生物信息学课件

1、2021-10-292021-10-292021-10-29生物信息学最重要的任务是从海量数据中提取新知识2021-10-29生物信息学数据存在的问题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 sites Manually putting pieces together Hopefully getting the right picture. 总之，信息

2、源的特点是：总之，信息源的特点是： 自治的自治的 (autonomous) 分布式的分布式的 (distributed) 异构的异构的 (heterogeneous)数据集成数据集成Data Integration2021-10-29一、一、 生物信息学数据库生物信息学数据库生物信息学数据库的种类生物信息学数据库的种类v分子生物信息数据库种类繁多。归纳起来，分子生物信息数据库种类繁多。归纳起来，大体可以分为大体可以分为4 4个大类：个大类：基因组基因组数据库数据库核酸和蛋白质核酸和蛋白质一级结构一级结构数据库数据库生物大分子生物大分子( (主要是蛋白质主要是蛋白质) )三维空间结构三维空间结构

3、数数据库据库由上述由上述3 3类数据库和文献资料为基础构建的类数据库和文献资料为基础构建的二级数据库二级数据库2021-10-29v生物信息数据库的分类生物信息数据库的分类一级数据库一级数据库v数据库中的数据直接来源于实验获得的原始数据，只经过简数据库中的数据直接来源于实验获得的原始数据，只经过简单的归类整理和注释单的归类整理和注释v 一级核酸数据库：一级核酸数据库：EMBL database，GenBank database，DDBJ databasev 一级蛋白质序列数据库：一级蛋白质序列数据库：SWISS-PORT database ， PIR database v 一级蛋白质结构数据库

4、：一级蛋白质结构数据库： PDB database二级数据库二级数据库v对原始生物分子数据进行整理、分类的结果，是在一级数据对原始生物分子数据进行整理、分类的结果，是在一级数据库、实验数据和理论分析的基础上针对特定的应用目标而建库、实验数据和理论分析的基础上针对特定的应用目标而建立立v 人类基因组图谱库人类基因组图谱库GDBv 蛋白质结构分类数据库蛋白质结构分类数据库SCOP，CATH v 蛋白质序列功能位点数据库蛋白质序列功能位点数据库Prosite2021-10-292021-10-292021-10-29核酸序列数据库2021-10-292021-10-292021-10-29二、核酸数

5、据库二、核酸数据库1 1 、国际三大核酸数据库、国际三大核酸数据库 数据库数据库 (Database) (Database) 网址网址 (Address)(Address)nGenBank /genbank GenBank /genbank nEMBL www.ebi.ac.uk/embl EMBL www.ebi.ac.uk/embl nDDBJ www.ddbj.nig.ac.jp/index-e.html DDBJ www.ddbj.nig.ac.jp/index-e.html 2021-10-29GenBa

6、nkGenBank：由美国国家生物技术信息中心由美国国家生物技术信息中心(National (National Center for Biotechnology Information, NCBI)Center for Biotechnology Information, NCBI)建立。该建立。该中心隶属于美国国家医学图书馆，位于美国国家卫生中心隶属于美国国家医学图书馆，位于美国国家卫生研究院研究院(NIH)(NIH)内。内。EMBLEMBL：欧洲分子生物学实验室欧洲分子生物学实验室(European Molecular (European Molecular Biology Laborat

7、ory, Biology Laboratory, 其下有其下有European Bioinformatics European Bioinformatics Centre)Centre)，主要位于英国剑桥，主要位于英国剑桥CambridgeCambridge和德国汉堡和德国汉堡HamburgHamburg。DDBJDDBJ：日本日本DNADNA数据库数据库(DNA Data Bank of Japan(DNA Data Bank of Japan）, , 由由the National Institute of Genetics, NIGthe National Institute of Gen

