《生物信息数据库(二)ppt课件.ppt》由会员分享，可在线阅读，更多相关《生物信息数据库(二)ppt课件.ppt（51页珍藏版）》请在三一办公上搜索。
1、三、二级数据库简介,二级数据库的形式：大多以web界面为基础，具有文字信息、表格、图形、图表等方式显示数据库内容；一级数据库与二级数据库之间并无明确的界限。（例如：GDB、AceDB、SCOP、CATH等都已经具有二级数据库的特色）,1、基因组信息二级数据库,TransFac(真核生物基因转录调控因子数据库)德国生物工程研究所开发维护，始建于1988年。包括顺式调控位点、基因、转录因子、细胞来源、分类和调控位点核苷酸分布6个子库。TransFac的网址：http:/,2、蛋白质序列二级数据库,Prosite(蛋白质序列功能位点数据库)始建于1990年代初，由瑞典生物信息学研究所SIB负责维护。
2、基于对蛋白质家族中同源序列多重序列比对得到的保守区域，这些区域通常与生物学功能相关。数据库包括两个数据库文件：数据文件Prosite；说明文件PrositeDoc。Prosite的网址：http:/cn.expasy.org/prosite/,3、蛋白质结构二级数据库,DSSP(Definition of Secondary Structure of Proteins)蛋白质二级结构构象参数数据库 DSSP的网址：http:/www.cmbi.kun.nl/gv/dssp/FSSP(Families of Structural Similar Proteins)蛋白质家族数据库 FSSP的网址
3、：http:/www2.embl-ebi.ac.uk/dall/fssp/HSSP(Homology Derived Secondary Structure of Proteins)同源蛋白质数据库 HSSP的网址：http:/www.cmbi.kun.nl/gv/hssp/,四、数据库格式简介,历史原因：没有完全统一的数据库格式；了解所用数据库格式的重要性 一般由两部分组成：文字注释 序列,（一）不同数据库的序列格式,在运行序列分析软件中遇到的首要问题就是如何通过不同的程序使用不同的序列格式。这些格式都是标准ASCII码文件，但在显示各种信息或序列本身的某些字符或字有所不同。下面将讨论几种常
4、用的序列格式。,1 GenBank中DNA序列格式2 EMBL序列格式3 SwissProt序列格式4 FASTA序列格式5 NBRF序列格式6 Intelligenetics序列格式,7 GCG序列格式8 PIR/CODATA序列格式9 Plain/ASCII.Staden序列格式10 ASN.1序列格式11 GDE格式,目前计算机中用得最广泛的字符集及其编码，是由美国国家标准局(ANSI)制定的ASCII码（American Standard Code for Information Interchange，美国标准信息交换码），它已被国际标准化组织（ISO）定为国际标准，称为ISO 64
5、6标准。适用于所有拉丁文字字母，一个ASCll码由8位二进制数码组成的。其中，用于表达字符的二进制码有7个，最后一个用于检测错误，或空闲不用。,1.GenBank中DNA序列格式,GenBank中数据库(包括NCBI核酸和蛋白质序列数据库)中条目格式如下：给出描述每一个序列的信息，包括文献参考、序列的功能信息、mRNA和编码区域的位置，以及重要突变的位置。这些序列信息以字段的形式进行组织，每一行最前端都有一个标识符。在某些条目中，标识符可能缩写成两个字母(例如RF代表reference)，某些字段可能还有次级字段。计算机程序中的序列条目位于标识符“ORIGIN”和“/”之间。这些字段提供的信息
6、可以参见网页www.ncbi.nlm.nih.gov/Sitemap/samplerecord.html,LOCUS name of locus,length and type of sequence,classification of organism,data of entryDEFINITION desicription of entryACCESSION accession number of original sourceKEYWORDS key words for cross referencing this entrySOURCE source organism of DNAOR
7、GANISM description of organismREFERENCECOMMENT biological function of database informationFEATURES information about sequence by base position or range of positions source range of sequence,source organism misc_signal range of sequence,type of function or signal mRNA range of sequence,mRNA CDS range
8、 of sequence,protein coding region intron range of sequence,position of intron mutation sequence position,change in sequence for mutationBASE COUNT count of A,C,G,T and other symbols ORIGIN text indicating start of sequence 1 gaattcgata aatctctggt ttattgtgca gtttatggtt ccaaaatcgc 51 atatactcac agcat
9、aactg tatatacacc cagggggcgg aatgaaagcg/database symbol for end of sequence,Fig 2.6 GenBank中DNA序列条目.,ACCESSION Organism Reference Name Keywords Sequenceno.123 Escherichia.Medline1,LexA SOS regulon,ATG.coli.protein repressor,transcriptional regulator,.124 Escherichia Medline2,UmuD SOS regulon,.GTA.Col
10、i.protein.125 Saccharomyces.Medline3,.GAL4 transcriptional CAT.CEREVISIAE.protein regulator,.125 Homo.Sapiens Medline4,.gluco-transcriptional TGT.Corticoid regulator,.receptor,序列每行前面标有数字，以显示片断位置。序列计数或序列校检求和的值可被计算机程序用来鉴定序列成分，所以除非程序本身也改变计数，序列计数是不能被改变的。GenBank序列格式通常需要改变以适应序列分析软件。,Fig 2.7 GenBank数据库的组织.
