生物信息学资料

生物信息学的定义广义上，生物信息学（Bioinformatics）包含了对生物信息的获取、加工、储存、分析和解释等，并综合运用数学、计算机科学和生物学的各种工具，来阐明大量生物学数据所包含的生物学意义。生物信息学研究的具体内容把基因组DNA序列信息分析作为源头，找到基因组中代表蛋白质和RNA基因的编码区，阐明非编码区的信息实质，破译隐藏在DNA序列中的语文规律；同时，归纳、整理与基因组遗传语文信息释放及其调控相关的转录谱和蛋白质谱数据，从而认识代谢、发育、分化、进化的规律。生物信息学具有三个方面的科学基础发达的、复杂的、可以相互交流的数据库系统强有力的创新算法和软件自动化、大规模、高通量的生物学研究方法与平台技术分子生物信息数据库的种类基因组数据库核酸和蛋白质一级结构（序列）数据库生物大分子（主要是蛋白质）空间结构数据库二次数据库二次数据库对一次数据库以及文献等数据进行分析、整理、归纳、注释二次数据库的种类以核酸数据库为基础：真核生物启动子数据库EPD克隆载体数据库Vector基因转录调控因子数据库TransFac以蛋白质序列数据库为基础：蛋白质功能位点数据库Prosite蛋白质序列指纹图谱数据库Prints同源蛋白家族数据库Pfam同源蛋白结构域数据库Blocks二次数据库的种类以具有特殊功能的蛋白质为基础：免疫球蛋白数据库Kabat蛋白激酶数据库PKinase以三维结构原子坐标为基础：蛋白质二级结构构象参数数据库DSSP已知空间结构的蛋白质家族数据库FSSP已知空间结构的蛋白质及其同源蛋白数据库HSSP两类数据库的特点：一次数据库数据量大，更新速度快，用户面广需要高性能的计算机服务器、大容量的磁盘空间和专门的数据库管理系统支撑。例如，欧洲生物信息学研究所用Oracle数据库软件管理、维护核酸数据库EMBL；基因组数据库GDB的管理运行基于Sybase数据库管理系统。两类数据库的特点：二次数据库容量小，更新速度较慢，可以不用大型商业数据库软件支持。许多二次库的开发基于Web浏览器。其优点是使用方便，使用者不需要有丰富的计算机专业知识。序列数据库是分子生物信息数据库的重要组成部分，包括核酸和蛋白质两类，以核苷酸碱基顺序和氨基酸残基顺序为基本内容，并附有注释信息。三大核酸数据库GenBank，由美国国家生物技术信息中心（NationalCenterforBiotechnologyInformation,NCBI）维护。三大核酸数据库EMBL数据库是由欧洲分子生物学实验室（EuropeanMolecularBiologyLaboratory，EMBL）创建，并因此得名，现由欧洲生物信息学研究所（EuropeanBioinformaticsInstitute,EBI）维护。三大核酸数据库DDBJ（DNADateBaseofJapan）由日本国家遗传学研究所（NationalInstituteofGenetics,NIG）维护。GDB人类基因组数据库1）基因组结构数据：基因单位、PCR位点、细胞遗传标记、EST、叠连群、重复片段等。2）基因组图谱：细胞遗传图、连锁图、放射杂交图、转录图等。3）基因多态性数据：等位基因等。4）与其他数据库的超文本链接：GenBank、EMBL、遗传疾病数据库OMIM、MedLine等。同源序列是指从某一共同祖先经趋异进化而形成的不同序列。相似性是指序列比对过程中，检测序列和目标序列之间相同碱基或氨基酸残基序列所占比例的高低。整体比对（Globalalignment）：从序列全长出发，考虑序列的整体相似性。局部比对（Localalignment）：考虑序列部分区域的相似性。在核酸序列数据库中运行BLAST步骤1、提交检测序列2、选择数据库3、选择物种4、选择程序和算法5、查看比对结果1、分子生物信息数据库的种类，以及各类数据库的数据来源和特点，每类能列举2－3个具有代表性的数据库。2、什么是数据库查询？举例说明常用的数据库查询系统有什么特点？3、什么是数据库搜索？其工作基础、任务和目的分别是什么？4、BLAST的中英文含义分别是什么？其基本思路是什么？BLAST有哪些分程序？各自的检测序列、数据库类型和功能是什么？5、向GenBank递交序列的工具有哪些？核酸序列分析是用理论方法预测核酸序列的结构和功能，是解析基因组信息和发现新基因的基础。常见序列格式：（1）FASTA格式（2）plaintext格式（3）GCG格式（4）Genbank格式真核生物基因结构的分析和预测：序列的基本分析ü序列比对和同源性分析ü开放阅读框分析ü内含子/外显子结构预测ü限制性内切酶分析ü重复序列分析üCpG岛的预测üü基因启动子区域预测转录终止信号预测ü密码子偏好性计算ü用mRNA序列预测基因ü引物设计ü核酸序列的基本分析：分子质量、碱基组成、碱基分布序列变换（3）查看测序峰图和去除载体序列核酸序列的两两比较和多序列比对

