生物信息数据库格式专题实践.doc

生物信息数据库格式专题实践摘 要DDBJ和EMBL是最常用的核苷酸及蛋白质序列数据库。本文主要介绍了DDBJ和EMBL两个数据库标准文件的格式，并对其进行了对比，说明了各自的优缺点。关键字：DDBJ EMBL 文件格式 对比 优缺点ABSTRACT As nucleotide and protein sequence database，DDBJ and EMBL are the most commonly used. This article mainly introduced the file formant of DDBJ and EMBL,and carries on the comparison,explain their advantages and disadvantages.Key words:DDBJ EMBL File format Contrast Advantages and disadvantages目录一 DDBJ和EMBL数据库标准文格式介绍41.1DDBJ数据库标准文件格式介绍41.2 EMBL数据库标准文件格式介绍6二 两个数据库文件格式的对比92.1不同之处92.2相同之处9三 两个数据库各自的优缺点10一 DDBJ和EMBL数据库标准文格式介绍1.1DDBJ数据库标准文件格式介绍（1）LOCUS行为该序列的标识符行：AB000000是检索号，该序列在数据库中的唯一标识；450bp是该序列的长度；mRNA是该序列的分子类型，可分为DNA, RNA, mRNA, rRNA, tRNA, or cRNA；linear是该序列的分子形式，可分为linear 和 circular；HUM是分类，目前有HUM,PIR,ROD,PAT,ENV,SYN等21种分类；01-JUN-2009是该序列的最新变更日期。（2）DEFINITION行也称为“DEF”行，用以说明生物的背景，基本上有8种不同的描述形式。（3）序列的检索号，是从数据库中检索一个记录的主要关键词，检索号码采取下列两种方式之一：1+5或2+6格式。1+5格式是指1个大写字母后跟5位数字；2+6格式是指2个大写字母后跟6位数字。有3种不同的形式。（4）在索引号后加罗马数字，表明该序列是第几次更新，即是第几个版本。（5）关键词字段由该序列的提交者提供，包括该序列的基因产物以及其它相关信息。（6）SOURCE行中有生物的通用名或科学名称，限定词organism包含属和种的科学名称，有些情况下还可以在亚种水平描述。（7）表明的是参考文献，AUTHORS行标明作者，TITLE标明题目，JOURNAL标明文献出处。（8）包含的信息不能在FEATURES等其他领域中出现，可以看作是对REFERENCE 1的补充。（9）FEATURES是对序列的注释，标明的是该序列的一些基本特征，source标明的是该序列来源，CDS指示读者如何将两个序列连接在一起，或如何根据核苷酸序列以及基因编码得到氨基酸序列。（10）标明该序列中各种碱基的数量。（11）标明该序列的所有碱基的排列顺序如何，每行60个。（12）标明该序列的有关信息到此结束。1.2 EMBL数据库标准文件格式介绍（1）“ID”为序列的标识符行，包括登录号、类型、分子的长度；（2） “XX”为分隔符号行；（3） “AC”为登录号行，该序列登录号为AB000888；（4）“SV”为序列版本行，其数据的形式为“登录号.版本号”，AB000888.1表示序列的登录号为AB000888，并且该序列数据是第一个版本 ； （5） “DT”为创建和更新日期行；（6） “DE”为序列描述行；（7） “KW”为关键字行；（8） “OS”行描述生物体种属；“OC”行描述生物体分类信息；（9） “RN”、“RP”、“RX”、“RA”、“RT”、“RL”、分别描述参考文献的编号、页码、到其他文献数据库的链接、作者、题目、参考文献出处；（10）“FH” 为特征表开始符号；“FT”为特征表行。FT行具体的信息有：序列的长度，序列来自于何种生物体、何种组织，在染色体上的定位，蛋白质编码序列片段在整个序列中的位置，外显子和内含子的位置，与基因对应的蛋白质序列等。FT行主要有三项：（1）Feature Key，它是描述特征的关键字，如“source”、“CDS”等；（2）Location，指明特征在序列中的特定位置；（3）Qualifiers，描述关于一个特征的辅助信息。（11）描述的是该序列的碱基顺序，“/”为结束标志。二 两个数据库文件格式的对比2.1不同之处 （1）相同含义的行所使用的行代码有的会不同；（2）LOCUS行和ID行所包含内容稍微有些不同；（3）DDBJ数据库的标准文件中序列的最近更新日期和载入日期只能有一个，且在LOCUS行中。而EMBL中两个日期会同时存在并且是单独占两个DT行；（4）索引号和版本号所在行在不同数据库中位置略有不同；（5）序列中包含的各个碱基的数量在DDBJ数据库标准文件中会单独列出一行，而EMBL中却是和序列在一起。2.2相同之处所包含的序列的各种信息大体上是相同的，都包含单核苷酸的多态性、结构、性质以及相关描述，以及它们的科学命名、来源物种分类名称、参考文献等信息。三 两个数据库各自的优缺点DDBJ中只用一个词来代表某一区域的信息是干什么用的，看上去较为简洁，清晰；而EMBL中某一区域所代表的信息