11、常被计算机检索程序ENTREZ利用。,2 EMBL序列格式,The European Molecular Biology Laboratory(EMBL)序列条目与GenBank类似，通过大量信息来描述每个序列。该信息组织成一个个字段，每个字段有一个标识符。这些标识符缩写成两个字母，某些字段还有次级字段。每行序列后面的数字显示片断的位置。计算机程序可以利用序列计数或校检求和的值来保证序列的完整性和精确性。正是由于这个原因，除非程序本身也改变计数，条目的序列片断是不能被改变的。这种序列格式用于各种序列分析软件时也要进行改变。,ID identification code for sequence
12、 in the database AC accession number giving origin of sequenceDT dates of entry and modificationKW key cross-reference words for lookup up this entryOS,OC source organismRN,RP,RX,RA,RT,RL literature reference or source DR i.d.In other databasesCC Description of biological functionFH,FT information a
13、bout sequence by base position or range of positiions source range of sequence,source organism misc_signal range of sequence,type of function or signal mRNA range of sequence,mRNA CDS range of sequence,position of intron mutation sequence position,change in sequence for mutationSQ count of A,C,G,T a
14、nd other symbolsgaattcgata aatctctggt ttattgtgca gtttatggtt ccaaaatcgc cttttgctgt 60atatactcac agcataactg tatatacacc cagggggcgg aatgaaagcg ttaacggcca 120./symbol to indicate end of sequence,Fig 2.8 EMBL序列格式.,3 SwissProt序列格式4 FASTA序列格式5 NBRF序列格式,SwissProt蛋白序列数据库条目的格式和EMBL非常相似，但它提供了更多的关于蛋白质的物理和生化性质的信息
15、。FASTA 序列格式包括三个部分：1.在注释行的第一列用字符“”标识，后面是序列的名字和来源；2.标准的单字符标记的序列；3.可选的“*”表示序列的结束，它可能出现也可能不出现，但它是许多序列分析程序正确读取序列所必须的。FASTA格式是序列分析软件最常用的格式。这种格式提供了从一个窗口到另一个窗口非常方便的拷贝途径，因为序列中没有数字或其他非字符。FASTA序列格式和蛋白质信息资源NBRF格式很相似。,YCZ2_YEAST protein in EMR 3 regionMKAVVIEDGKAVVKEGVPIPELEEGFVGNPTDWAHIDYKVGPQGSILGCDAAGQIVKLGPA
16、VDPKDFSIGDYIYGFIHGSSVRFPSNGAFAEYSAISTVVAYKSPNELKFLGEDVLPAGPVRSLEGAATIPVSLT*,P1;ILEClexA REPRESSOR Escherichia coliMKALTARQQEVFDLIRDHISQTGMPPTRAEIAQRLGFRSPNAAEEHLKALARKGVIEIVSGASRGIRLLQEEEEGLPLVGRVAAGEQLLAQQHIEGHYQVDPSLFKPNADFLLRVSGMSMKDIGIMDGDLLAVHKTQDVRNGQVVVARIDDEVTVKRLKKQGNKVELLPENSEFKPIVVDLRQQSF
17、TIEGLAVGVIRNGDWL,NBRF序列格式(或称PIR格式)已经被用于the National Biomedical Research Foundation/Protein Information Resource(NBRF)。网站(www-nbrf.georgetown.edu)中的PIR数据库中得到并不是这种紧缩格式，而是一种包括很多信息的扩展格式。Fig 2.10显示了PIR序列格式的一个例子。第一行包括一个起始的“”字符，接着是一个双字符编码，例如P表示完整序列，F表示片断，后面的1或2显示了序列的类型，接着是一个分号，接着是一个4到6个字符的条目名称。第二行则显示了序列的全称
18、，连字号，接着序列来源。,Fig 2.9(上)FASTA序列格式.Fig 2.10(右)NBRF序列格式.,6 Intelligenetics序列格式,Intelligenetics格式由Stanford大学的一个分子遗传学研究小组发起，后来由Intelligenetics公司继承发展。IG格式和PIR格式很相似，不同的是将分号置于注释行之前。第二行也有个标识符。在序列的结束以1表示序列是线状，以2结束表示序列是环状。,;YEAST protein in EMR 3 regionYCZ2MKAVVIEDGKAVVKEGVPIPELEEGFVGNPTDWAHIDYKVGPQGSILGCDAAGQ
