第三章 生物信息数据库-概述及类型(1)
生物信息学 第三章 生物信息数据库及其信息检索 ppt课件
核酸序列数据库 GenBank（ ） EMBL（ ） DDBJ （ ） 三个数据库每天互相交换数据 GenBank可通过NCBI的检索系统Entrez获取， Entrez集成来自主要DNA和蛋白
序列数据库的数据，包括物种、基因组、定位、蛋白结构和结构域等信息 其他各种专业核酸数据库 A.非冗余参考序列数据库RefSeq B.密码子使用数据库Codon Usage Database CUTG C.基因可变剪接数据库ASDB D.转录因子数据库TRANSFAC
生物信息学数 据库类型
序列数据库 结构数据库 功能数据库 其ws、Linux或 Mac等操作系统
肤浅的百姓工具
一、序列数据库
主要收录核酸和蛋白质序列的数据库，包括由基因组计划产生的基因组及其表达 序列，由基因组序列所推测的编码和非编码核酸和蛋白质序列，以及个别生物 学实验中测序获得的核酸和蛋白质序列。
生物信息学 第三章 生物信息数据库 及其信息检索
第三章 生物信息数据库及其信息检索
本章主要内容
▪ 生物信息学数据库类型 ▪ 序列数据库 ▪ 结构数据库 ▪ 功能数据库 ▪ 其它专业数据库
▪ 生物信息学数据库的检索 ▪ 检索方法概述 ▪ 检索实践和案例
生物信息学数据库的地位和作用
经典生物医学实验
elegans
Borrelia burgorferi
Plasmodium falciparum
Borrelia burgorferi
Aquifex aeolicus
Neisseria meningitidis Z2491
Mycobacteriu m tuberculosis
Genome sizes in nucleotide pairs (base-pairs)
生物学数据库
生物学数据库生物学数据库是存储和管理生物学数据的系统，可以帮助科研人员和学生在生物学领域的研究中获取和分析大量的生物学数据。
随着生物学研究的不断发展和进步，生物学数据库在科学研究中发挥着重要的作用。
本文将介绍生物学数据库的定义、分类、应用以及未来的发展前景。
一、定义生物学数据库是指用于收集、存储、管理和处理生物学数据的电子化系统。
生物学数据可以包括基因组序列、蛋白质结构、代谢途径等各种不同类型的数据。
通过生物学数据库，科研人员可以方便地访问和查询大量的生物学数据，为生物学研究提供了重要的数据支持。
二、分类生物学数据库根据数据类型和应用领域的不同，可以分为不同的分类。
以下是几种常见的生物学数据库分类：1. 基因组数据库：存储和管理各种生物体的基因组序列数据，如NCBI（美国国家生物技术信息中心）的GenBank数据库。
2. 蛋白质数据库：存储和管理蛋白质序列、结构和功能等相关信息的数据库，如PDB（蛋白质数据银行）。
3. 代谢数据库：存储和管理生物体的代谢途径和代谢产物等相关数据的数据库，如KEGG（京都基因与基因组百科全书）数据库。
4. 基因调控数据库：存储和管理基因表达调控相关数据的数据库，如ENCODE（人类基因组的功能元件）数据库。
5. 生物图谱数据库：存储和管理植物和动物生物图谱数据的数据库，如PlantGDB（植物基因数据库）和AnimalTFDB（动物转录因子数据库）。
三、应用生物学数据库在生物学研究中有着广泛的应用。
以下是一些常见的应用领域：1. 基因组学研究：通过基因组数据库，研究人员可以分析不同生物体的基因组序列，并进行基因组比较、基因功能预测等研究。
2. 蛋白质学研究：蛋白质数据库可以帮助研究人员了解蛋白质的序列、结构和功能等信息，以及进行蛋白质互作网络分析等研究。
3. 基因调控研究：基因调控数据库可以帮助研究人员预测和分析基因的转录调控网络，并研究基因的表达调控机制。
