數(shù)據(jù)庫中的數(shù)據(jù)具有數(shù)據(jù)整體性。2)數(shù)據(jù)庫中的數(shù)據(jù)具有數(shù)據(jù)共享性。①不同的用戶可以按各自的用法使用數(shù)據(jù)庫中的數(shù)據(jù)。②多個(gè)用戶可以同時(shí)共享數(shù)據(jù)庫中的數(shù)據(jù)資源。一個(gè)數(shù)據(jù)庫系統(tǒng)應(yīng)由計(jì)算機(jī)硬件、數(shù)據(jù)庫、數(shù)據(jù)庫管理系統(tǒng)、數(shù)據(jù)庫應(yīng)用系統(tǒng)和數(shù)據(jù)庫管理員五部分構(gòu)成。數(shù)據(jù)庫的發(fā)展：第一代的網(wǎng)狀、層次數(shù)據(jù)庫系統(tǒng)；第二代的關(guān)系數(shù)據(jù)庫系統(tǒng)；第三代的以面向?qū)ο竽Ｐ蜑橹饕卣鞯臄?shù)據(jù)庫系統(tǒng)。第三代數(shù)據(jù)庫支持多種數(shù)據(jù)模型（比如關(guān)系模型和面向?qū)ο蟮哪Ｐ停?，并和諸多新技術(shù)相結(jié)合（比如分布處理技術(shù)、并行計(jì)算技術(shù)、人工智能技術(shù)、多媒體技術(shù)、模糊技術(shù)），廣泛應(yīng)用于多個(gè)領(lǐng)域（商業(yè)管理、GIS、計(jì)劃統(tǒng)計(jì)等），由此也衍生出多種新的數(shù)據(jù)庫技術(shù)。e.g.學(xué)籍信息、庫房管理、電子商務(wù)…數(shù)據(jù)庫的基本概念-SQL簡介SQL是關(guān)系數(shù)據(jù)庫的標(biāo)準(zhǔn)語言，對關(guān)系模型的發(fā)展和商用DBMS的研制起著重要的作用。SQL語言是介乎于關(guān)系代數(shù)和元組演算之間的一種語言。SQL語言：即結(jié)構(gòu)化查詢語言，是基于關(guān)系代數(shù)運(yùn)算的一種關(guān)系數(shù)據(jù)查詢語言。（SELECT*FROMSequenceTableWHEREvirustype=‘HBV’）SQL語言的特點(diǎn)：⑴SQL是一種通用的、功能較強(qiáng)的數(shù)據(jù)庫語言；⑵面向集合的操作方式；⑶SQL具有兩種使用方式，一種是自含語言，另一種是宿主語言；⑷SQL語言簡潔、易學(xué)。計(jì)算機(jī)語言機(jī)器語言匯編語言高級語言C,C++,C#,VB.Net,Pascal,JAVAPython,PerlObject-C…Composition

ofBiological

Database數(shù)據(jù)庫記錄通常包括兩部分：原始數(shù)據(jù)對這些數(shù)據(jù)進(jìn)行的生物學(xué)意義的注釋通常情況下，一個(gè)數(shù)據(jù)庫常關(guān)聯(lián)許多數(shù)據(jù)庫。Database一級數(shù)據(jù)庫數(shù)據(jù)庫中的數(shù)據(jù)直接來源于實(shí)驗(yàn)獲得的原始數(shù)據(jù)，只經(jīng)過簡單的歸類整理和注釋。二級數(shù)據(jù)庫對原始生物分子數(shù)據(jù)進(jìn)行整理、分類的結(jié)果，是在一級數(shù)據(jù)庫、實(shí)驗(yàn)數(shù)據(jù)和理論分析的基礎(chǔ)上針對特定的應(yīng)用目標(biāo)而建立的。Chapter2BiologicalDatabases

The

NAR

online

Molecular

Biology

Database

Collection,

hasbeen

updated

and

currently

lists

1512

online

databases.Biological

Databases生物信息數(shù)據(jù)庫種類繁多,歸納起來大體可以分為4個(gè)大類一．核酸序列數(shù)據(jù)庫二．蛋白質(zhì)序列數(shù)據(jù)庫三．結(jié)構(gòu)數(shù)據(jù)庫四．基因組數(shù)據(jù)庫其他分類一．核酸序列數(shù)據(jù)庫GenBank