8、etics, NIG主管。主管。2021-10-29这这3 3个大型数据库于个大型数据库于19881988年达成协议年达成协议，组成合作联合体。，组成合作联合体。它们每天交换信息，并对数据库它们每天交换信息，并对数据库DNADNA序列记录的统一序列记录的统一标准达成一致。每个机构负责收集来自不同地理分布标准达成一致。每个机构负责收集来自不同地理分布的数据（的数据（EMBLEMBL负责欧洲，负责欧洲，GenBankGenBank负责美洲，负责美洲，DDBJDDBJ负负责亚洲等），然后来自各地的所有信息汇总在一起，责亚洲等），然后来自各地的所有信息汇总在一起，3 3个数据库的数据共享并向世界开放，

9、故这个数据库的数据共享并向世界开放，故这3 3个数据库又个数据库又被称为公共序列数据库（被称为公共序列数据库（Public Sequence DatabasePublic Sequence Database）。）。所以从理论上说，这所以从理论上说，这3 3个数据库所拥有的个数据库所拥有的DNADNA序列数据序列数据是完全相同的。你可以从中选择一个你喜欢的数据库；是完全相同的。你可以从中选择一个你喜欢的数据库；但是如果你的研究需要实时但是如果你的研究需要实时(24(24小时以内小时以内) )的，则要注意的，则要注意这些数据库间的记录是会有差异的。这些数据库间的记录是会有差异的。 2021-10-

10、29北京大学生物信息学中心北京大学生物信息学中心(Centre of Bioinformatics, (Centre of Bioinformatics, Peking University):Peking University):北京华大基因研究中心北京华大基因研究中心( (中国科学院北京基因组研究所中国科学院北京基因组研究所) )：http:/ :2 2、我国主要生物信息学机构、我国主要生物信息学机构2021-10-29三、基因组数据库三、基因组数据库如：大肠杆菌基因组如：大肠杆菌基因组ECDCECDC、酵母菌基因组、酵母菌基因组CYGDCYGD、线虫基因组、线虫基因组AceDBAceDB

11、、果蝇基因组、果蝇基因组FlyBaseFlyBase、老鼠基因组、老鼠基因组MGDMGD、人类基因组、人类基因组GDBGDB、拟南芥、拟南芥 TAIR(AtDB)TAIR(AtDB)数据库和水稻基数据库和水稻基因组因组RGPRGP等。等。部分生物基因组计划网址如下：部分生物基因组计划网址如下：2021-10-29大肠杆菌大肠杆菌E ColiE Coli ECDC ECDC数据库数据库http:/www.uni-giessen.de/gx1052/ECDC/ecdc.htmhttp:/www.uni-giessen.de/gx1052/ECDC/ecdc.htm酵母菌酵母菌Yeast Yeast

12、 CYGDCYGD数据库数据库 http:/mips.gsf.de/genre/proj/yeast/index.jsphttp:/mips.gsf.de/genre/proj/yeast/index.jsp线虫线虫 Caenorhabditis elegansCaenorhabditis elegans AceDBAceDB数据库数据库/genome.shtml/genome.shtmlhttp:/www.wormbase.o

13、rg果蝇果蝇 DrosophilaDrosophila FlyBaseFlyBase数据库数据库// 老鼠老鼠 Mouse Mouse MGDMGD数据库数据库/genome

14、/guide/mouse/genome/guide/mouse2021-10-29目前完成全基因组测序工作的物种有很多，并目前完成全基因组测序工作的物种有很多，并在随时更新（在随时更新（updateupdate）. .可以进入可以进入ncbincbi的基因组的基因组计划二次数据库计划二次数据库查看，其网址：查看，其网址：/Genomes/Genomes2021-10-29四、四、 数据库格式数据库格式 历史原因：历史原因：没有完全统一没有完

15、全统一的数据库格式的数据库格式 了解所用数据库格式的重要性了解所用数据库格式的重要性 一般由两部分组成：一般由两部分组成： 文字注释文字注释 序列序列2021-10-29FASTA FASTA 序列格式包括三个部分：序列格式包括三个部分：v（1 1）在注释行的第一行用）在注释行的第一行用字符字符“”标识标识，后面，后面是序列的名字和来源是序列的名字和来源v（2 2）标准的）标准的单字符单字符表示序列表示序列v（3 3）可选的）可选的“* *”表示序列的结束，它可能出现也表示序列的结束，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。

