生物信息学市公开课获奖课件

1、生物信息学第二章：序列采集和存储第1页第1页中心法则DNA：Deoxyribonucleic acid，脱氧核糖核酸；RNA：RiboNucleic Acid，核糖核酸；第2页第2页碱基第3页第3页核苷酸，Ribonucleotide 第4页第4页脱氧核苷酸Deoxyribonucleotide第5页第5页双脱氧核糖核苷酸Dideoxyribonucleotide第6页第6页DNA结构第7页第7页RNA结构第8页第8页氨基酸结构第9页第9页氨基酸性质及分类第10页第10页氨基酸周期表第11页第11页原则密码子第12页第12页本章内容提纲1. DNA测序2. 序列数据存储核酸序列数据库蛋白质序列

2、数据库基因组数据库3. 序列数据文献格式第13页第13页1. DNA测序DNA一次连续测序长度约为500bp;EST (Expressed sequence tag) 测序：细胞中mRNA反转录成cDNA，方向不定测序;GSS (Genome Survey Sequences，基因组勘测序列)：类似于ESTs，起源基因组;HTG (High-throughput genome sequences，高通量基因组序列)：高通量、尚未竣工DNA序列;第14页第14页DNA 测序试验办法(末端终止法）CATddGTPddTTPddATP(D)第15页第15页第16页第16页第17页第17页使用寡核苷酸

3、引物连续测序第18页第18页基因组测序：两种方案策略1. 基因图谱法：DNA片段在染色体上位置、方向已知。首先染色体被打断成150200kbp左右大片段，然后克隆到BACs (Bacterial Artificial Chromosome)中，再进一步随机打断，克隆，测序，依托计算机组装成长序列(contig) 。2. “鸟枪法”（shotgun）：DNA片段在染色体上位置和方向未知。全基因组随机打断成小片段，克隆，双向测序，计算机组装成长序列。第19页第19页人类基因组计划 基因组图谱：遗传图谱，物理图谱 遗传图谱(genetic map)：连锁图谱，显示所知基因和/或遗传标识相对距离位置与

4、顺序。物理图谱(physical map):表示一些基因和/或遗传标识之间在基因组上准确位置和距离（如间隔bp数目）图谱。第20页第20页第21页第21页大规模测序办法第22页第22页2. 序列数据存储核酸序列数据库国际三大核酸序列数据库：GenBank, EBML, DDBJRefSeq: The Reference Sequence DatabasedbEST: Expressed Sequences Tags数据库UniGene等蛋白质序列数据库UniProtSwiss-prot & TrEMBL, PIR基因组数据库: Ensembl第23页第23页核酸数据库数据增长第24页第24页G

5、enBank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核酸以及蛋白质序列。每个统计代表了一个单独、连续、带有注释DNA或RNA片段。第25页第25页GenBank中测序最多20个物种161.0版，第26页第26页EMBL核酸序列数据库EMBL-EBI (European Bioinformatics Institute)维护;http:/www.ebi.ac.uk/embl/第27页第27页NIG (National Institute of Genetics)CIB (Center for Information Biology)http:/www.

6、ddbj.nig.ac.jp/index-e.htmlDDBJ第28页第28页INSDC1998年，GenBank、EMBL和DDBJ共同成立了国际核酸序列数据库协会 （International Nucleotide Sequence Database Collaboration,INSDC）三大核酸数据库之间天天将新测定或更新数据进行互换共享，确保数据信息完整与同时，每两个月更新一次版本。/第29页第29页第30页第30页三大数据库之间联系第31页第31页RefSeq数据库1. 提供非冗余，高质量，经检查校正序列信息；2. 包括染色体、基因组（细胞器、病毒、质粒）、蛋白质、RNA等； 序列

7、文献标识符：mRNA序列：NM_123456非编码RNA：NR_123456蛋白质序列： NP_123456 /RefSeq第32页第32页第33页第33页RefSeq统计特性截然不同Accession号区分于其它GenBank命名格式序列，前缀是两个字母加下划线 _;在Comment区域显示起源;使用正式命名;包含dbxrefs特性;蛋白序列在DBSOURCE区域标示 REFSEQ第34页第34页GenBank VS. RefSeq第35页第35页dbEST: 表示序列标签数据库最多20个物种：.08，总序列45,660,524条/dbEST/第36页第36页UniGene: An Orga

