生物信息学课件.ppt

1、生物信息学,生物信息数据库,Bioinfo-databases,生物信息数据库,生物信息数据库检索(Retrieval),生物信息数据库概况,数据库是存储在某种介质上的相关数据有组织的集合 数据库包含的基本对象称为条目(entry)，其由一系列字段构成，每一字段代表一类数据 数据库的特征： 可检索； 定时更新； 数据库间可交叉链接和引用,生物信息数据库概况,据2008年核酸研究(Nucleic acid research, molecular biology database collection)最新统计，全球共有1078个主要分子生物学数据库，涵盖了生物学研究的诸多领域，数据库数量和种类激

2、增，有向专门化、专业化发展的趋势,生物信息数据库概况,核酸研究将生物信息数据库主要划分为14大类,http:/www.3.oup.co.uk/nar/database/c/,生物信息数据库的类型,初级数据库 收录、存储生物信息学的基本数据资源，如核酸（蛋白质）序列、蛋白质空间结构及基因组信息。 次级数据库 在初级库资源基础上进行整理和标注，为特定专业领域服务的派生数据库，如表达序列标记、微列阵（基因芯片）、代谢和信号途径、遗传疾病数据库、免疫数据库等等。 系统生物学数据库 发展方向：构建包含完整生物信息的细胞、组织数据(模拟)系统，在更高层次上分析和解释生命的基本规律。,Primary dat

3、abase,Derivative database,Database for systems biology,初级数据库,核酸序列数据库 蛋白质序列数据库 生物大分子三维空间结构数据库 基因组数据库,核酸序列初级数据库,以核苷酸顺序及注释信息为基本内容的数据库 世界三大核酸数据库 GenBank in USA ( ) EMBL in Europe ( http:/www.ebi.ac.uk/embl ) DDBJ in Japan ( http:/www.ddbj.nig.ac.jp ) 1998年，GenBank, EMBL, DDBJ共

4、同成立国际核酸序列数据库协会(INSDC, )，实现了全球范围内的核酸序列的同步更新和交换互享。,蛋白质序列初级数据库,以蛋白质氨基酸顺序及注释信息为基本内容的数据库 世界主要蛋白质序列数据库 (1) PIR-PSD (Protein information resource-protein sequence database) founded by NBRF of USA (美国国家医学研究基金会) in 1984 ( / ) 1988年，日本国际蛋白质信息库(JIPID)和德国慕尼黑蛋白质序列信息中心(

5、MIPS)加入PIR，合作成立了国际蛋白质信息中心（PIR-International）。PIR为较全面和权威注释的蛋白质数据库，具有非冗余、高质量注释和分类全面等特点。,蛋白质序列初级数据库,世界主要蛋白质序列数据库 (2) SwissProt 1986年始创于瑞士日内瓦大学 ，现由瑞士生物信息学研究所(SIB)和欧洲生物信息学研究所(EBI)共同管理和维护。 ( http:/www.expasy.ch/sprot/ ) SwissProt数据库的特点：所有序列条目经过专家核实，可靠性与可信度高；注释详细，包括蛋白质的功能、序列及结构域的结构、翻译后修饰及其位点、突变体等,蛋白质序列初级数据

6、库,世界主要蛋白质序列数据库 (3) TrEMBL (translation of EMBL) 建立于1996年，是从EMBL中的cDNA序列翻译得到的蛋白质数据库。相似的还有GenPept (GenBank)数据库。 TrEMBL、GenPept数据库的特点：序列条目来自核酸序列库的翻译，即时性强；但未经专家的注释、分析和核实，因而错误率和冗余度都较高。,蛋白质序列初级数据库,全球统一的蛋白质序列与功能数据库 UniProt (Universal Protein Resource, 通用蛋白质资源) ( / ) 2002年，PIR、SIB、EBI合并

7、了分属其下的PIR-PSD、Swiss-Prot和TrEMBL数据库，形成了统一的蛋白质数据库UniProt 截止2008年8月，UniProt共收录蛋白质序列 6,462,751个,生物大分子结构初级数据库,以生物大分子各原子空间信息为基本内容的数据库 给定序列的蛋白质如何折叠为稳定、具一定生物功能的三维结构？ 信息来源：对蛋白质晶体的X射线衍射、核磁共振及冷冻电镜分析 主要数据库：美国Brookhaven国家实验室的PDB (Protein Data Bank, 1971年成立) 联合MSD-EBI、PDBj，于2003年组建全球共享的worldwide PDB (wwPDB) ( htt

8、p:// ) 截止2008年8月，共收录蛋白质结构52684个,Research Collaboratory for Structural Bioinformatics,/pdb,基因组数据库,包含某一物种全基因组序列的专门数据库 人类基因组数据库 GDB Human genome database ( / ) 拟南芥基因组数据库 TAIR arabidopsis genome database ( / ) 水稻基因组数据库 RGP rice gen

9、ome database ( http:/rgp.dna.affrc.go.jp ) ,次级数据库,通过对初级库数据进行分析整理归纳，对序列或结构进行功能标注，形成的具有特殊生物学意义和专门用途的数据库，也叫派生库（derivative database ） 如： 1、核酸序列数据库派生的GenBank的RefSeq、Unigene、EST、STS库等； 2、蛋白质序列、结构数据库派生库，包括蛋白家族、结构域和功能位点等信息，如ProSite、Pfam、SCOP等，现已整合为统一的InterPro数据库( http:/www.ebi.ac.uk/interpro/ )；,GenBank,Nat