19、IVKLGPAVDPKDFSIGDYIYGFIHGSSVRFPSNGAFAEYSAISTVVAYKSPNELKFLGEDVLPAGPVRSLEGAATIPVSLT1,Fig 2.11 IG序列格式.,7 GCG序列格式,早期版本的Genetics Computer Group(GCG)程序需要一个独特的序列格式，它能将其他的序列格式转换为GCG格式。后来的GCG版本接受了几种序列格式。一种转换了的GenBank文件见Fig 2.12。首先包括了在GenBank序列条目中的信息，接着是一行序列信息及校准求和值。这个值(未显示)是通过累加序列的ASCII值来检测序列的精确度。如果序列没有改变，这个
20、值就保持相同。如果由于某种错误，一个或更多的序列字符发生了改变，因为序列条目校检求和的数值出错，程序在读取序列的过程中将判定发生了变化。,序列信息行以两个句点结束。接下来就是序列。注意到，序列行开头的数字。既然没有标记显示序列的结束，所以在其后不能加任何信息。这一序列不能改变，除非程序运行过程中能调整序列校检求和的数值。GCG序列格式在其他序列分析软件中必须改变。GCG也包含了改变序列文件格式的程序。,BASE COUNT 215 A 224 C 263 G 250 TORIGINFilename,Length of sequence,Date,Checksum Value,.1 GAATTC
21、GATA AATCTCTGGT TTATTGTGCA GTTTATGGTT CCAAAATCGC51 CTTTTGCTGT ATATACTCAC AGCATAACTG TATATACACC CAGGGGGGGG,Fig 2.12 GCG序列格式.,8 PIR/CODATA序列格式9 Plain/ASCII.Staden序列格式,来自the National Biomedical Research Foundation/Protein Information Resource的序列文件格式几乎拥有和GenBank或EMBL序列文件相同的信息，其不同之处可参见Fig 2.13。目前称之为PIR/C
22、ODATA格式。Plain/ASCII.Staden序列格式是仅含有序列而没有其他附加信息。它由剑桥大学的Roger Staden开发的序列分析程序Staden所使用。这种序列必须进一步格式化才能用于大多数序列分析程序。,ENTRY ILEC#type completeTITLE lexA repressor Escherichia coliORGANISM#formal_name Escherichia coliDATE 29-Jul-1981#sequence_revision 01-Sep-1981#text_change 14-Nov-1997ACCESSIONS A90808;A93
23、734;S11945;B65212;A03569REFERENCE A90808#authors Horii,T.;Ogawa,T.;Ogawa,H.#journal Cell(1981)23:689-697#title Nucleotide sequence of the lexA gene of Escherichia coli.#cross-references MUID:81186269#contents lexA#accession A90808#molecule_type DNA#RESIDUES 1-202#label HORREFERENCE,Fig 2.13 Continue
24、d.,COMMENTSGENETICS#gene lexA#map_position 92 minCLASSIFICATION#superfamily lexa repressorKEYWORDS AND binding,repressor,transcription regulatorSUMMARY#length 202#molecular_weight 22358SEQUENCE 5 10 15 20 25 30 1 M K A L T A R Q Q E V F D L I R D H I S Q T G M P P T R A E,Fig 2.13 PIR/CODATA序列格式.,10
25、 ASN.1序列格式,Abstract Syntax Notation(ASN.1)是一种正式的数据描述语言,并得到了计算机行业的发展。ASN.1已经被the National Center for Biotechnology Information(NCBI)采纳并用于序列、图谱、分类信息、分子结构以及文献信息的编码。ASN.1序列格式是一种高度结构化、功能完备的格式，特别适用于计算机的数据处理。在其他格式(如GenBank)格式中出现的信息在该格式中都有所体现。例如，通过ENTREZ(见下文)就可以得到该格式的序列。但是，这种格式的信息相对于GenBank等格式来说，很难通过肉眼读懂。人们
26、一般不会直接用ASN.1格式，除非使用一台以该格式输入的计算机。,11 GDE格式,Genetic Data Environment(GDE)格式是运用于一种称为Genetic Data Environment的序列分析系统。这套系统由Steven Smith和他的同事针对在UNIX机器上运行的多序列队列编辑器所设计的。GDE的特点融于GCG软件的SEQLAB界面(第九版)。类似于ASN.1，GDE格式也是一个标记字段的格式，存储了系列所有可能的信息。每个文件包含广泛的字段(见Fig 2.14)，用括弧括起来，每个字段给出了名称标记。每个标记后面的信息位于双引号中，中间由一个或几个空格格开。,
