生物信息學(xué)課件

第二章核酸序列分析

Nucleic

Acid

sequence

Analysis12/26/2023§2.1生物信息學(xué)數(shù)據(jù)庫(kù)

Bioinformaticsdatabase12/26/2023生物信息學(xué)最重要的任務(wù)是從海量數(shù)據(jù)中提取新知識(shí)12/26/2023生物信息學(xué)數(shù)據(jù)存在的問(wèn)題信息源分布在世界各地不同的站點(diǎn)上涉及多個(gè)數(shù)據(jù)源的全局問(wèn)題無(wú)法立刻得到答案PainfullycollectingunstructuredinformationaroundthesitesManuallyputtingpiecestogetherHopefullygettingtherightpicture...總之，信息源的特點(diǎn)是：自治的(autonomous)分布式的(distributed)異構(gòu)的(heterogeneous)數(shù)據(jù)集成DataIntegration12/26/2023一、生物信息學(xué)數(shù)據(jù)庫(kù)生物信息學(xué)數(shù)據(jù)庫(kù)的種類分子生物信息數(shù)據(jù)庫(kù)種類繁多。歸納起來(lái)，大體可以分為4個(gè)大類：基因組數(shù)據(jù)庫(kù)核酸和蛋白質(zhì)一級(jí)結(jié)構(gòu)數(shù)據(jù)庫(kù)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(kù)由上述3類數(shù)據(jù)庫(kù)和文獻(xiàn)資料為根底構(gòu)建的二級(jí)數(shù)據(jù)庫(kù)12/26/2023生物信息數(shù)據(jù)庫(kù)的分類一級(jí)數(shù)據(jù)庫(kù)數(shù)據(jù)庫(kù)中的數(shù)據(jù)直接來(lái)源于實(shí)驗(yàn)獲得的原始數(shù)據(jù)，只經(jīng)過(guò)簡(jiǎn)單的歸類整理和注釋一級(jí)核酸數(shù)據(jù)庫(kù)：EMBLdatabase，GenBankdatabase，DDBJdatabase一級(jí)蛋白質(zhì)序列數(shù)據(jù)庫(kù)：SWISS-PORTdatabase，PIRdatabase一級(jí)蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫(kù)：PDBdatabase二級(jí)數(shù)據(jù)庫(kù)對(duì)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(jí)數(shù)據(jù)庫(kù)、實(shí)驗(yàn)數(shù)據(jù)和理論分析的根底上針對(duì)特定的應(yīng)用目標(biāo)而建立人類基因組圖譜庫(kù)GDB蛋白質(zhì)結(jié)構(gòu)分類數(shù)據(jù)庫(kù)SCOP，CATH蛋白質(zhì)序列功能位點(diǎn)數(shù)據(jù)庫(kù)Prosite12/26/2023《核酸研究》雜志——《NucleicAcidsResearch》〔:///〕自1993年起，每年都會(huì)在第一期推出生物數(shù)據(jù)庫(kù)特刊，介紹上一年度的數(shù)據(jù)庫(kù)增加和更新情況。至2023年，生物信息學(xué)數(shù)據(jù)庫(kù)總數(shù)已達(dá)1230個(gè)。12/26/202312/26/2023核酸序列數(shù)據(jù)庫(kù)12/26/202312/26/2023相關(guān)數(shù)據(jù)庫(kù)及其主要分類1核酸序列數(shù)據(jù)庫(kù)2.RNA序列數(shù)據(jù)庫(kù)3.蛋白質(zhì)序列數(shù)據(jù)庫(kù)4.