16、序列所必须的。FASTAFASTA格式是序列格式是序列分析软件最常用的格式分析软件最常用的格式。这种。这种格式提供了从一个窗口到另一个窗口非常方便的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，因为拷贝途径，因为序列中没有数字或其他非字符序列中没有数字或其他非字符。FASTAFASTA序列格式和蛋白质信息资源序列格式和蛋白质信息资源NBRFNBRF格式很相格式很相似。似。1 1、FASTAFASTA序列格式序列格式(Person(Person格式格式 ) )2021-10-29说明说明3 3点：点： 序列文件的第一行是由大于符号（）打序列文件的第一行是由大于符号（）打头的任意文字说明，主

17、要为标记序列用。头的任意文字说明，主要为标记序列用。从第二行开始是序列本身，标准核苷酸符从第二行开始是序列本身，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。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文件中和每一行都不要超过8080个字符（通个字符（通常常6060个字符）。个字符）。2021-10-29核酸序列核酸序列氨基酸序列氨基酸序列2021-10-29 组成序列信息字符串的符号必须为标准的组成序列信息字符串的符号必须为标准的国国际生物化学联合会际生物化学联合会 （IUB）/国际纯粹与应国际纯粹与应

18、用化学联合会用化学联合会 （IUPAC) 氨基酸或核苷酸的符号符号的大小写同义，氨基酸或核苷酸的符号符号的大小写同义，单个单个“连字符连字符”表示一个空位表示一个空位 不清楚的核苷酸残基用不清楚的核苷酸残基用N表示，不确定的氨表示，不确定的氨基酸残基用基酸残基用X表示表示 标题行的名称是用户自定义的，可以是汉字，标题行的名称是用户自定义的，可以是汉字，也可以是英文也可以是英文注意注意2021-10-292. 序列详细注释的序列详细注释的GenBank格式格式 GBFF(GenBank flatfile,GenBank 平面文平面文件件)格式格式 GenBank数据库的基本信息单位，是最为数据库

19、的基本信息单位，是最为广泛使用的生物信息学序列格式之一。广泛使用的生物信息学序列格式之一。2021-10-29GenBank格式格式GenBank格式：格式：每个条目都是一份每个条目都是一份纯文本文件纯文本文件。每行左端或为空格或为识别字，。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。识别字均为完整英文字，不用缩写。 GenBank条目，使用一大批与条目，使用一大批与EMBL和和DDBJ数据库统一的关键数据库统一的关键字。字。格式可以分成格式可以分成3个部分：个部分：1）头部包含关于整个序列的信息（描述字符），从头部包含关于整个序列的信息（描述字符），从 LOCUS行到行到OR

20、IGIN行行；2）注释这一序列的特性（）注释这一序列的特性（Feature Table ），为注释的核心部分；），为注释的核心部分；3）序列本身）序列本身(Sequence)。注：所有的核苷酸数据库记录（注：所有的核苷酸数据库记录（EMBL/GenBank/DDBJ)都在最后都在最后一行以一行以/结尾。结尾。2021-10-29一个简单的GenBank记录LOCUS AF062069 3808 bp mRNA INV 02-MAR-2000DEFINITION Limulus polyphemus myosin III mRNA, complete cds.ACCESSION AF062069

21、VERSION AF062069.2 GI:7144484KEYWORDS .SOURCE Atlantic horseshoe crab. ORGANISM Limulus polyphemus Eukaryota; Metazoa; Arthropoda; Chelicerata; Merostomata; Xiphosura; Limulidae; Limulus.REFERENCE 1 (bases 1 to 3808) AUTHORS Battelle,B.-A., Andrews,A.W., Calman,B.G., Sellers,J.R., Greenberg,R.M. and