常用工具：DNAMAN

ClustalX编码区(CodingSequence，CDS)：mRNA分子中能翻译成多肽的那部分序列正反向两条链就有6种读码框架。开放阅读框（Openreadingframe,ORF）：基因序列的一部分，包含一段可以编码蛋白的碱基序列，不被终止子打断。下列几种特性可用来检测潜在的ORF：ORF长度：很难随机发现很长的读码框，因而长的读码框很可能意味着存在ORF。Kozak序列：具有起始功能的AUG附近的一段特殊序列。密码子偏好性（codonusagebias）编码同一种氨基酸的密码子称为同义密码子。某一物种或某一基因通常倾向于使用一种或几种特定的同义密码子，此现象被称为密码子偏好性。ORFfinder步骤：/gorf/gorf.html输入序列：在EnterGIorACCESSION后面的框中输入公共序列的gi号或ACCESSION号；或者在orsequenceinFASTAformat后面的框中输入完整的序列设置序列范围在FROM:TO:后面的框中输入进行ORF查找的序列范围Geneticcodes可以选择采用何种遗传编码按OrfFind按钮即可执行CpG岛的预测原理CpG岛（CpGisland）是一段200bp或者更长的DNA序列，G+C含量较高，并且CpG双核苷酸频率占G+C含量的50%以上，p表示C和G以磷酸二酯键相连。CpG双核苷酸在基因组中的分布很不均一，CpG岛主要位于基因的启动子和第一外显子区域，约有60%-80%的启动子含有CpG岛。CpG岛可对基因及其启动子的预测提供重要线索。引物设计的3条基本原则引物与模板的序列要紧密互补引物与引物之间避免形成稳定的二聚体或发夹结构引物不能在模板的非目的位点引发DNA聚合反应引物设计注意事项引物的长度一般为15-30bp，常用的是18-27bp，但不应大于38bp。引物在模板内应当没有相似性较高的片段，否则容易导致错配。同源性或互补性：两引物间最好不存在4个连续碱基的同源性或互补性。GC含量：一般为40-60%。另外，上下游引物的GC含量不能相差太大。获取基因全长cDNA序列较常见的方法有：（1）cDNA文库筛选法（2）快速cDNA末端扩增法（3）电子克隆法分子钟：分子水平的恒速变异，或分子进化速率在不同种系中恒定。中性理论：（1）进化过程中的核苷酸置换绝大部分是中性或者接近中性的突变随机固定的结果，而不是正向达尔文选择的结果。（2）许多蛋白质多态性必须在选择上为中性或者接近中性，并在群体中由突变维持平衡。同源性状(homologouscharacter)：两个物种中有两个性状(状态)满足以下两个条件中的任意一个:a.它们与这些物种的及先类群中所发现的某个性状相同；b.它们是具有祖先—后裔关系的不同性状。直系同源的序列因物种形成（speciation）而被区分开：若一个基因原先存在于某个物种，而该物种分化为了两个物种，那么新物种中的基因是直系同源的。旁系同源的序列因基因复制（geneduplication）而被区分开：若生物体中的某个基因被复制了，那么两个副本序列就是旁系同源的。直系同源的一对序列称为直系同源体（orthologs），旁系同源的一对序列称为旁系同源体（paralogs）。前者反映基因进化历史，后者反映物种血统上的同源性。异同源指相似基因的水平转移（similarsequencesthathavearisenoutofHorizontalgenetransfer），有机体间采用其他方式传递的基因，如被病毒注入的基因。多异同源指基因组中拥有两个或更多的外源基因拷贝。异同源可以部分反映基因进化的历史1．祖先类群：如果一个类群(物种)至少有一个子裔类群，这个原始的类群就称为祖先类群。2．单系类群：包含一个祖先类群所有子裔的群组称为单系类群，其成员间存在共同祖先关系。3．并系类群和复系类群：不满足单系类群要求，各成员间又具有共同祖先特征的群组称为并系类群；各成员既不具有共同衍生特征也不具有共同祖先特征，只具有同型特征的分类群组称为复系类群。4．内类群和外类群：一项研究所涉及的某一特定类群可称为内类群；不包括在内类群中又与之有一定关系的类群可称为外类群。外类群的建立是为了比较内类群中各成员的特征差异。在实际研究中，还可以选两个或两个以上的外类群作为复合外类群。5．姊妹群：与某一类群在谱系关系上最为密切的类群称为妹妹群。姊妹群是单系类群的一种常见类型。系统树（phylogenetictree）是表达类或序列间系统发育关系的一种树状图。