結(jié)構(gòu)數(shù)據(jù)庫(kù)5.基因組數(shù)據(jù)庫(kù)〔非脊椎動(dòng)物〕6.代謝酶相關(guān)產(chǎn)物7.人類和其他脊椎動(dòng)物基因組8.人類基因和疾病9.其他數(shù)據(jù)和其他基因表達(dá)數(shù)據(jù)庫(kù)10.蛋白組資源11.其他分子生物學(xué)數(shù)據(jù)庫(kù)12.細(xì)胞器官數(shù)據(jù)庫(kù)13.植物數(shù)據(jù)庫(kù)14.免疫學(xué)數(shù)據(jù)庫(kù)12/26/2023二、核酸數(shù)據(jù)庫(kù)1、國(guó)際三大核酸數(shù)據(jù)庫(kù)數(shù)據(jù)庫(kù)(Database)網(wǎng)址(Address)12/26/2023GenBank：由美國(guó)國(guó)家生物技術(shù)信息中心(NationalCenterforBiotechnologyInformation,NCBI)建立。該中心隸屬于美國(guó)國(guó)家醫(yī)學(xué)圖書館，位于美國(guó)國(guó)家衛(wèi)生研究院(NIH)內(nèi)。EMBL：歐洲分子生物學(xué)實(shí)驗(yàn)室(EuropeanMolecularBiologyLaboratory,其下有EuropeanBioinformaticsCentre)，主要位于英國(guó)劍橋Cambridge和德國(guó)漢堡Hamburg。DDBJ：日本DNA數(shù)據(jù)庫(kù)(DNADataBankofJapan〕,由theNationalInstituteofGenetics,NIG主管。12/26/2023這3個(gè)大型數(shù)據(jù)庫(kù)于1988年達(dá)成協(xié)議，組成合作聯(lián)合體。它們每天交換信息，并對(duì)數(shù)據(jù)庫(kù)DNA序列記錄的統(tǒng)一標(biāo)準(zhǔn)達(dá)成一致。每個(gè)機(jī)構(gòu)負(fù)責(zé)收集來(lái)自不同地理分布的數(shù)據(jù)〔EMBL負(fù)責(zé)歐洲，GenBank負(fù)責(zé)美洲，DDBJ負(fù)責(zé)亞洲等〕，然后來(lái)自各地的所有信息匯總在一起，3個(gè)數(shù)據(jù)庫(kù)的數(shù)據(jù)共享并向世界開放，故這3個(gè)數(shù)據(jù)庫(kù)又被稱為公共序列數(shù)據(jù)庫(kù)〔PublicSequenceDatabase〕。所以從理論上說(shuō)，這3個(gè)數(shù)據(jù)庫(kù)所擁有的DNA序列數(shù)據(jù)是完全相同的。你可以從中選擇一個(gè)你喜歡的數(shù)據(jù)庫(kù)；但是如果你的研究需要實(shí)時(shí)(24小時(shí)以內(nèi))的，那么要注意這些數(shù)據(jù)庫(kù)間的記錄是會(huì)有差異的。12/26/2023北京大學(xué)生物信息學(xué)中心(CentreofBioinformatics,PekingUniversity):北京華大基因研究中心(中國(guó)科學(xué)院北京基因組研究所)：清華大學(xué)生物系生物信息研究室：中國(guó)科學(xué)院上海生命科學(xué)研究院生物信息中心:2、我國(guó)主要生物信息學(xué)機(jī)構(gòu)12/26/2023三、基因組數(shù)據(jù)庫(kù)如：大腸桿菌基因組ECDC、酵母菌基因組CYGD、線蟲基因組AceDB、果蠅基因組FlyBase、老鼠基因組MGD、人類基因組GDB、擬南芥TAIR(AtDB)數(shù)據(jù)庫(kù)和水稻基因組RGP等。局部生物基因組方案網(wǎng)址如下：12/26/2023大腸桿菌EColi——ECDC數(shù)據(jù)庫(kù)://uni-giessen.de/~gx1052/ECDC/ecdc.htm酵母菌Yeast——CYGD數(shù)據(jù)庫(kù)