4. 代谢途径研究：通过代谢数据库，研究人员可以了解生物体的代谢途径和代谢产物，并分析代谢途径的调控机制等。
生物信息学数据库分类整理汇总
生物信息学数据库分类整理汇总生物信息学数据库是存储和管理生物学领域的大量数据的重要工具和资源，对于生物信息学研究、基因组学、蛋白质组学、转录组学等领域的研究具有重要的意义。
本文将对生物信息学数据库进行分类整理和汇总，方便生物信息学研究者更好地使用和了解这些数据库。
1.基因组数据库：- GenBank：美国国家生物技术信息中心（NCBI）维护的基因序列数据库，包含已知基因的核酸序列。
- Ensembl：英国恩格斯尔基因组项目维护的一个综合性基因组数据库，包含多种物种的基因组数据。
- UCSC Genome Browser：加利福尼亚大学圣克鲁兹分校开发的一个基因组浏览器，提供多种物种的基因组序列和注释信息。
2.蛋白质数据库：- UniProt：一个综合性的蛋白质数据库，集成了多个蛋白质序列和注释信息资源。
- Protein Data Bank (PDB)：存储大量已解析的蛋白质结构数据的数据库，提供原子级别的结构信息。
- Protein Information Resource (PIR)：收集和整理蛋白质序列、结构和功能信息的数据库。
3.转录组数据库：- NCBI Gene Expression Omnibus (GEO)：存储和共享大量的高通量基因表达数据的数据库。
- ArrayExpress：欧洲生物信息学研究所（EBI）开发的一个基因表达数据库，包含多种生物组织和疾病的表达数据。
4.疾病数据库：- Online Mendelian Inheritance in Man (OMIM)：记录人类遗传疾病和相关基因的数据库。
- Orphanet：收集和整理罕见疾病和相关基因的数据库。
5.代谢组数据库：- Human Metabolome Database (HMDB)：一个综合性的人类代谢物数据库，包括代谢产物的结构和功能信息。
- Kyoto Encyclopedia of Genes and Genomes (KEGG)：包含多种生物体代谢途径的数据库。
生物信息数据库简介
2、蛋白质序列二级数据库
Prosite(蛋白质序列功能位点数据库) 始建于 1990 年代初，由瑞典生物信息学研究所 SIB 负责维 护。 基于对蛋白质家族中同源序列多重序列比对得到的保守区 域，这些区域通常与生物学功能相关。 数据库包括两个数据库文件：数据文件Prosite；说明文件 PrositeDoc。
1 GenBank中DNA序列格式 2 EMBL序列格式 7 GCG序列格式 8 PIR/CODATA序列格式
3 SwissProt序列格式
4 FASTA序列格式 5 NBRF序列格式 6 Intelligenetics序列格式
9 Plain/ASCII.Staden序列格式
10 ASN.1序列格式 11 GDE格式
• NBRF序列格式(或称PIR格式)已经被用于the National Biomedical Research Foundation/Protein Information Resource(NBRF)。网站()中 的PIR数据库中得到并不是这种紧缩格式，而是一种包括 很多信息的扩展格式。Fig 2.10显示了PIR序列格式的一 个例子。第一行包括一个起始的“>”字符，接着是一个双 字符编码，例如P表示完整序列，F表示片断，后面的1或 2显示了序列的类型，接着是一个分号，接着是一个4到6 个字符的条目名称。第二行则显示了序列的全称，连字号， 接着序列来源。
Fig 2.6 GenBank中DNA序列条目.