27、name“Short name for sequence”longname“Long(more descriptive)name for sequence”sequence-ID“Unique ID number”creation-date“mm/dd/yy hh:mm:ss”direction-1|1strandedness 1|2type DNA|RNA|PROTEIN|TEXT|MASKoffset(-999999,999999)group-ID(0,999)creator“Authors name”descrip“Verbose description”comments“Lines o
28、f comments about a sequence”sequence“gctagctagctagctagctctcttagctgtagtcgtagctggctag ctgatgctagctagctagctagctgatcgatgctagctgatcgtag ctgacggactgatgctagctagctagctagctgtctagtgtcgtag tgcttattgc”,Fig 2.14 The Genetic Data Environment格式.,（二）序列数据库的格式FASTA格式（或Pearson格式）,序列文件的第一行是由大于符号（）打头的任意文字说明，主要为标记序列用。从第二
29、行开始是序列本身，标准核苷酸符号或氨基酸单字母符号。通常核苷酸符号大小写均可，而氨基酸一般用大写字母。文件中和每一行都不要超过80个字符（通常60个字符）。,核酸序列,氨基酸序列,例子：EMBL和GenBank数据库的格式,EMBL和GenBank数据库的主要内容和格式 整个序列信息：序列名称、长度、日期 序列说明、编号、版本号 物种来源、学名、分类学位置 相关文献作者、题目、刊物、日期序列特征表碱基组成序列（每行60个碱基）,实例：E.coli k-12全基因组序列文件,GBFF(GenBank flatfile)格式,LOCUS U00096 4639221 bp DNA circular
30、 BCT 18-NOV-1998DEFINITION Escherichia coli K-12 MG1655 complete genome.ACCESSION U00096KEYWORDS.SOURCE Escherichia coli.ORGANISM Escherichia coli Bacteria;Proteobacteria;gamma subdivision;Enterobacteriaceae;Escherichia.REFERENCE 1(bases 1 to 4639221)AUTHORS Blattner,F.R.,Plunkett,G.III,Bloch,C.A.,P
31、erna,N.T.,Burland,V.,TITLE The complete genome sequence of Escherichia coli K-12 JOURNAL Science 277(5331),1453-1474(1997)MEDLINE 97426617COMMENT This sequence was determined by the E.coli Genome Project at the University of Wisconsin-Madison(Frederick R.Blattner,director).Supported by NIH grants HG
32、00301 and HG01428(from Human Genome Project and NCHGR).The entire sequence was independently determined from E.coli K-12 strain MG1655.Predicted open reading frames were determined using GeneMark software,kindly supplied by,FEATURES Location/Qualifiers source 1.4639221/organism=Escherichia coli/stra
33、in=K-12“/sub_strain=MG1655/db_xref=taxon:562 promoter 71.99/note=factor Sigma70;predicted+1 start at 106 promoter 104.132/note=factor Sigma70;predicted+1 start at 139 promoter 188.212/note=factor Sigma32;predicted+1 start at 219 gene 190.255/note=b0001/gene=thrL CDS 190.255/gene=thrL/function=leader
