生物信息数据库.ppt

《生物信息数据库.ppt》由会员分享，可在线阅读，更多相关《生物信息数据库.ppt（71页珍藏版）》请在三一办公上搜索。

1、,计算机应用,生物信息数据库与生物信息中心,授课大纲,生命信息学生命科学与计算机技术的交叉。生物信息学的研究内容：（1）生物信息中心（2）生物信息数据库及格式。生物信息数据的检索工具Entrez文献的检索与管理软件Reference manager序列同源搜索分析工具Blast核酸、蛋白质序列比对分析软件DS geneDNASIS生物大分子空间三维结构显示与分析软件Rasmol生物图像对比分析软件Scion Image(NIH image)生物科学数据处理软件Origin,重要生物信息中心重要生物信息数据库数据库检索工具生物分析相关软件,生物信息研究内容,一、重要生物信息中心 Bioinfor

2、matics Centres,NCBI National Center for Biotechnology Information(US)EBI European Bioinformatics Institute(EU)DDBJ DNA Data Bank of Japan(JP)ExPASy Expert of Protein Analysis System(Switzerland)PDB Protein Data Bank(US)/CBIPKU 北京大学生物信息中心（CN）/BioSino 中国生物信息中心(CN),NCBI：http:/,http:/,http:/,二、重要生物信息数据库

3、,生物信息学数据的表示形式,生物信息学数据的表示形式,平面文件(flat-file)信息在文件中顺序存放且具有特定格式记录(Entry)通过“获得号”(accession#)唯一确定同一文件间和不同文件间信息的联系均通过accession#实现,信息表示：关系数据库,semanticmapping,Attributes,Relations,语义匹配,生物信息学数据存在的问题,信息源分布在世界各地不同的站点上涉及多个数据源的全局问题无法立刻得到答案Painfully collecting unstructured information around the sitesManually putt

4、ing pieces togetherHopefully getting the right picture.总之，信息源的特点是：自治的(autonomous)分布式的(distributed)异构的(heterogeneous),数据集成,XML,XML,Site A,Site B,Data Integration,生物信息学最重要的任务是从海量数据中提取新知识,生物数据库的种类,序列数据库 核酸序列数据库(EMBL、GenBank、DDBJ)常用蛋白质序列数据库(Swissprot,PIR)结构数据库 蛋白质结构数据库(PDB)蛋白质分类数据库(SCOP、CATH)其它数据库,生物数据库

5、的种类,序列数据库,主要核酸序列数据库:GenBank、EMBL、DDBJ主要蛋白质序列数据库:Swissprot,PIR,美国的核酸数据库GenBankBanson,D.A.et al.(1998)Nucleic Acids Res.26,1-7从1979年开始建设，1982年正式运行；欧洲分子生物学实验室的EMBL数据库也于1982年开始服务日本于1984年开始建立国家级的核酸数据库DDBJ，并于1987年正式服务。从那个时候以来，DNA序列的数据已经从80年代初期的百把条序列，几十万碱基上升至现在的110亿碱基！这就是说，在短短的约18年间，数据量增长了近十万倍。,核酸序列数据库,核酸序

6、列,核酸序列是由4种核苷酸的单字母（ATGC）符号排成的序列。,蛋白质序列数据库,SWISS-PROT和PIR是国际上二个主要的蛋白质序列数据库，目前这二个数据库在EMBL和GenBank数据库上均建立了镜像(mirror)站点。SWISS-PROT数据库包括了从EMBL翻译而来的蛋白质序列，这些序列经过检验和注释。PIR数据库的数据由美国家生物技术信息中心(NCBI)翻译自GenBank的DNA序列。,蛋白质序列,MNIQQLALQNIKGNWRNYKVFFLSSCFAIFASFAYMSVIVHPYMKETMWYQNVRWGLIICNIIIISFFIIFILYSTSIFIEARKKELGLY

7、MLMGATKSNVIGVIMTEQMLIGVFANIFGIGLGIIFLKLFFMVFSMLLGLPKELPIIFDVRAIGGTFIAYMVVFVVLSFISALRIWNIKIIRLLKEFRTDKKEKKTSMRLCIFGLICLGIGYALALQTTMPTIAFYFFPVSILVFFGTYFSFTHGTAQILELIKRNKKIMYTYPYLFIVNQLSHRMKENGRFFFLMSMATTFVVTATGTVFLYFSGMQDMWRGGGVHSFSYIEKGTSSHEVFAEGMVEQLLHQYGYDDFQSMSFVGVYASFQSSKGETEIATLMKESEYNQEARKQGQKT