線蟲Caenorhabditiselegans——AceDB數(shù)據(jù)庫(kù)果蠅Drosophila——FlyBase數(shù)據(jù)庫(kù)://老鼠Mouse——MGD數(shù)據(jù)庫(kù)12/26/2023目前完成全基因組測(cè)序工作的物種有很多，并在隨時(shí)更新〔update〕.可以進(jìn)入ncbi的基因組方案二次數(shù)據(jù)庫(kù)查看，其12/26/2023四、數(shù)據(jù)庫(kù)格式歷史原因：沒(méi)有完全統(tǒng)一的數(shù)據(jù)庫(kù)格式了解所用數(shù)據(jù)庫(kù)格式的重要性一般由兩局部組成：文字注釋序列12/26/2023FASTA序列格式包括三個(gè)局部：〔1〕在注釋行的第一行用字符“>〞標(biāo)識(shí)，后面是序列的名字和來(lái)源〔2〕標(biāo)準(zhǔn)的單字符表示序列〔3〕可選的“*〞表示序列的結(jié)束，它可能出現(xiàn)也可能不出現(xiàn)，但它是許多序列分析程序正確讀取序列所必須的。FASTA格式是序列分析軟件最常用的格式。這種格式提供了從一個(gè)窗口到另一個(gè)窗口非常方便的拷貝途徑，因?yàn)樾蛄兄袥](méi)有數(shù)字或其他非字符。FASTA序列格式和蛋白質(zhì)信息資源NBRF格式很相似。1、FASTA序列格式(Person格式)12/26/2023說(shuō)明3點(diǎn)：序列文件的第一行是由大于符號(hào)〔＞〕打頭的任意文字說(shuō)明，主要為標(biāo)記序列用。從第二行開始是序列本身，標(biāo)準(zhǔn)核苷酸符號(hào)或氨基酸單字母符號(hào)。通常核苷酸符號(hào)大小寫均可，而氨基酸一般用大寫字母。文件中和每一行都不要超過(guò)80個(gè)字符〔通常60個(gè)字符〕。12/26/2023核酸序列氨基酸序列12/26/2023組成序列信息字符串的符號(hào)必須為標(biāo)準(zhǔn)的國(guó)際生物化學(xué)聯(lián)合會(huì)〔IUB〕/國(guó)際純粹與應(yīng)用化學(xué)聯(lián)合會(huì)〔IUPAC)氨基酸或核苷酸的符號(hào)符號(hào)的大小寫同義，單個(gè)“連字符〞表示一個(gè)空位不清楚的核苷酸殘基用N表示，不確定的氨基酸殘基用X表示標(biāo)題行的名稱是用戶自定義的，可以是漢字，也可以是英文注意12/26/20232.序列詳細(xì)注釋的GenBank格式GBFF(GenBankflatfile,GenBank平面文件)格式GenBank數(shù)據(jù)庫(kù)的根本信息單位，是最為廣泛使用的生物信息學(xué)序列格式之一。12/26/2023GenBank格式GenBank格式：