8、nized View of the Transcriptome为每一个基因创造一个唯一条目，搜集这个基因所有ESTs/unigene第37页第37页Swiss-Prot & TrEMBL 最早广泛使用蛋白数据库；欧洲最主要蛋白序列数据库；http:/www.expasy.ch/sprot/SIB（Swiss Institute of Bioinformatics）可由ExPASy（Expert Protein Analysis System）系统访问；所有序列条目均通过有经验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。第38页第38页TrEMBL vs. GenPeptTrEMBL

9、 (Translation of EMBL)：计算机注释Swiss-Prot分支数据库，从EMBL库中cDNA序列翻译得到氨基酸序列数据库。GenPept：由GenBank翻译得到蛋白质序列，与TrEMBL类似，这两个数据库中序列错误率较大，都有较大冗余度。第39页第39页PIR1984年，美国国家医学研究基金会（NREF）正式启动蛋白质信息资源（Protein Information Resource, PIR）计划；美国最主要蛋白序列数据库;非冗余、高质量注释、全面分类;PIR数据库按照数据性质和注释层次分为PIR1、PIR2、PIR3和PIR4。PIR1中序列已经验证，注释最为详尽。/第

10、40页第40页UniProtUniversal Protein Resource： Swiss-prot(TrEMBL), PIR两大蛋白数据库整合体；收录蛋白质序列目录最广泛、功效注释最全面数据库；包括三个子库：UniProtKB（UniProt Knowledgebase）UniRef（UniProt Reference Clusters）UniParc（Uniprot Archive）第41页第41页第42页第42页UniProtKBUniProt Knowledgebase： Release 15.4 ， 16-Jun- ，包括：Swiss-Prot Release 57.4 : 49

11、7293 entries TrEMBL Release 40.4 : 9145906 entries 包括蛋白质序列全面信息，提供准确、丰富序列与功效注释。统计以6位字母和数字构成，例：Q5K8D3 第43页第43页第44页第44页Swiss-Prot Release 57.7第45页第45页第46页第46页TrEMBL Release 40.4第47页第47页较早基因组数据库- GDB为人类基因组计划(HGP)保留和处理基因组图谱数据。GDB目的是构建关于人类基因组百科全书，除了构建基因组图谱之外，还开发了描述序列水平基因组内容办法，包括序列变异和其它对功效和表型描述。第48页第48页基因组

12、数据库搜集一些生物整个基因组序列数据库;基因组计划Human Genome Projecthttp:/www.sanger.ac.uk/HGP/Sequencing Genomics Projectshttp:/www.sanger.ac.uk/Projects/ 从GenBank中选择同一物种核酸信息构成二级库;第49页第49页The Ensembl project produces genome databases for vertebrates and other eukaryotic species, and makes this information freely availabl

13、e online.EMBL-EBI和Sanger研究所共同开发。/基因组数据库-Ensembl第50页第50页3. 序列数据文献格式DNA/RNA/氨基酸代码标识GenBank数据格式EMBL & UniProt数据格式FASTA 数据格式第51页第51页DNA代码氨基酸代码第52页第52页GenBank数据文献格式第53页第53页GenBank数据文献格式第54页第54页GenBank数据文献格式子库Locus名字定义 (标题)修改日期序列类型mRNA (= cDNA)rRNAsnRNADNA序列长度检索号Genbank号序列形状第55页第55页GenBank数据类型第56页第56页GenBank数据文献格式第57页第57页GenBank数据文献格式第58页第58页EMBL(UniProt)数据格式第59页第59页EMBL和GenBank数据格式对比第60页第60页FASTA格式第61页第61页FASTA格式1I60:A|PDBID|CHAIN|SEQUENCEMKLCFNEATTLENSNLKLDLELCEKHGYDYIEIRTMDKLPEYLKDHSLDDLAEYFQTHHIKPLALNALVF