8、YHPKKGSVTLVYYNKYNHPNMYDQKEIQLQVMNQTYSFVFNGQKEGIQFNYHPSQINGLFFVMHDEDFDGIANKVPDSEKMIYRGYTLPNIENTKELNEDLRKHMKQDDNNAFRSNMELYVNMKAFGDITLFVGSFISILFFLTSCSIVYFKWFHNIASDRKEYGALSKLGMTKEEVWRISRWQLCMLFFAPIIVGSMHSAVALYTFHNTIFMDGSLRKVGLFILFYIAACIMYFFFAQREYRKHLD,蛋白质序列是由20种氨基酸的单字母符号排成的序列。,蛋白质数据库种类和特点,生物大分子三维结构数据库,蛋

9、白质结构数据库 PDB 蛋白质分类数据库 SCOP和CATH,蛋白质结构库（PDB）,实验获得的三维蛋白质结构均贮存在蛋白质数据库PDB（http:/）中。PDB是国际上主要的蛋白质结构数据库，虽然它没有蛋白质序列数据库那么庞大，但其增长速度很快。PDB贮存有由X射线和核磁共振(NMR)确定的结构数据。,蛋白质结构,蛋白质结构存放着构成蛋白质分子的所有原子的三维空间坐标值。,蛋白质结构分类数据库,SCOP(Structural Classification of Proteins)CATH(Class,Architecture,Topology,Homology),蛋白质结构分类数据库SCOP

10、,描述了结构和进化关系。SCOP数据库从不同层次对蛋白质结构进行分类，以反映它们结构和进化的相关性。第一个分类层次为家族，通常将序列相似性程度在30%以上的蛋白质归入同一家族，有比较明确的进化关系。超家族：序列相似性较低，结构和功能特性表明它们有共同的进化起源，将其视作超家族。折叠类型：无论有无共同的进化起源，只要二级结构单元具有相同的排列和拓扑结构，即认为这些蛋白质具有相同的折叠方式。在这些情况下，结构的相似性主要依赖于二级结构单元的排列方式或拓扑结构。,蛋白质结构分类数据库CATH,类型Class、构架Architecture、拓扑结构Topology和同源性Homology。分类基础是蛋

11、白质结构域。与SCOP不同的是，CATH把蛋白质分为4类，即a主类、b主类，a-b类（a/b型和a+b型）和低二级结构类。低二级结构类是指二级结构成分含量很低的蛋白质分子。CATH数据库的第二个分类依据为由螺旋和折叠形成的超二级结构排列方式，而不考虑它们之间的连接关系。,第三个层次为拓扑结构，即二级结构的形状和二级结构间的联系。第四个层次为结构的同源性，它是先通过序列比较然后再用结构比较来确定的。CATH数据库的最后一个层次为序列(Sequence)层次，在这一层次上，只要结构域中的序列同源性大于35%，就被认为具有高度的结构和功能的相似性。对于较大的结构域，则至少要有60%与小的结构域相同。

12、,蛋白质结构分类数据库CATH,基因组数据库,GDB 人类基因组数据库AceDB 线虫(Caenorhabditis elegans)基因组数据库,四、数据库检索工具,EntrezSRS,http:/,Entrez-GenBank,SRS,(Sequence Retrieval System)SRS是欧洲分子生物学网EMBnet的主要检索工具。,SRS,Sequence Retrieval System,is a powerful database management system developed specifically for biological databases.The goa

13、l of SRS is to provide an efficient access to databases with biological contents no matter in what format are they available and allowing for complex search criteria.,数据库记录的格式与检索路口,核酸/蛋白质数据库记录的组成,由于历史原因，各种生物数据库采用了不同的信息格式，许多生物计算机软件也要求特定的核酸和蛋白质序列输入格式。一个数据库记录(entry)一般由两部分组成：原始序列数据和描述这些数据生物学信息的注释(annota

14、tion)。注释中包含的信息与相应的序列数据同样重要和有应用价值，值得注意。序列部分和注释部分两者都有固定格式，以便计算机读取。各个数据库的具体格式又有所不同，大致分成GenBank和EMBL两种风格。,GenBank格式,GenBank格式,GenBank格式：每个条目都是一份纯文本文件。每行左端或为空格或为识别字，识别字均为完整英文字，不用缩写。为了同embl对照，一并列在下表中。GenBank条目，使用一大批与EMBL和DDBJ数据库统一的关键字。格式可以分成3个部分：1）头部包含关于整个序列的信息（描述字符），从 LOCUS行到ORIGIN行；2）注释这一序列的特性（Feature T