系统（发育）树1有根树和无根树：以外类群作为树根的系统树称为有根树，没有外类群为树根的称为无根树。标度树枝和非标度树枝：树枝的长度代表了性状状态变异的数量，称为标度树枝系统树若各树枝的长度并不表示性状状态变异的数量，但所有节点的位置仍与分化时间相对应，可称为非标度树枝系统树。3基因树和物种树：基因树是由一个基因所构建的系统树；物种树则表达了某一特定类群的进化路径。基因树与物种树的区别(1)对于某一被研究的基因,可能存在种内多态性,即在物种分化之前,该基因可能已经开始分化。两物种间该基因的分化时间可能早于这两个物种的分化的时间。由这一基因计算而来的分支长度(分歧时间)可能偏离.(2)基因树的分支情况(拓扑结构)可能不同于物种树。一般发生在分支点非常接近的物种间。例如人，猩猩和黑猩猩间的关系。通过增加DNA序列的长度并测定多个相互独立的基因片段,一般可以避免这种问题的发生。系统树构建方法．主要有简约法(Parsimonymethod)、相容法(compatibilitymethod)、距离矩阵法(distancematrixmethod)和最大似然法(maximumlikelihoodmethod)等。（1）距离矩阵法距离矩阵法包括两种方法：非加权组平均法(unweightedpair-groupmethodwitharithmeticmeans,UPGMA)和邻接法(neighbor-joiningmethod)。基因组（genome）是指一个生物体、细胞器或病毒的整套基因。基因组学（genomics）则以基因组分析为手段，研究基因组的结构组成、时序表达模式（temporalexpressionpattern）和功能，并提供有关生物物种及其细胞功能的进化信息。基因组作图（genomicmapping）的目的是确定界标或基因在构成基因组的每条染色体上的位置，以及同条染色体上各个界标或基因之间的相对距离。工作主要涉及遗传连锁图（geneticlinkagemap），物理图和表达图（expressionmap）。遗传连锁图是用遗传模式来描述DNA标记(基因和其他确定的DNA序列)在染色体上的相对位置。遗传图的图距单位为厘摩(cM)，1cM代表1％交换率。物理图是标明一些界标（如限制酶切点、单一序列、基因等）在DNA分子或染色体上所处位置的图，图距以物理长度为单位（如碱基对的数目bp）。表达图就是基因在不同组织中表达情况（表达量的多少）的图谱。功能基因组学（functionalgenomics）：利用结构基因组学研究所得的各种来源的信息，建立与发展各种技术和实验模型来测定基因及基因组非编码序列的生物学功能。非确定读码（unidentifiedreadingframe，URF）是指DNA序列中识别出的一个可读框，但其生物学功能尚不明确。直系同源基因（orthologousgene）是指在不同物种之间同源相似的基因，而并系同源基因（paralogousgene）是指一个物种内的同源基因。蛋白质组（proteome）是指一个基因组中每个基因编码产生的蛋白质的总体，即一个基因组的全部蛋白产物及其表达情况。转录物组（Transcriptome）：任何一个特定细胞内的全套mRNA；或一个基因组所转录得到的全部mRNA。转录物组学（Transcriptomics）：在转录物组水平上研究mRNA表达谱。蛋白质组学的研究内容主要有两方面，一是结构蛋白质组学，二是功能蛋白质组学。结构蛋白质组学是处理蛋白质结构的储存、提交、比较和预测的学科。功能蛋白质组：细胞在一定阶段或与某一生理现象相关的所有蛋白质。3、为什么需要蛋白质组学?（1）DNA序列信息的局限性（2）mRNA水平的测定不准确（3）结构基因组学分析的局限（4）难以确定基因表达的时序和程度（5）基因及其产物之间的关系一、蛋白质结构的价值:1、结构与功能的一致性2、结构与功能的非一致性蛋白质结构预测是基于两种需求发展起来的：氨基酸序列和蛋白质高级结构间的关系是生物学中心法则的延伸，对了解生命现象的本质有重要意义。蛋白质结构的测定速度远跟不上序列的增长速度，而高级结构的信息对蛋白质工程的研究、药物设计等都是必须的，因此，结构预测成为一种迫切的需要。蛋白质二级结构预测的方法基于统计学的预测方法1、Chou-Fasman方法直接以氨基酸序列来预测二级结构统计各种氨基酸在不同二级结构中的各种构象分布概率、氨基酸在蛋白质中的相对出现概率以及残基出现在结构中的频率，最后得到构想参数，根据此参数得出氨基酸形成二级结构的倾向性，从而预测二级结构。2、GOR方法3、最小邻近法4、人工神经网络法基于实验数据的预测方法1、Cohen法疏水性残基决定了二级结构的相对位置，螺旋亚单元或扩展单元是结构域的核心，