(美國國家生物技術(shù)信息中心NCBI)/Genbank/ENA

(歐洲分子生物學(xué)實(shí)驗(yàn)室EMBL

)http://www.ebi.ac.uk/ena/homeDDBJ

(日本國立遺傳研究所)http://www.ddbj.nig.ac.jp/searches-e.html這三個(gè)大型數(shù)據(jù)庫于1982年達(dá)成協(xié)議,組成合作聯(lián)合體。每天交換信息

Accession

number,序列數(shù)據(jù)和注解相同NationalCenterforBiotechnologyInformationNCBI是美國國立衛(wèi)生研究院（NIH）的美國國立醫(yī)學(xué)圖書館（NLM）的一個(gè)分支。1988年國立生物技術(shù)信息中心（NCBI）成立。What

does

NCBI

do?conductsresearchincomputationalbiology,developssoftwaretoolsforanalyzinggenomedata,anddisseminatesbiomedicalinformation-allforthebetterunderstandingofmolecularprocessesaffectinghumanhealthanddisease.NCBI

綜合檢索平臺（Entrez）GenBankGenBank數(shù)據(jù)庫中有部分蛋白質(zhì)序列數(shù)據(jù)每天更新，每年發(fā)行release）六版GenBank的數(shù)據(jù)來源于約380，000多個(gè)物種,包含了所有已知的核酸序列和蛋白質(zhì)序列,以及與它們相關(guān)的文獻(xiàn)著作和生物學(xué)注釋。GenBank的數(shù)據(jù)完全公開，也接受世界各國實(shí)驗(yàn)室送交的核酸序列數(shù)據(jù)要大批下載GenBank的數(shù)據(jù)，可用匿名FTP的方式進(jìn)入：

;要獲取少量數(shù)據(jù)，可進(jìn)入NCBI網(wǎng)站，使用EntrezGenBank數(shù)據(jù)來源GenBank數(shù)據(jù)庫的數(shù)據(jù)來源有三種：1、直接來源于測序工作者提交的序列；2、與其它數(shù)據(jù)機(jī)構(gòu)協(xié)作交換的數(shù)據(jù)；3、美國專利局提供的專利數(shù)據(jù)。特殊標(biāo)志符的格式

（核酸序列）

Accession

number

(GenBank/EMBL/DDBJ序列接受號)1個(gè)字母＋5個(gè)阿拉伯?dāng)?shù)字2個(gè)字母＋6個(gè)阿拉伯?dāng)?shù)字其他格式

GI（GenInfo

identifier）一串阿拉伯?dāng)?shù)字

RefSeq（Reference

Sequence）序列接受號:mRNA記錄（NM_*）：NM_000492基因組DNA重疊群（NT_*）:

NT_000347完整的基因組或染色體（NC_*）:

NC_000907基因組的局部區(qū)域（NG_*）:

NG_000019從人類基因組序列注釋、加工得到的序列模型記錄（XM，XP，orXR_*）：XM_000483

AF392820Case

Study若檢索與細(xì)胞凋亡有關(guān)的自噬基因“autophagy”的核酸序列進(jìn)入NCBI主頁Search“autophagy”for“Nucleotide”

點(diǎn)擊“go”開始查詢Search

results:輔助功能

各種輔助功能:包括限定查詢范圍(Limits)、保存查詢結(jié)果(Save

search)、高級查詢(Advanced

search)和幫助(Help)等,以提高查詢效率。

點(diǎn)擊”Limits”按鈕，可以將輸入的關(guān)鍵詞的查詢范圍限制在某個(gè)范圍內(nèi)，如分子類型、數(shù)據(jù)庫來源、提交日期等。