每個(gè)條目都是一份純文本文件。每行左端或?yàn)榭崭窕驗(yàn)樽R(shí)別字，識(shí)別字均為完整英文字，不用縮寫。GenBank條目，使用一大批與EMBL和DDBJ數(shù)據(jù)庫(kù)統(tǒng)一的關(guān)鍵字。格式可以分成3個(gè)局部：1〕頭部包含關(guān)于整個(gè)序列的信息〔描述字符〕，從LOCUS行到ORIGIN行；2〕注釋這一序列的特性〔FeatureTable〕，為注釋的核心局部；3〕序列本身(Sequence)。

注：所有的核苷酸數(shù)據(jù)庫(kù)記錄〔EMBL/GenBank/DDBJ)都在最后一行以//結(jié)尾。12/26/2023一個(gè)簡(jiǎn)單的GenBank記錄LOCUSAF0620693808bpmRNAINV02-MAR-2000DEFINITIONLimuluspolyphemusmyosinIIImRNA,completecds.ACCESSIONAF062069VERSIONAF062069.2GI:7144484KEYWORDS.SOURCEAtlantichorseshoecrab.ORGANISMLimuluspolyphemusEukaryota;Metazoa;Arthropoda;Chelicerata;Merostomata;Xiphosura;Limulidae;Limulus.REFERENCE1(bases1to3808)AUTHORSBattelle,B.-A.,Andrews,A.W.,Calman,B.G.,Sellers,J.R.,Greenberg,R.M.andSmith,W.C.TITLEAmyosinIIIfromLimuluseyesisaclock-regulatedphosphoproteinJOURNALJ.Neurosci.(1998)InpressREFERENCE2(bases1to3808)AUTHORSBattelle,B.-A.,Andrews,A.W.,Calman,B.G.,Sellers,J.R.,Greenberg,R.M.andSmith,W.C.TITLEDirectSubmissionJOURNALSubmitted(29-APR-1998)WhitneyLaboratory,UniversityofFlorida,9505OceanShoreBlvd.,St.Augustine,FL32086,USAREFERENCE3(bases1to3808)AUTHORSBattelle,B.-A.,Andrews,A.W.,Calman,B.G.,Sellers,J.R.,Greenberg,R.M.andSmith,W.C.TITLEDirectSubmissionJOURNALSubmitted(02-MAR-2000)WhitneyLaboratory,UniversityofFlorida,9505OceanShoreBlvd.,St.Augustine,FL32086,USAREMARKSequenceupdatebysubmitterCOMMENTOnMar2,2000thissequenceversionreplacedgi:3132700.12/26/2023FEATURESLocation/Qualifierssource1..3808/organism="Limuluspolyphemus"/db_xref="taxon:6850"/tissue_type="lateraleye"CDS258..3302/note="N-terminalproteinkinasedomain;C-terminalmyosinheavychainhead;substrateforPKA"/codon_start=1/product="myosinIII"/protein_id="AAC16332.2"/db_xref="GI:7144485"/translation="MEYKCISEHLPFETLPDPGDRFEVQELVGTGTYATVYSAIDKQA NKKVALKIIGHIAENLLDIETEYRIYKAVNGIQFFPEFRGAFFKRGERESDNEVWLGI EFLEEGTAADLLATHRRFGIHLKEDLIALIIKEVVRAVQYLHENSIIHRDIRAANIMF SKEGYVKLIDFGLSASVKNTNGKAQSSVGSPYWMAPEVISCDCLQEPYNYTCDVWSIG ITAIELADTVPSLSDIHALRAMFRINRNPPPSVKRETRWSETLKDFISECLVKNPEYR PCIQEIPQHPFLAQVEGKEDQLRSELVDILKKNPGEKLRNKPYNVTFKNGHLKTISGQ

BASECOUNT1201a689c782g1136tORIGIN1tcgacatctgtggtcgctttttttagtaataaaaaattgtattatgacgtcctatctgtt