10、ional Center for Biotechnology Information (NCBI) National Library of Medicine National Institutes of Health /,GenBank,/,全球著名的生物信息综合数据库 GenBank（1982年成立）包含所有已知的核苷酸及蛋白质序列以及与之相关的生物学信息和参考文献，现由美国生物技术信息中心（NCBI，成立于1988年）管理维护，是世界上的权威序列数据库。 数据库序列的来源为作者直接递交或

11、间接查寻文献所得，并与世界上其他公开发行的数据库，如EMBL，DDBJ交换每日更新的数据。,GenBank,GenBank 核酸数据库的增长（1982-2008）,截止2008年2月，GenBank 共收录核酸序列近8300万条，约860亿碱基对，来自26万余种生物,GenBank,/ Home page,生物信息数据库的存储,信息的存储指对一定范围内的信息进行筛选、描述、加工，使之有序化，形成可方便调用的信息集合。 数据库中的信息均以字符串文本形式存储 存储格式(storage format)：除序列或结构的基本信息外，还包括对相关信息的注

12、释和分析。 格式类型： 序列信息格式：FASTA格式、GenBank格式、EMBL格式 结构信息格式：PDB格式,核酸序列中的标准符号,*其中A C G T U N - 为常用符号,蛋白质序列中的标准符号,FASTA 格式,标题行：文件的第一行，以大于号“”开始，不换行。内容可自定义，包括基本信息和简单注释； 序列行：文件第二行起至结束，中间不得有空格。 FASTA为最简单的序列（核酸或蛋白质）格式,GenBank 格式,GenBank 格式注释信息丰富全面，属文本文件，包括4部分： 头部：含名称、定义、识别码、物种来源等基本信息； 引文区：含相关文献信息。 序列特征表：含序列的编码区、非编码

13、区、功能域、修饰或突变位点、翻译序列等众多注释信息 序列区：序列本身,GenBank 格式,Locus 行信息： Locus name； Sequence length; Type of Molecule: DNA, mRNA, cDNA Taxonomy：PRI primate(灵长类) 、ROD rodent(啮齿类)、 MAM - other mammalian (其它哺乳类)、VRT - other vertebrate(脊椎动物）、INV invertebrate sequences、PLN - plant, fungal, and algal; BCT - bacterial; V

14、RL - viral, PHG - bacteriophage, SYN - synthetic; UNA - unannotated; EST - expressed sequence tags Date: 上传或最近修改时间,GenBank 格式,GenBank 格式,GenBank 格式,/,EMBL 格式,EMBL 格式与GenBank 格式类似，其条目用两字母缩写,EMBL 格式,EMBL 格式与GenBank 格式类似，其条目用两字母缩写,EMBL 格式,EMBL 格式与GenBank 格式类似，其条目用两字母缩写,PDB 格式,PDB 格式文件为蛋白质或核酸空间结构数据文件，包含

15、： 头区：含名称、分子类别、物种来源、文献索引等基本信息； 主区：含氨基酸及所有原子的顺序、空间坐标（X、Y、Z轴）、相互间连接键，所属肽链编码等复杂信息。 PDB 文件可读性较差，需借助相关软件(Rasmol、DeepView、VMD)转换为三维图象，以便分析研究。,生物信息数据库的检索,采用一定的方法与策略，从数据库中查找所需信息 （Retrieval or search of bioinfo-database） 检索的实质：将用户的检索标识与信息存储标识进行比对，当两者匹配时，该信息被输出到结果中。匹配可以是完全匹配或部分匹配。 检索的关键：如何从海量生物学数据中高效地淘汰无关信息，并全

16、面地获取有价值的信息。,NCBI 数据库检索系统 Entrez,Entrez为基于万维网的NCBI数据库检索系统，运用布尔算符，可在NCBI所有数据库中进行文本搜索。,NCBI 数据库检索系统 Entrez,NCBI 数据库检索系统 Entrez,Entrez 应用举例,检索主题：小鼠(mouse)转录因子(TF) -E2F mRNA的核酸序列 检索过程：NCBI主页All Databases在Search对话框输入关键词”E2F”，点”Go”输出检索结果。,Entrez 应用举例,输出相关序列3784条，有待进一步筛选：限制物种来源(小鼠 Mus musculus)、限制分子为mRNA (排

17、除未经实验验证的预测序列)。,Entrez 应用举例,最后命中168条，从中选中NM_148952，以待详细分析。,Entrez 应用举例,NM_148952： 小鼠E2F转录因子-4。,Entrez 应用举例,图形序列显示NM_148952。,Entrez 应用举例,E2F4 蛋白序列 NP_683754。,大分子结构数据库检索举例,命题：E2F空间结构及与DNA相互作用分析 检索：从RCSB-PDB数据库中获得相关 PDB文件,大分子结构数据库检索举例,命中：16个相关 PDB文件 可选择下载、在线阅读文件或图象动态显示,大分子结构数据库检索举例,选中：文件”1CF7”进一步分析 可下载PDB文件用分析软件(Rasmol等) 显示 在线阅读 在线显示 (JavaApplet工具),数据库检索练习,检索适当的生物信息数据库，以获取人类细胞