Limited

to:Gene

Location搜索結(jié)果減少為8912GenBank

FlatfileGenBank

flatfile（GBFF）：GenBank數(shù)據(jù)庫的基本信息單位，也是最廣泛地用以表示生物序列的格式之一。GBFF可以分成三個(gè)部分：?頭部包含關(guān)于整個(gè)記錄的信息（描述符）?第二部分包含了注釋這一記錄的特性?第三部分是核苷酸序列自身。所有的核苷酸數(shù)據(jù)庫記錄（DDBJ/EMBL/GenBank）都在最后一行以//結(jié)尾。NM_001142673字段含義解釋LOCUSIdentifier序列名稱、性質(zhì)描述ACCESSIONAccessionnumber序列接受號DEFINITIONDescription序列定義KEYWORDSKeywords關(guān)鍵詞SOURCEOrganism(species)來源種屬ORGANISMOrganism(classification)來源分類REFERENCEReferencenumber參文條目AUTHORSReferenceauthors參文作者TITLEReferencetitle參文題目JOURNALReferencelocation參文出處COMMENTSDatabasecross-reference交叉索引MEDLINEMedlinenumberMEDLINE號FEATURESFeaturetableheaderdata序列性質(zhì)表頭數(shù)據(jù)BASECOUNT堿基數(shù)目ORIGIN序列開始標(biāo)志//Terminationline序列終止標(biāo)志GenBank的主要字段及其含義常見的序列文件格式-Staden一個(gè)Staden格式的序列文件僅僅含有序列本身，用單字母表示核苷酸或氨基酸，每行60個(gè)字母。大多數(shù)程序都識別這個(gè)基本的格式。但是Staden格式的文件中不包含任何與序列有關(guān)的信息，信息必須通過一個(gè)鏈接保留在另外一個(gè)獨(dú)立的文件在中。常見的序列文件格式-GCGGCG格式中序列有關(guān)的信息放在序列正文前，用兩個(gè)點(diǎn)表示序列正文的開始。GCG文件格式中有一個(gè)被稱為checksum(checknumber)的數(shù)值（按一定的算法計(jì)算）。該值由序列的組成和長度計(jì)算而來，以用來檢測GCG文件是否受損。因?yàn)楫?dāng)GCG序列被送入程序前，程序重新計(jì)算這個(gè)數(shù)值，并與文件中的check值比較，如果不符，序列被認(rèn)為受損，程序?qū)⒕芙^執(zhí)行。因此編輯序列時(shí)，應(yīng)該用相關(guān)的序列編輯軟件，因?yàn)樗梢员ＷC序列的完整性。常見的序列文件格式-FASTA標(biāo)準(zhǔn)的FASTA文件格式，是以“>”開頭的一行注釋行，第二行起為序列行，每序列行含核苷酸殘基數(shù)(nt)為50或60個(gè)。而FASTA文件(*.fas)基本上是各個(gè)生物信息學(xué)軟件均認(rèn)可的通用格式，包括向GenBank數(shù)據(jù)庫注冊序列。無特殊說明，本文所述的“文件”均指核酸序列文件。>Protein1MRPRPILLLLLMFLPMLPAPPPGQPSGRRRGRRSGGSGGGFWGDRADSQPFAIPYIHPTNEHVIPSERLHYRNQGWRSVETSGVAEEEATSGLVMLCIHGSLVNSYTNTPYTGALGLLDF常見的序列文件格式-PRI/NBRF該文件格式有兩行注釋，第一行仍然以“>”開頭。序列正文結(jié)束時(shí)以“*”結(jié)尾。常見的序列文件格式-GenBank除GCG和Staden文件格式外，F(xiàn)asta、PIR、GenBank格式可以在一個(gè)文件中保留多個(gè)序列。常見的序列文件格式-DNAStarCreated:2004年6月9日21:31^^ATGATAGCGCTTACCCTGTTTAACCTTGCTGACACCCTGCTAGGCGGTCTACCCACAGAATTGATTTCGTCGGAGGTGGACAGCTGTTCTACTCTCGTCCCGTTGTCTCGGCCAATGGCGAGCCGACTGTTAAGCTTTATACA2.

EMBL(European

Molecular

Biology

Laboratory)EBI

(European

Bioinformatics

Institute)管理主要是歐洲國家產(chǎn)生的DNA和RNA序列序列數(shù)據(jù)文檔格式與GenBank不同3.

DDBJ(DNA

Data

Bank

of

Japan)主要是日本產(chǎn)生的DNA和RNA序列發(fā)表文章要提供Accession

number上機(jī)操作登錄NCBI網(wǎng)站登錄EMBL網(wǎng)站登錄DDBJ網(wǎng)站按ID查找：AF111847按關(guān)鍵字查找：hepatitisbvirus打開GenBank格式的核酸（蛋白）數(shù)據(jù)頁面打開EMBL格式的核酸（蛋白）數(shù)據(jù)頁面下載FASTA格式的序列文件上機(jī)操作篩選：查找人的表皮生長因子的全長序列高級查詢：查找今年以來新報(bào)道的HBV（乙肝病毒）全基因組序列(((("2013/1/1"[PublicationDate]:"3000"[PublicationDate]))ANDhepatitisbvirus[Title])ANDcompletegenome[Title])Search(((