中国科技大学课件系列：《生物信息学》

生物信息学 第二章 序列的采集和存储 中心法则 DNA Deoxyribonucleicacid 脱氧核糖核酸 RNA RiboNucleicAcid 核糖核酸 碱基 核苷酸 Ribonucleotide 脱氧核苷酸Deoxyribonucleotide 双脱氧核糖核苷酸Dideoxyribonucleotide DNA的结构 RNA的结构 氨基酸的结构 氨基酸的性质及分类 氨基酸周期表 标准密码子 本章内容提要 1 DNA测序2 序列数据的存储核酸序列数据库蛋白质序列数据库基因组数据库3 序列数据的文件格式 1 DNA测序 DNA一次连续测序的长度约为500bp EST Expressedsequencetag 测序 细胞中mRNA反转录成cDNA 方向不定测序 GSS GenomeSurveySequences 基因组勘测序列 类似于ESTs 来源基因组 HTG High throughputgenomesequences 高通量基因组序列 高通量 尚未完工的DNA序列 DNA测序的实验方法 末端终止法 D 使用寡核苷酸引物连续测序 基因组测序 两种方案策略 1 基因图谱法 DNA片段在染色体上的位置 方向已知 首先染色体被打断成150 200kbp左右的大片段 然后克隆到BACs BacterialArtificialChromosome 中 再进一步随机打断 克隆 测序 依靠计算机组装成长的序列 contig 2 鸟枪法 shotgun DNA片段在染色体上的位置和方向未知 全基因组随机打断成小片段 克隆 双向测序 计算机组装成长的序列 人类基因组计划 基因组图谱 遗传图谱 物理图谱遗传图谱 geneticmap 连锁图谱 显示所知的基因和 或遗传标记的相对距离位置与次序 物理图谱 physicalmap 表示某些基因和 或遗传标记之间在基因组上的精确位置和距离 如间隔的bp数目 的图谱 大规模测序方法 2 序列数据的存储 核酸序列数据库国际三大核酸序列数据库 GenBank EBML DDBJRefSeq TheReferenceSequenceDatabasedbEST ExpressedSequencesTags数据库UniGene等蛋白质序列数据库UniProtSwiss prot TrEMBL PIR基因组数据库 Ensembl 核酸数据库数据的增长 GenBank 由美国国立卫生研究院NIH下属国立生物技术信息中心NCBI建立 汇集并注释了所有公开的核酸以及蛋白质序列 每个记录代表了一个单独的 连续的 带有注释的DNA或RNA片段 GenBank中测序最多的20个物种 161 0版 2007 EMBL核酸序列数据库 EMBL EBI EuropeanBioinformaticsInstitute 维护 http www ebi ac uk embl NIG NationalInstituteofGenetics CIB CenterforInformationBiology http www ddbj nig ac jp index e html DDBJ INSDC 1998年 GenBank EMBL和DDBJ共同成立了国际核酸序列数据库协会 InternationalNucleotideSequenceDatabaseCollaboration INSDC 三大核酸数据库之间每天将新测定或更新的数据进行交换共享 保证数据信息的完整与同步 每两个月更新一次版本 http www insdc org 三大数据库之间的联系 RefSeq数据库 1 提供非冗余的 高质量的 经检验校正的序列信息 2 包括染色体 基因组 细胞器 病毒 质粒 蛋白质 RNA等 序列文件的标识符 mRNA序列 NM 123456非编码RNA NR 123456蛋白质序列 NP 123456http www ncbi nlm nih gov RefSeq RefSeq记录的特征 截然不同的Accession号区别于其它GenBank命名格式的序列 前缀是两个字母加下划线 在Comment区域显示来源 使用正式命名 包括dbxrefs的特征 蛋白序列在DBSOURCE区域标示 REFSEQ GenBankVS RefSeq dbEST 表达序列标签数据库 最多的20个物种 2007 08 总序列45 660 524条 http www ncbi nlm nih gov dbEST UniGene AnOrganizedViewoftheTranscriptome 为每一个基因创造一个唯一的条目 收集这个基因所有的ESTs http www ncbi nlm nih gov unigene Swiss Prot TrEMBL 最早广泛使用的蛋白数据库 欧洲最主要的蛋白序列数据库 http www expasy ch sprot SIB SwissInstituteofBioinformatics 可由ExPASy ExpertProteinAnalysisSystem 系统访问 所有序列条目均经过有经验的分子生物学家和蛋白质化学家审核 因此又称为蛋白质专家库 TrEMBLvs GenPept TrEMBL TranslationofEMBL 计算机注释的Swiss Prot分支数据库 从EMBL库中的cDNA序列翻译得到的氨基酸序列数据库 GenPept 由GenBank翻译得到的蛋白质序列 与TrEMBL类似 这两个数据库中的序列错误率较大 均有较大的冗余度 PIR 1984年 美国国家医学研究基金会 NREF 正式启动蛋白质信息资源 ProteinInformationResource PIR 计划 美国最主要的蛋白序列数据库 非冗余 高质量注释 全面分类 PIR数据库按照数据的性质和注释层次分为PIR1 PIR2 PIR3和PIR4 PIR1中的序列已经验证 注释最为详尽 http pir georgetown edu UniProt UniversalProteinResource Swiss prot TrEMBL PIR两大蛋白数据库的整合体 收录蛋白质序列目录最广泛 功能注释最全面的数据库 包含三个子库 UniProtKB UniProtKnowledgebase UniRef UniProtReferenceClusters UniParc UniprotArchive http www uniprot org UniProtKB UniProtKnowledgebase Release15 4 16 Jun 2009 包括 Swiss ProtRelease57 4 497293entriesTrEMBLRelease40 4 9145906entries包含蛋白质序列全面的信息 提供准确 丰富的序列与功能注释 记录以6位字母和数字组成 例 Q5K8D3 Swiss ProtRelease57 7 TrEMBLRelease40 4 较早的基因组数据库 GDB 为人类基因组计划 HGP 保存和处理基因组图谱数据 GDB的目标是构建关于人类基因组的百科全书 除了构建基因组图谱之外 还开发了描述序列水平的基因组内容的方法 包括序列变异和其它对功能和表型的描述 基因组数据库 收集某些生物整个基因组序列的数据库 基因组计划HumanGenomeProjecthttp www sanger ac uk HGP SequencingGenomicsProjectshttp www sanger ac uk Projects 从GenBank中选择同一物种的核酸信息组成的二级库 TheEnsemblprojectproducesgenomedatabasesforvertebratesandothereukaryoticspecies andmakesthisinformationfreelyavailableonline EMBL EBI和Sanger研究所共同开发 http www ensembl org 基因组数据库 Ensembl 3 序列数据的文件格式 DNA RNA 氨基酸代码的标识GenBank数据格式EMBL UniProt数据格式FASTA数据格式 DNA代码 氨基酸代码 GenBank数据文件格式 GenBank数据文件格式 GenBank数据文件格式 GenBank的数据类型 GenBank数据文件格式 GenBank数据文件格式 EMBL UniProt 数据格式 EMBL和GenBank数据格式的对比 FASTA格式 FASTA格式 1I60 A PDBID CHAIN SEQUENCEMKLCFNEATTLENSNLKLDLELCEKHGYDYIEIRTMDKLPEYLKDHSLDDLAEYFQTHHIKPLALNALVFFNNRDEKGHNEIIT