3781aagatacagtaactagggaaaaaaaaaa//GenBank記錄〔cont.〕12/26/2023LOCUSAF0620693808bpmRNAINV02-MAR-2000序列和數(shù)據(jù)庫(kù)標(biāo)識(shí)位置,提取號(hào),版本DEFINITIONLimuluspolyphemusmyosinIIImRNA,completecds.GBDivisionLocus名字簡(jiǎn)單描述(標(biāo)題)修改日期序列類型mRNA(=cDNA)rRNAsnRNADNA序列長(zhǎng)度VERSIONAF062069.2GI:7144484ACCESSIONAF062069提取號(hào)Accession.versionginumber12/26/2023關(guān)鍵字，生物體來(lái)源KEYWORDS.SOURCEAtlantichorseshoecrab.ORGANISMLimuluspolyphemusEukaryota;Metazoa;Arthropoda;Chelicerata; Merostomata;Xiphosura;Limulidae;Limulus.序列來(lái)源的物種名序列來(lái)源的物種學(xué)名和分類學(xué)位置可更新的序列版本號(hào)12/26/2023REFERENCE1(bases1to3808)AUTHORSBattelle,B.-A.,Andrews,A.W.,Calman,B.G.,Sellers,J.R.,Greenberg,R.M.andSmith,W.C.TITLEAmyosinIIIfromLimuluseyesisaclock-regulatedphosphoproteinJOURNALJ.Neurosci.(1998)InpressREFERENCE2(bases1to3808)AUTHORSBattelle,B.-A.,Andrews,A.W.,Calman,B.G.,Sellers,J.R.,Greenberg,R.M.andSmith,W.C.TITLEDirectSubmissionJOURNALSubmitted(29-APR-1998)WhitneyLaboratory,UniversityofFlorida,9505OceanShoreBlvd.,St.Augustine,FL32086,USAREFERENCE3(bases1to3808)AUTHORSBattelle,B.-A.,Andrews,A.W.,Calman,B.G.,Sellers,J.R.,Greenberg,R.M.andSmith,W.C.TITLEDirectSubmissionJOURNALSubmitted(02-MAR-2000)WhitneyLaboratory,UniversityofFlorida,9505OceanShoreBlvd.,St.Augustine,FL32086,USAREMARKSequenceupdatebysubmitterCOMMENTOnMar2,2000thissequenceversionreplacedgi:3132700.引用以前版本號(hào)相關(guān)文獻(xiàn)編號(hào)，或遞交序列的注冊(cè)信息相關(guān)文獻(xiàn)作者，或遞交序列的作者相關(guān)文獻(xiàn)題目引文出處相關(guān)文獻(xiàn)刊物雜志名，或遞交序列的作者單位相關(guān)文獻(xiàn)注釋評(píng)注12/26/2023FEATURESLocation/Qualifierssource1..3808/organism="Limuluspolyphemus"/db_xref="taxon:6850"/tissue_type="lateraleye"CDS258..3302/note="N-terminalproteinkinasedomain;C-terminalmyosinheavychainhead;substrateforPKA"/codon_start=1/product="myosinIII"/protein_id="AAC16332.2"/db_xref="GI:7144485"/translation="MEYKCISEHLPFETLPDPGDRFEVQELVGTGTYATVYSAIDKNKKVALKIIGHIAENLLDIETEYRIYKAVNGIQFFPEFRGAFFKRGERESDNEVWL"特性表編碼序列Biosource閱讀框GenPeptProteinIdentifiers12/26/2023BASECOUNT1201a689c782g1136tORIGIN

1tcgacatctgtggtcgctttttttagtaataaaaaattgtattatgacgtcctatctgtt<sequenceomitted>

3721accaatgttataatatgaaatgaaataaagcagtcatggtagcagtggctgtttgaaata3781aagatacagtaactagggaaaaaaaaaa//Sequence記錄結(jié)束標(biāo)記指示序列數(shù)據(jù)的起始GenBank堿基數(shù)目12/26/20233.序列詳細(xì)注釋的EMBL格式除了GenBank對(duì)序列的信息詳細(xì)標(biāo)注外，EMBL數(shù)據(jù)庫(kù)對(duì)序列的信息標(biāo)注與GenBank類似，只是字符的標(biāo)識(shí)符是兩個(gè)字母的簡(jiǎn)寫。12/26/2023數(shù)據(jù)庫(kù)記錄注釋代碼和內(nèi)容說(shuō)明

EMBL識(shí)別標(biāo)志

GenBank識(shí)別字

意義IDLOCUS序列名稱DEDEFINITION序列簡(jiǎn)單說(shuō)明ACACCESSION唯一的提取號(hào)OSSOURCE序列來(lái)源的物種名OCORGANISM序列來(lái)源的物種學(xué)名和分類學(xué)位置DT建立日期

KWKEYWORDS與序列相關(guān)的關(guān)鍵詞RNREFERENCE相關(guān)文獻(xiàn)編號(hào)，或遞交序列的注冊(cè)信息RAAUTHORS相關(guān)文獻(xiàn)作者，或遞交序列的作者RTTITLE相關(guān)文獻(xiàn)題目RLJOURNAL引文出處相關(guān)文獻(xiàn)刊物雜志名，或遞交序列的作者單位RXMEDLINE相關(guān)文獻(xiàn)Medline引文代碼RP相關(guān)文獻(xiàn)其它注釋12/26/2023數(shù)據(jù)庫(kù)記錄注釋代碼和內(nèi)容說(shuō)明〔cont.〕EMBL識(shí)別標(biāo)志

GenBank識(shí)別字

意義RCREMARK相關(guān)文獻(xiàn)注釋DR相關(guān)數(shù)據(jù)庫(kù)交叉引用號(hào)XX為閱讀清晰而加的空行

CCCOMMENT評(píng)注

NIVERSION可更新的序列版本號(hào)