34、;Amino acid biosynthesis:Threonine/note=o21;100 pct identical to LPT_ECOLI SW:P03059/codon_start=1/transl_table=11/product=thr operon leader peptide/db_xref=PID:g1786182/translation=MKRISTTITTTITITTGNGAG“BASE COUNT 1142136 a 1179433 c 1176775 g 1140877 t,特性关键词,特性位置/限定词,ORIGIN 1 agcttttcat tctgactgca
35、 acgggcaata tgtctctgtg tggattaaaa aaagagtgtc 61 tgatagcagc ttctgaactg gttacctgcc gtgagtaaat taaaatttta ttgacttagg 121 tcactaaata ctttaaccaa tataggcata gcgcacagac agataaaaat tacagagtac 181 acaacatcca tgaaacgcat tagcaccacc attaccacca ccatcaccat taccacaggt 241 aacggtgcgg gctgacgcgt acaggaaaca cagaaaaaa
36、g cccgcacctg acagtgcggg 301 cttttttttt cgaccaaagg taacgaggta acaaccatgc gagtgttgaa gttcggcggt 361 acatcagtgg caaatgcaga acgttttctg cgtgttgccg atattctgga aagcaatgcc 421 aggcaggggc aggtggccac cgtcctctct gcccccgcca aaatcaccaa ccacctggtg 4639021 caacatcaac tgcaagcttt acgcgaacga gccatgacat tgctgacgac tct
37、ggcagtg 4639081 gcagatgaca taaaactggt cgactggtta caacaacgcc tggggctttt agagcaacga 4639141 gacacggcaa tgttgcaccg tttgctgcat gatattgaaa aaaatatcac caaataaaaa 4639201 acgccttagt aagtattttt c/,序列,ID U00096 standard;circular genomic DNA;CON;4639221 BP.AC U00096;SV U00096.1DT 24-JUL-2003(Rel.76,Last updat
38、ed,Version 3)DE Escherichia coli K-12 MG1655 complete genome.KW.OS Escherichia coli K12OC Bacteria;Proteobacteria;Gammaproteobacteria;Enterobacteriales;OC Enterobacteriaceae;Escherichia;Escherichia coli.RN 1RP 1-4639221RX MEDLINE;97426617.RX PUBMED;9278503.RA Blattner F.R.,Plunkett G.III,Bloch C.A.,
39、Perna N.T.,Burland V.,RT The complete genome sequence of Escherichia coli K-12;RL Science 277(5331):1453-1474(1997).DR GOA;O32528.DR REMTREMBL;AAC74436;AAC74436.DR SPTREMBL;O32530;O32530.DR SWISS-PROT;O32528;YPDI_ECOLI.,CC This sequence was determined by the E.coli Genome Project at theCC University
40、 of Wisconsin-Madison(Frederick R.Blattner,director).CC Supported by NIH grants HG00301 and HG01428(from the Human GenomeCC Project and NCHGR).The entire sequence was independentlyCC determined from E.coli K-12 strain MG1655.Predicted open readingCC frames were determined using GeneMark software,kin
41、dly supplied byFH Key Location/QualifiersFT source 1.4639221FT/db_xref=taxon:83333FT/mol_type=genomic DNAFT/organism=Escherichia coli K12FT/strain=K12FT/sub_strain=MG1655FT promoter 71.99FT/note=factor Sigma70;predicted+1 start at 106FT CDS 190.255FT/codon_start=1FT/db_xref=GOA:P03059FT/db_xref=SWIS