22、 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., Calman,B.G., Sellers,J.R., Greenberg,R.M. and Smith,W.C. TITLE Direct Submission JOURNAL Submitted (29-APR-1998

23、) 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 Smith,W.C. TITLE Direct Submission JOURNAL Submitted (02-MAR-2000) Whitney Laboratory, Un

24、iversity 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:3132700.2021-10-29FEATURES Location/Qualifiers source 1.3808 /organism=Limulus polyphemus /db_xref=taxon:6850 /tissue_type=lateral eye

25、 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=MEYKCISEHLPFETLPDPGDRFEVQELVGTGTYATVYSAIDKQA NKKVALKIIGHIAENLLDIETEYRIYKAVNGIQFFPEFRGAFFKRGERESDNEVWL

26、GI EFLEEGTAADLLATHRRFGIHLKEDLIALIIKEVVRAVQYLHENSIIHRDIRAANIMF SKEGYVKLIDFGLSASVKNTNGKAQSSVGSPYWMAPEVISCDCLQEPYNYTCDVWSIG ITAIELADTVPSLSDIHALRAMFRINRNPPPSVKRETRWSETLKDFISECLVKNPEYR PCIQEIPQHPFLAQVEGKEDQLRSELVDILKKNPGEKLRNKPYNVTFKNGHLKTISGQ BASE COUNT 1201 a 689 c 782 g 1136 tORIGIN 1 tcgacatctg tggtc

27、gcttt ttttagtaat aaaaaattgt attatgacgt cctatctgtt 3781 aagatacagt aactagggaa aaaaaaaa/GenBank记录（ cont.）2021-10-29LOCUS AF062069 3808 bp mRNA INV 02-MAR-2000序列和数据库标识序列和数据库标识位置, 提取号, 版本DEFINITION Limulus polyphemus myosin III mRNA, complete cds.GB DivisionLocus名字简单描述 (标题)修改日期序列类型mRNA (= cDNA)rRNAsnRNA

28、DNA序列长度VERSION AF062069.2 GI:7144484ACCESSION AF062069提取号Accession.versiongi number2021-10-29关键字，生物体来源关键字，生物体来源KEYWORDS .SOURCE Atlantic horseshoe crab. ORGANISM Limulus polyphemus Eukaryota; Metazoa; Arthropoda; Chelicerata; Merostomata; Xiphosura; Limulidae; Limulus.序列来源的物种名序列来源的物种名序列来源的物种学序列来源的物种

29、学名和分类学位置名和分类学位置可更新的序可更新的序列版本号列版本号2021-10-29REFERENCE 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

30、 3808) AUTHORS Battelle,B.-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,

31、B.-A., Andrews,A.W., Calman,B.G., Sellers,J.R., 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 sequenc

32、e version replaced gi:3132700.引用以前版本号以前版本号相关文献编号，或递相关文献编号，或递交序列的注册信息交序列的注册信息相关文献作者，或相关文献作者，或递交序列的作者递交序列的作者相关文献题目相关文献题目引文出处引文出处相关文献刊相关文献刊物杂志名，或递交序物杂志名，或递交序列的作者单位列的作者单位相关文献注释相关文献注释评注评注2021-10-29FEATURES Location/Qualifiers source 1.3808 /organism=Limulus polyphemus /db_xref=taxon:6850 /tissue_type=lat

33、eral 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 NKKVALKIIGHIAENLLDIETEYRIYKAVNGIQFFPEFRGAFFKRGERES

34、DNEVWL特性表编码序列编码序列Biosource阅读框阅读框GenPept Protein Identifiers2021-10-29BASE COUNT 1201 a 689 c 782 g 1136 tORIGIN 1 tcgacatctg tggtcgcttt ttttagtaat aaaaaattgt attatgacgt cctatctgtt 3721 accaatgtta taatatgaaa tgaaataaag cagtcatggt agcagtggct gtttgaaata 3781 aagatacagt aactagggaa aaaaaaaa/Sequence记录结束标