15、able），为注释的核心部分；3）序列本身(Sequence)。注：所有的核苷酸数据库记录（EMBL/GenBank/DDBJ)都在最后一行以/结尾。,EMBL格式,EMBL格式,EMBL格式：欧洲分子生物学EMBL数据库的每个条目是一份纯文本文件，每一行最前面是由两个大写字母组成的识别标志，常见的识别标志列举在后面的表中。识别标志“特性表”FT包含一批关键字，它们的定义已经与GenBank和DDBJ统一。下欧洲国家的许多数据库如SWISS-PROT、ENZYME、TRANSFAC等，都采用与EMBL一致的格式。,数据库记录注释代码和内容说明,数据库记录注释代码和内容说明（cont.）,一个简

16、单的GenBank记录,LOCUS AF062069 3808 bp mRNA INV 02-MAR-2000DEFINITION Limulus polyphemus myosin III mRNA,complete cds.ACCESSION AF062069VERSION AF062069.2 GI:7144484KEYWORDS.SOURCE Atlantic horseshoe crab.ORGANISM Limulus polyphemus Eukaryota;Metazoa;Arthropoda;Chelicerata;Merostomata;Xiphosura;Limulida

17、e;Limulus.REFERENCE 1(bases 1 to 3808)AUTHORS Battelle,B.-A.,Andrews,A.W.,Calman,B.G.,Sellers,J.R.,Greenberg,R.M.and Smith,W.C.TITLE A myosin III from Limulus eyes is a clock-regulated phosphoprotein JOURNAL J.Neurosci.(1998)In pressREFERENCE 2(bases 1 to 3808)AUTHORS Battelle,B.-A.,Andrews,A.W.,Cal

18、man,B.G.,Sellers,J.R.,Greenberg,R.M.and Smith,W.C.TITLE Direct Submission JOURNAL Submitted(29-APR-1998)Whitney Laboratory,University of Florida,9505 Ocean Shore Blvd.,St.Augustine,FL 32086,USAREFERENCE 3(bases 1 to 3808)AUTHORS Battelle,B.-A.,Andrews,A.W.,Calman,B.G.,Sellers,J.R.,Greenberg,R.M.and

19、Smith,W.C.TITLE Direct Submission JOURNAL Submitted(02-MAR-2000)Whitney Laboratory,University of Florida,9505 Ocean Shore Blvd.,St.Augustine,FL 32086,USA REMARK Sequence update by submitterCOMMENT On Mar 2,2000 this sequence version replaced gi:3132700.,FEATURES Location/Qualifiers source 1.3808/org

20、anism=Limulus polyphemus/db_xref=taxon:6850/tissue_type=lateral eye CDS 258.3302/note=N-terminal protein kinase domain;C-terminal myosin heavy chain head;substrate for PKA/codon_start=1/product=myosin III/protein_id=AAC16332.2/db_xref=GI:7144485/translation=MEYKCISEHLPFETLPDPGDRFEVQELVGTGTYATVYSAIDK

21、QA NKKVALKIIGHIAENLLDIETEYRIYKAVNGIQFFPEFRGAFFKRGERESDNEVWLGI EFLEEGTAADLLATHRRFGIHLKEDLIALIIKEVVRAVQYLHENSIIHRDIRAANIMF SKEGYVKLIDFGLSASVKNTNGKAQSSVGSPYWMAPEVISCDCLQEPYNYTCDVWSIG ITAIELADTVPSLSDIHALRAMFRINRNPPPSVKRETRWSETLKDFISECLVKNPEYR PCIQEIPQHPFLAQVEGKEDQLRSELVDILKKNPGEKLRNKPYNVTFKNGHLKTISGQ BA

22、SE COUNT 1201 a 689 c 782 g 1136 tORIGIN 1 tcgacatctg tggtcgcttt ttttagtaat aaaaaattgt attatgacgt cctatctgtt 3781 aagatacagt aactagggaa aaaaaaaa/,GenBank记录（cont.）,LOCUS AF062069 3808 bp mRNA INV 02-MAR-2000,序列和数据库标识,位置,提取号,版本,DEFINITION Limulus polyphemus myosin III mRNA,complete cds.,GB Division,Lo

23、cus名字,简单描述(标题),修改日期,序列类型mRNA(=cDNA)rRNAsnRNADNA,序列长度,VERSION AF062069.2 GI:7144484,ACCESSION AF062069,提取号,Accession.version,gi number,关键字，生物体来源,KEYWORDS.SOURCE Atlantic horseshoe crab.ORGANISM Limulus polyphemus Eukaryota;Metazoa;Arthropoda;Chelicerata;Merostomata;Xiphosura;Limulidae;Limulus.,序列来源的物