• 序列每行前面标有数字，以显示片断位置。序列计数或 序列校检求和的值可被计算机程序用来鉴定序列成分， 所以除非程序本身也改变计数，序列计数是不能被改变 的。 • GenBank序列格式通常需要改变以适应序列分析软件。
第三章 生物信息数据库-概述及类型(1)
DNA模体 RNA表达 蛋白质表达
底物
RNA序列 蛋白质序列
代谢途径 抑制因子 和药物
蛋白质结构
蛋白质模体
分子生物学数据类型
突变/多形性 种群 物种 基因组图谱
组织和细胞
RNA表达
DNA模体
RNA序列 蛋白质表达 蛋白质序列
DNA序列
R因子 和药物
蛋白质结构
蛋白质模体
分子生物学数据类型
物种
基因组图谱
DNA模体
DNA序列 RNA结构
RNA序列
蛋白质序列 蛋白质结构
蛋白质模体
分子生物学数据类型
物种 基因组图谱
DNA模体 RNA表达 RNA序列
DNA序列
RNA结构
蛋白质序列
蛋白质结构 蛋白质模体
在RNA水平上使用DNA微阵列检测变异
一个芯片上包含酵母 基因组全序列
红色点： RNA 表达水平增加的基因 绿色点： RNA表达水平降低的基因
介绍主要序列数据库，比较它们包含的数据内容和注释质量的区别
数据库接受数据的形式(文本搜索，相似性搜索，浏览和交叉索引) 序列与非序列数据库介绍以及它们的用途 一级序列与结构数据库介绍
分子生物学数据类型
物种 基因组图谱
小鼠X染色体
来源于小鼠基因组计划
/
GenBank - 按物种分类
Entries 碱基 物种 Homo sapiens Mus musculus Caenorhabditis elegans Drosophila melanogaster Arabidopsis thaliana Oryza sativa Rattus norvegicus Saccharomyces cerevisiae Rattus sp. Escherichia coli Fugu rubripes Danio rerio Human immunodeficiency virus type 1 Schizosaccharomyces pombe Plasmodium falciparum Zea mays Bacillus subtilis Magnaporthe grisea Dictyostelium discoideum Lycopersicon esculentum 2217460 1556595261 553872 260818221 77205 177824883 123758 133950582 72565 117022315 87138 47136422 80507 42049391 14403 30390617 61001 26060656 5240 18407242 32227 17046673 33482 14732289 31504 14498639 9882 14270269 5446 11539475 19704 10817282 1101 10008018 13898 9038361 16089 8486371 11429 7007861
生物信息数据库
生物信息数据库1生物信息数据库产生背景上个世纪60年代以来，随着核酸序列测定、蛋白质序列测定以及基因克隆和PCR技术的不断发展与完善,全世界各研究机构获得了大量的生物信息原始数据。
面对这些以指数方式增长的数据资源,传统的研究方式已经来不及迅速消化,因此有必要采用有效的方法将它们进行适当的储存、管理和维护,以便进一步分析、处理和利用,这就需要建立数据库即生物信息数据库[1]。
生物信息数据库是一切生物信息学工作的基础。
2生物信息数据库的特点2.1数据库种类的多样性。
生物信息学各类数据库几乎覆盖了生命科学的各个领域,如核酸序列数据库,蛋白质序列数据库,蛋白质、核酸、多糖的三维结构数据库,基因组数据库,文献数据库和其他各类达数百种。
2.2数据库的更新和增长快。
数据库的更新周期越来越短,有些数据库每天更新。
数据的规模以指数形式增长。
2.3数据库的复杂性增加、层次加深。