FHFEATURES序列特征表起始FTFEATURES特性表

SQEMBL序列開始標(biāo)志，后隨長(zhǎng)度、字母數(shù)

BASECOUNTGenBank堿基數(shù)目

ORIGINGenBank序列開始標(biāo)志，該行空

////序列結(jié)束標(biāo)志，空行

12/26/2023§2.2序列數(shù)據(jù)庫(kù)檢索12/26/2023一二級(jí)數(shù)據(jù)庫(kù)數(shù)量的增加，按不同需求組織信息的各類數(shù)據(jù)庫(kù)的出現(xiàn)不同數(shù)據(jù)庫(kù)的信息整合、檢索查詢系統(tǒng)〔baidu，Google〕EntrezSRS12/26/2023Entrez用途檢索大分子生物學(xué)數(shù)據(jù)獲取GenBank，EMBL等數(shù)據(jù)庫(kù)的核酸序列；獲取Swiss-port，PIR，PRF，PDB等蛋白質(zhì)序列；從核酸序列翻譯到蛋白質(zhì)的序列；獲取基因和染色體圖譜；蛋白質(zhì)三維結(jié)構(gòu)數(shù)據(jù)及大分子模式〔MMDB〕等其他生物信息數(shù)據(jù)庫(kù)檢索。PubMed書目文獻(xiàn)數(shù)據(jù)。12/26/2023NCBI：

://12/26/2023GenBank數(shù)據(jù)庫(kù)是由美國(guó)國(guó)立生物技術(shù)信息中心〔NCBI〕維護(hù)的一級(jí)核酸序列數(shù)據(jù)庫(kù)。GenBank數(shù)據(jù)庫(kù)的數(shù)據(jù)來(lái)源有三種：1、直接來(lái)源于測(cè)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(guó)專利局提供的專利數(shù)據(jù)。簡(jiǎn)介12/26/2023檢索界面簡(jiǎn)介1、根本檢索界面12/26/202312/26/2023檢索界面簡(jiǎn)介1、根本檢索界面2、跨庫(kù)檢索界面12/26/202312/26/202312/26/2023簡(jiǎn)介檢索界面根本檢索功能〔一〕字段限制檢索、強(qiáng)制短語(yǔ)檢索〔二〕特殊標(biāo)志符檢索〔四〕范圍檢索〔三〕序列長(zhǎng)度檢索12/26/2023簡(jiǎn)介檢索界面根本檢索功能〔一〕字段限制檢索、強(qiáng)制短語(yǔ)檢索12/26/202312/26/2023ras12/26/202312/26/2023ras[GENE]12/26/202312/26/202312/26/2023檢索限定詞：1、基因名稱的檢索限定詞：[GENE]or[GENENAME]2、生物體名稱的檢索限定詞：[ORGN]or[ORGANISM]3、作者姓名的檢索限定詞：[AUTH]or[AUTHOR]12/26/2023簡(jiǎn)介檢索界面根本檢索功能〔二〕特殊標(biāo)志符檢索〔一〕字段限制檢索、強(qiáng)制短語(yǔ)檢索12/26/2023特殊標(biāo)志符的格式〔核酸序列〕：1、序列識(shí)別號(hào)〔GI〕：一串阿拉伯?dāng)?shù)字e.g.：1944073312/26/202312/26/2023特殊標(biāo)志符的格式〔核酸序列〕：2、GenBank/EMBL/DDBJ序列接受號(hào)：

(1)1個(gè)字母+5個(gè)阿拉伯?dāng)?shù)字e.g.：U12345

(2)2個(gè)字母+6個(gè)阿拉伯?dāng)?shù)字

e.g.：AY123456，Af1234561、序列識(shí)別號(hào)〔GI〕：一串阿拉伯?dāng)?shù)字e.g.：1944073312/26/202312/26/2023〔1〕mRNA記錄〔NM_*〕:e.g.:NM_000492〔2〕基因組的DNA重疊群〔NT_*〕:e.g.:NT_000347〔3〕完整的基因組或染色體〔NC_*〕:e.g.:NC_000907