35、记记录结束标记指示序列数据的起始GenBank碱基数目2021-10-293. 序列详细注释的序列详细注释的EMBL格式格式 除了除了GenBank对序列的信息详细标注外，对序列的信息详细标注外，EMBL数据库对序列的信息标注与数据库对序列的信息标注与GenBank类似，只是字符的标识符是两类似，只是字符的标识符是两个字母的简写。个字母的简写。2021-10-292.2 序列数据库检索序列数据库检索2021-10-29 一二级数据库数量的增加，按不同需求组织信息的各类数据库的出现不同数据库的信息整合、检索查询系统（baidu，Google）EntrezSRS2021-10-29Entrez用途

36、用途 检索大分子生物学数据 获取GenBank，EMBL等数据库的核酸序列； 获取Swiss-port，PIR，PRF，PDB等蛋白质序列；从核酸序列翻译到蛋白质的序列； 获取基因和染色体图谱；蛋白质三维结构数据及大分子模式（MMDB）等其他生物信息数据库检索。 PubMed书目文献数据。2021-10-29NCBI：2021-10-29 GenBank数据库是由美国国立生物技术信息数据库是由美国国立生物技术信息中心（中心（NCBI）维护的一级核酸序列数据库。）维护的一级核酸序列数据库。GenBank数据库的数据来源有三种：数据库的数据来源有

37、三种：1、直接来源于测序工作者提交的序列；、直接来源于测序工作者提交的序列；2、与其它数据机构协作交换的数据；、与其它数据机构协作交换的数据；3、美国专利局提供的专利数据。、美国专利局提供的专利数据。简介简介2021-10-29检索界面检索界面简介简介1、基本检索界面、基本检索界面2021-10-292021-10-29检索界面检索界面简介简介1、基本检索界面、基本检索界面2、跨库检索界面、跨库检索界面2021-10-292021-10-292021-10-29简介简介检索界面检索界面基本检索功能基本检索功能（一）字段限制检索、强制短语检索（一）字段限制检索、强制短语检索（二）特殊标志符检索（

38、二）特殊标志符检索（四）范围检索（四）范围检索（三）序列长度检索（三）序列长度检索2021-10-29简介简介检索界面检索界面基本检索功能基本检索功能（一）字段限制检索、强制短语检索（一）字段限制检索、强制短语检索2021-10-292021-10-29 ras2021-10-292021-10-29rasGENE2021-10-292021-10-292021-10-29检索限定词：检索限定词：1、基因名称的检索限定词：、基因名称的检索限定词：GENE or GENE NAME2、生物体名称的检索限定词：、生物体名称的检索限定词：ORGN or ORGANISM3、作者姓名的检索限定词：、作

39、者姓名的检索限定词：AUTH or AUTHOR2021-10-29简介简介检索界面检索界面基本检索功能基本检索功能（二）特殊标志符检索（二）特殊标志符检索（一）字段限制检索、强制短语检索（一）字段限制检索、强制短语检索2021-10-29特殊标志符的格式特殊标志符的格式（核酸序列）（核酸序列） ：1、序列辨认号（、序列辨认号（GI）：一串阿拉伯数字）：一串阿拉伯数字 e.g.：194407332021-10-292021-10-29特殊标志符的格式特殊标志符的格式（核酸序列）（核酸序列） ：2、GenBank/EMBL/DDBJ序列接受号：序列接受号： (1)1个字母个字母+5个阿拉伯数字个阿拉伯数字 e.g.：U12345 (2)2个字母个字母+6个阿拉伯数字个阿拉伯数字 e.g.：AY123456，Af1234561、序列辨认号（、序列辨认号（GI）：一串阿拉伯数字）：一串阿拉伯数字 e.g.：194407332021-10-29（1）mRNA 记录（记录（NM_*）: e.g.:NM_000492（2）基因组的）基因组的DNA重叠群（重叠群（NT_*）: e.g.:NT_000347（3）完整的基因组或染色体（）完整的基因组或染色体（NC_*）: e.g.:NC_000907（4）基因组的局部区域（