许多数据库具有相关的内容和信息,数据库之间相互引用,如PDB就与文献库、酶学数据库、蛋白质二级数据库、蛋白质结构分类数据库、蛋白折叠库等十几种数据库交叉索引。
2.4数据库使用高度计算机化和网络化。
越来越多的生物信息学数据库与因特网联结,从而为分子生物学家利用这些信息资源提供了前所未有的机遇[2]。
2.5面向应用。
首先各个数据库除了提供数据之外，还提供许多分析工具，如核酸数据库提供的序列搜索、基因识别程序等。
此外，还在原始数据库的基础上开发了许多面向特殊应用的二级数据库，如蛋白质二级结构数据库等[3]。
3生物信息数据库的分类生物信息数据库种类繁多，归纳起来,大体可以分为5个大类:核酸序列数据库、基因组数据库、蛋白质序列数据库、生物大分子(主要是蛋白质)结构数据库以及以这4类数据库和文献资料为基础构建的二次数据库。
其中主要类型是序列数据库[4]。
来自基因组作图的基因组数据库、来自序列测定的序列数据库以及来自X-衍射和核磁共振结构测定的结构数据库是分子生物信息学的基本数据资源,通常称为基本数据库或初始数据库,也称一次数据库。
第三章生物信息数据库
部分生物基因组计划网址
老鼠(Mouse) /mgd.html 小鼠(Rat) http://ratmap.gen.gu.se 狗(Dog) /dog.html 牛(Cow) http://locus.jouy.inra.fr/cgibin/bovmap/intro2.pl 猪(Pig) /pigmap/pigbase/pigbase.html 羊(Sheep) 鸡(Chicken) /chickmap/chickbase/manager.html 斑马鱼(Zebra fish) 线虫 (C. elegans) http://www.ddbj.nig.ac.jp/htmls/celegans/html/CE_INDEX.ht ml 果蝇(Drosophila) 蚊子(Mosquito) 拟南芥(Arabidopsis) /Arabidopsis 棉花(Cotton) 玉米(Maize) 水稻(Rice) http://www.staff.or.jp 大豆(Soya) :8000/main.html 树(Trees)
2、蛋白质序列数据库
SWISS-PROT (欧洲) PIR (美国)
SWISS-PROT (http://www.expasy.ch/sprot/sprot-top.html） 由瑞士日内瓦大学医学生物化学系和欧洲生物信息学研究 所(EBI)合作维护； 在EMBL和GenBank数据库上均建立了镜像站点；
SWISSPROT
到EMBL核酸序列数据库的索引， 到PROSITE模式数据库的索引， 到生物大分子结构数据库PDB的索引等
PIR （Protein Information Resource）
第3章 生物信息学数据库
以上这个FASTA文件中包含了gi号码、GenBank检索号码、 LOCUS名称、以及GenBank记录中的DEFINATION字段。
最简单的FASTA序列形式
>D49653
CCAAGAAGAAGAAGACCCCAGCGAGGAAAATGTGCTGGAGACCCCTGTGCCGGTTCC TGTGGCTTTGGTCCTATCTGTCCTATGTTCAAGCTGTGCCTATCCACAAAGTCCAGGAT GACACCAAAACCCTCATCAAGACCATTGTCACCAGGATCAATGACATTTCACACACGC AGTCGGTATCCG….
第3章 生物信息学数据库
第一节 生物信息数据库的发展简史 第二节 核酸序列数据库 第三节 蛋白质序列数据库 第四节 生物大分子结构数据库 第五节 其它生物数据库
生物分子数据 高速增长
分子生物学 及相关领域研究人员 迅速获得最新实验数据
建立生物分子数据库
生物分子数据库应满足的条件
（1）时间性
（2）注释
（2）核苷酸符号大小写均可，氨基酸一般大写 （3）一般每行的字符数不超过80个 （4）没有特殊的序列结束标志
（5）多条序列格式即将该格式连续列出
>gi|995614|dbj|D49653|RATOBESE Rat mRNA for obese.