42、S-PROT:P03059FT/note=o21;100 pct identical to LPT_ECOLI SW:P03059FT/transl_table=11FT/gene=thrLFT/function=leader;Amino acid biosynthesis:ThreonineFT/product=thr operon leader peptideFT/protein_id=AAC73112.1FT/translation=MKRISTTITTTITITTGNGAG“,SQ Sequence 4639221 BP;1142136 A;1179433 C;1176775 G;11
43、40877 T;0 other;agcttttcat tctgactgca acgggcaata tgtctctgtg tggattaaaa aaagagtgtc 60 tgatagcagc ttctgaactg gttacctgcc gtgagtaaat taaaatttta ttgacttagg 120 tcactaaata ctttaaccaa tataggcata gcgcacagac agataaaaat tacagagtac 180 acaacatcca tgaaacgcat tagcaccacc attaccacca ccatcaccat taccacaggt 240 aacgg
44、tgcgg gctgacgcgt acaggaaaca cagaaaaaag cccgcacctg acagtgcggg 300 cttttttttt cgaccaaagg taacgaggta acaaccatgc gagtgttgaa gttcggcggt 360 acatcagtgg caaatgcaga acgttttctg cgtgttgccg atattctgga aagcaatgcc 420 aggcaggggc aggtggccac cgtcctctct gcccccgcca aaatcaccaa ccacctggtg 480 gcgatgattg aaaaaaccat tag
45、cggccag gatgctttac ccaatatcag cgatgccgaa 540 tattgctatc aattagcaac attaatacaa caaccggcga aaagtgatgc aacggcagac 4639020 caacatcaac tgcaagcttt acgcgaacga gccatgacat tgctgacgac tctggcagtg 4639080 gcagatgaca taaaactggt cgactggtta caacaacgcc tggggctttt agagcaacga 4639140 gacacggcaa tgttgcaccg tttgctgcat
46、gatattgaaa aaaatatcac caaataaaaa 4639200 acgccttagt aagtattttt c 4639221/,EMBL和GenBank数据库的行识别标志比较,头部,特性,序列,如何把GenBank格式转换成FASTA格式？,或利用软件：如DNASTAR,（三）数据库的冗余与偏差,数据库的冗余(redundancy),DNA和蛋白质数据库中的很多记录是属于同一基因和蛋白质家族，或在不同生物体上发现的同源基因。不同的研究机构可能向数据库发送了相同的序列数据，如果没有被检查出来，则这些记录或多或少地紧密相关。当然，这些记录如果的确非常相近，可以被认定为它们是相同
47、序列，但一些显著的差异可能是由于基因组多样性的结果,冗余数据至少可能导致以下3个潜在的错误,一是如果一组DNA或氨基酸序列包含了大量非常相关序列族，则相应的统计分析将偏向这些族，在分析结果中，这些族的特性被夸大；,二是序列间不同部分的显著相关可能是在数据样本抽样时是有偏的和不正确的；,最后是如果这些数据是被用于预测，则这些序列将使预测方法如人工智能方法发生偏离,非冗余(non-redundant,nr),生物数据非常复杂，它远非“冗余”二字可以准备描述，例如，同一位点上的2个等位基因是不是冗余的？同一生物体内的2个同功酶是否冗余？因此，过于克刻地去除“太过于相似的序列”可能导致一些有价值的信息
48、被删除，应在数据规模和非冗余之间找到一个合理的平衡点。,序列数据的偏差或人为假象(artifacts)主要来自实验过程，这与其它科学数据的情况相同。这些人为假象主要来自以下几个方面：,(1)载体序列污染：在测序列等实验过程中，载体序列可能造成污染，致使序列记录数据中包含了载体序列；,(2)异源(heterologous)序列污染：有研究表明一些人类cDNA测序结果在实验过程中被酵母和细菌序列污染；,(3)序列的重排和缺失；,(4)重复因子污染：cDNA克隆方法有时会受到逆转录因子(如Alus)的影响,(5)测序误差和自然多态性：测序过程存在一定的误差概率,对付以上这些偏差，一个聪明的略策是用可能污染数据记录的序列(如载体)去估计误差程度。同时，一些去除污染的专门软件系统已被研制出来，如EBI网站便提供了去除载体污染的在线服务，网址为www.ebi.ac.uk/embl/submission/webin.html/www2.ebi.ac.uk/blaskall/vectors.html。EMBL研制了基于BLAST的载体扫描服务和一个特殊的序列数据库EMVEC。EMVEC的序列来自EMBL的SYN(synthetic division)类2000余条一般用于克隆和测序实验的序列，该库随着EMBL的扩充而实时更新,