24、种名,序列来源的物种学名和分类学位置,可更新的序列版本号,REFERENCE 1(bases 1 to 3808)AUTHORS Battelle,B.-A.,Andrews,A.W.,Calman,B.G.,Sellers,J.R.,Greenberg,R.M.and Smith,W.C.TITLE A myosin III from Limulus eyes is a clock-regulated phosphoprotein JOURNAL J.Neurosci.(1998)In pressREFERENCE 2(bases 1 to 3808)AUTHORS Battelle,B.-

25、A.,Andrews,A.W.,Calman,B.G.,Sellers,J.R.,Greenberg,R.M.and Smith,W.C.TITLE Direct Submission JOURNAL Submitted(29-APR-1998)Whitney Laboratory,University of Florida,9505 Ocean Shore Blvd.,St.Augustine,FL 32086,USAREFERENCE 3(bases 1 to 3808)AUTHORS Battelle,B.-A.,Andrews,A.W.,Calman,B.G.,Sellers,J.R.

26、,Greenberg,R.M.and Smith,W.C.TITLE Direct Submission JOURNAL Submitted(02-MAR-2000)Whitney Laboratory,University of Florida,9505 Ocean Shore Blvd.,St.Augustine,FL 32086,USA REMARK Sequence update by submitterCOMMENT On Mar 2,2000 this sequence version replaced gi:3132700.,引用,以前版本号,相关文献编号，或递交序列的注册信息,

27、相关文献作者，或递交序列的作者,相关文献题目,引文出处相关文献刊物杂志名，或递交序列的作者单位,相关文献注释,评注,FEATURES Location/Qualifiers source 1.3808/organism=Limulus polyphemus/db_xref=taxon:6850/tissue_type=lateral eye CDS 258.3302/note=N-terminal protein kinase domain;C-terminal myosin heavy chain head;substrate for PKA/codon_start=1/product=my

28、osin III/protein_id=AAC16332.2/db_xref=GI:7144485/translation=MEYKCISEHLPFETLPDPGDRFEVQELVGTGTYATVYSAIDK NKKVALKIIGHIAENLLDIETEYRIYKAVNGIQFFPEFRGAFFKRGERESDNEVWL,特性表,编码序列,Biosource,阅读框,GenPept Protein Identifiers,BASE COUNT 1201 a 689 c 782 g 1136 tORIGIN 1 tcgacatctg tggtcgcttt ttttagtaat aaaaaattg

29、t attatgacgt cctatctgtt 3721 accaatgtta taatatgaaa tgaaataaag cagtcatggt agcagtggct gtttgaaata 3781 aagatacagt aactagggaa aaaaaaaa/,Sequence,记录结束标记,指示序列数据的起始,GenBank碱基数目,PDB数据库文件格式,分子类别-水解酶类（氧连接糖基化）,该文件的公布日期,该物质的pdb代码,该化合物名称人类唾液淀粉酶,该化合物的来源,结构测定者名字,REMARK是此pdb文件的参考书目、最大分辨率、注解等,REMARK 的部分讲解,下图中1处指出蛋白质

30、原子数为3946，2处指出核酸原子数为0，3处指出异型原子数为2，4处指出溶剂原子数为169,指出蛋白质原子数,核酸原子数,异型原子数,溶剂原子数,SEQRES部分,EQRES部分表示了该分子包含496个氨基酸残基，并将每个残基符号依次列出：,HELIX部分,下面的HELIX部分显示的是分子中螺旋的组成和信息，如下图：,折叠,然后下面就是折叠的组成和信息了，如下图：,分子的原子信息,下面就是该分子的原子信息了，我们先给出Format列的格式列表，然后进行一下详细的说明，如下图：,分子的原子信息详解,表示所指为原子,该原子序列号,IUPAC标准格式的原子名称,残基名称,残基序列号,原子的X坐标轴

31、,Y坐标轴,Z坐标轴,位置,温度因子,片段指示符,TER、HETATM、CONECT、END,TER记录，它记录主链分子中的链末端，在TER后面的HETATM就是记录异型原子的信息。在HETATM记录的后面还有一些CONECT记录。CONECT详细的描述了已给出坐标的原子间的连通性。而这种连通性是以该记录的原子序列号的形式表现的。CONECT记录是用来描述那些非标准残基（包括水）和那些在标准连通性表中没有被详细列出的键。最后，在整个文件的结尾还有一个END记录表示文件的结束。,Knowledge Discovery in Databases,Data Warehouse,Prepareddata,Data,CleaningIntegration,SelectionTransformation,DataMining,Patterns,EvaluationVisualization,Knowledge,KnowledgeBase,生物信息学最重要的任务是从海量数据中提取新知识,