CCAAGAAGAAGAAGACCCCAGCGAGGAAAATGTGCTGGAGACCCCTGTGCCGGTTCC TGTGGCTTTGGTCCTATCTGTCCTATGTTCAAGCTGTGCCTATCCACAAAGTCCAGGAT GACACCAAAACCCTCATCAAGACCATTGTCACCAGGATCAATGACATTTCACACACGC AGTCGGTATCCGCCAGGCAGAGGGTCACCGGTTTGGACTTCATTCCCGGGCTTCACCC CATTCTGAGTTTGTCCAAGATGGACCAGACCCTGGCAGTCTATCAACAGATCCTCACC AGCTTGCCTTCCCAAAACGTGCTGCAGATAGCTCATGACCTGGAGAACCTGCGAGACC TCCTCCATCTGCTGGCCTTCTCCAAGAGCTGCTCCCTGCCGCAGACCCGTGGCCTGCAG AAGCCAGAGAGCCTGGATGGCGTCCTGGAAGCCTCGCTCTACTCCACAGAGGTGGTG GCTCTGAGCAGGCTGCAGGGCTCTCTGCAGGACATTCTTCAACAGTTGGACCTTAGCC CTGAATGCTGAGGTTTC
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
GenBank剖析 I: 数据结构
记录分为3部分:
• 记录起始 • 特征表 • 序列
GenBank剖析 II:记录起始
LOCUS DEFINITION ACCESSION NID KEYWORDS SOURCE ORGANISM ANACIAG 3042 bp DNA PLN 28-NOV-1996 A.nidulans aciA gene for AciA protein. Z11612 S51247 g5544 aciA gene; AciA protein. Emericella nidulans. Emericella nidulans Eukaryotae; mitochondrial eukaryotes; Fungi; Ascomycota; Euascomycetes; Plectomycetes; Eurotiales; Trichocomaceae; Emericella. 1 (bases 1 to 3042) Saleeba,J.A., Cobbett,C.S. and Hynes,M.J. Characterization of the amdA-regulated aciA gene of Aspergillus nidulans Mol. Gen. Genet. 235 (2-3), 349-358 (1992) 93101140 2 (bases 1 to 3042) Saleeba,J.A. Direct Submission Submitted (24-JAN-1992) Jennifer A. Saleeba, Department of Genetics, University of, Melbourne, Grattan Street, Parkville, Victoria, 3052, Australia
分子生物学数据类型
物种 组织和细胞 DNA模体 RNA表达 底物 蛋白质表达 DNA序列 RNA结构 基因组图谱
RNA序列 蛋白质序列
代谢途径 抑制因子 和药物
蛋白质结构 蛋白质模体
分子生物学数据类型
种群 组织和细胞 物种 基因组图谱 DNA序列 RNA结构
REFERENCE AUTHORS TITLE JOURNAL MEDLINE REFERENCE AUTHORS TITLE JOURNAL
GenBank记录起始 III: 特征
FEATURES source Location/Qualifiers 1..3042 /organism="Emericella nidulans" /strain="Glasgow" /chromosome="Segment of chromosome 1" join(969..1263,1318..1493,1553..2624) /gene="aciA" 969..1263 /gene="aciA" /number=1 join(1205..1263,1318..1493,1553..2624) /gene="aciA" 1205..1263 /gene="aciA" /number=1 join(1249..1263,1318..1493,1553..2495) /gene="aciA" /codon_start=1 /product="AciA" /db_xref="PID:g5545" /db_xref="SWISS-PROT:Q03134"
物种
基因组图谱
DNA序列
RNA序列
RNA结构
蛋白质序列
E. coli small subunit rRNA
Gutell R.R. (1994) Collection of small subunit (16S- and 16S-like) ribosomal RNA structures Nucleic Acids Res 22:3502
第三章 生物信息学数据库及其检索
南京师范大学
比较基因组学与生物信息学实验室
第一节 生物数据库概述
生物信息学-数据库
生物学已经积累了相当丰富多样和复杂的数据。这些数 据可以被分类，但相当难于综合以及用公式进行描述。 随着生物学知识大量增加，要完成对数据的处理只能使 用计算机。
目标:
在分子生物学和基因组学中常见数据类型的概述
DNA模体 RNA表达 蛋白质表达
底物
RNA序列 蛋白质序列
代谢途径 抑制因子 和药物
蛋白质结构
蛋白质模体
分子生物学数据类型
突变/多形性 种群 物种 基因组图谱
组织和细胞
RNA表达
DNA模体
RNA序列 蛋白质表达 蛋白质序列
DNA序列
RNA结构
底物
代谢途径
抑制因子 和药物
蛋白质结构
蛋白质模体
分子生物学数据类型
• SWISS-PROT, GenBank 等
• 用途： 功能识别，获取信息
无注释的序列数据库
• EST数据库，高通量基因组序列 • 用途：发现新基因
对特定对象的数据库
• RDP, G-蛋白偶联受体数据库等
• 用途：视数据库而定，通常用于获取特定领域的信息
生物信息数据库相互关系
染色体
基因组作图 核酸序列 数据库
基因组图谱
基因组 数据库
生 物 信 息 学 数 据 库 工 具
核酸 序列测定
DNA序列
二 级 数 据 库
蛋白质序列
蛋白质序列 数据库
蛋白质
结构测定 蛋白质结构 数据库
蛋白质结构
复 合 数 据 库
通用核酸数据库
主要数据库:通用核酸数据库
• GenBank (美国) • EMBL (欧洲) • DDBJ (日本)
DNA模体 RNA表达 底物 蛋白质表达 RNA序列
DNA序列 RNA结构
蛋白质序列
代谢途径 抑制因子 和药物 蛋白质结构 蛋白质模体
药物设计
与抑制因子结合的HIV-1 蛋白酶复合体
PDB entry 1DIF A.M.Silva, R.E.Cachau, H.L.Sham, J.W.Erickson
http://www.expasy.ch
分子生物学数据类型
物种 基因组图谱
DNA模体 RNA表达 底物
蛋白质 表达
DNA序列 RNA结构
RNA序列
蛋白质序列 蛋白质结构
代谢途径
蛋白质模体
KEGG database, http://kegg.genome.ad.jp/kegg/
分子生物学数据类型
物种 基因组图谱
分子生物学数据类型
物种 基因组图谱 DNA序列 RNA序列 蛋白质序列
PDB entry 1CIS P.Osmark, P.Sorensen, F.M.Poulsen
RNA结构
蛋白质结构
分子生物学数据类型
核酸结构模体： 转录因子结合位点(CBF1:CCGNC ) (TACCGACAT ) RNA 催化模体 蛋白质模体： 结构模体 保守区(D/N-R-X-G-R-R/K; I-X2-R-X3-G-X3-G ) NAD+结合区含有一个保守的模 体 [G]-[X]-[G]-[X2]-[G] (GSGAWA)(D. salina) 活性位点等
GenBank - 按物种分类
Entries 碱基 物种 Homo sapiens Mus musculus Caenorhabditis elegans Drosophila melanogaster Arabidopsis thaliana Oryza sativa Rattus norvegicus Saccharomyces cerevisiae Rattus sp. Escherichia coli Fugu rubripes Danio rerio Human immunodeficiency virus type 1 Schizosaccharomyces pombe Plasmodium falciparum Zea mays Bacillus subtilis Magnaporthe grisea Dictyostelium discoideum Lycopersicon esculentum 2217460 1556595261 553872 260818221 77205 177824883 123758 133950582 72565 117022315 87138 47136422 80507 42049391 14403 30390617 61001 26060656 5240 18407242 32227 17046673 33482 14732289 31504 14498639 9882 14270269 5446 11539475 19704 10817282 1101 10008018 13898 9038361 16089 8486371 11429 7007861
物种
基因组图谱
DNA模体
DNA序列 RNA结构
RNA序列
蛋白质序列 蛋白质结构
蛋白质模体
分子生物学数据类型
物种 基因组图谱
DNA模体 RNA表达 RNA序列
DNA序列
RNA结构
蛋白质序列
蛋白质结构 蛋白质模体
在RNA水平上使用DNA微阵列检测变异
一个芯片上包含酵母 基因组全序列
红色点： RNA 表达水平增加的基因 绿色点： RNA表达水平降低的基因
分子生物学数据类型
物种 基因组图谱 DNA序列 RNA序列
...AATGGTACCGATGACCTGGAGCTTGGTTCGA...