教你使用NCBI_PDB数据库

Refseq数据库
1. 提供高质量的，无冗余的，完整的序列 信息； 2. 包括基因组的DNA,转录成的RNA以及蛋 白质序列信息。 3. 序列文件的标识符： DNA/RNA序列，NM_XXXXXX； 蛋白质序列：NP_XXXXXX
Bioinformatics, 2009-2010, Semester 1, Soochow
NCBI: BLAST
http://www.ncbi.nlm.nih.gov/
Bioinformatics, 2009-2010, Semester 1, Soochow
nucleotide blast
Bioinformatics, 2009-2010, Semester 1, Soochow
Megablast: 找基因序列
获取FASTA序列
Bioinformatics, 2009-2010, Semester 1, Soochow
FASTA格式的序列
Bioinformatics, 2009-2010, Semester 1, Soochow
PHI-BLAST: find domain
Bioinformatics, 2009-2010, Semester 1, Soochow
Bioinformatics, 2009-2010, Semester 1, Soochow
FASTA格式
Bioinformatics, 2009-2010, Semester 1, Soochow
4. 序列数据的查询
某天，Prof. Gene发现人的Hela细胞中，有丝分裂 期间有异常情况：细胞不再分裂，而是开始凋亡(表 型，phenotype)，通过实验的方法(例如，酵母双杂 交)，发现了与有丝分裂期间某个蛋白可能相互作用 的一个基因，测序结果如下(genotype)：
填入蛋白质的FASTA序列
Bioinformatics, 2009-2010, Semester 1, Soochow
BIR domain
Bioinformatics, 2009-2010, Semester 1, Soochow
结论3
Survivin具有保守的功能结构域BIR
Bioinformatics, 2009-2010, Semester 1, Soochow
Survivin
Bioinformatics, 2009-2010, Semester 1, Soochow
Gene info: 17号染色体
Bioinformatics, 2009-2010, Semester 1, Soochow
功能注释：Gene Ontology
Bioinformatics, 2009-2010, Semester 1, Soochow
Bioinformatics, 2009-2010, Semester 1, Soochow
三大数据库之间的联系
Bioinformatics, 2009-2010, Semester 1, Soochow
161.0版，2007.08
GenBank中测源自文库最多的20个物种
Bioinformatics, 2009-2010, Semester 1, Soochow
Bioinformatics, 2009-2010, Semester 1, Soochow
生物信息学
第三讲：序列的采集、存储 和查询
Bioinformatics, 2009-2010, Semester 1, Soochow
本章内容提要
1. DNA测序
2. 序列数据的存储
3. 序列数据的文件格式
Survivin：142aa
Bioinformatics, 2009-2010, Semester 1, Soochow
结论2
人的Survivin蛋白质包含142个氨基酸，序 列标识符为：NP_001159.2
Bioinformatics, 2009-2010, Semester 1, Soochow
3. 序列数据的文件格式
1. DNA/RNA/氨基酸代码的标识 2. GenBank数据格式 3. UniProt 4. FASTA
Bioinformatics, 2009-2010, Semester 1, Soochow
GenBank数据格式
Accession number
序列长度 数据类型
Survivin的蛋白质信息
Bioinformatics, 2009-2010, Semester 1, Soochow
功能注释
Bioinformatics, 2009-2010, Semester 1, Soochow
UniProt: 蛋白质数据库
Bioinformatics, 2009-2010, Semester 1, Soochow
在人中做BLAST搜索
Bioinformatics, 2009-2010, Semester 1, Soochow
Survivin：O15392
Bioinformatics, 2009-2010, Semester 1, Soochow
4. 序列数据的查询
Bioinformatics, 2009-2010, Semester 1, Soochow
1. DNA测序
1. DNA一次测序的长度为500bp。 2.基因组的测序方案：将大的染色体打断成100kbp的片断， 插入到BAC (Bacterial Artificial Chromosome)中。再随机打 断，克隆，然后再组装成长的序列(contig)。 3. EST (Expressed sequence tag) 测序：细胞中mRNA反转录 成cDNA，方向不定，测序。 4. UniGene: 为每一个基因创造一个唯一的条目，收集这个 基因所有的ESTs. 5. GSS (基因组测序序列)：类似于ESTs，来源基因组。 6. HTG (高通量基因组序列)：高通量、尚未完工的DNA序列。
Bioinformatics, 2009-2010, Semester 1, Soochow
基因组测序：两种方案
1. DNA片段在染色体上的位置、方向已知。 首先染色体被打断成150kbp左右的片段， 然后克隆到BACs中，再进一步打碎，克隆， 测序，组装。 2. “鸟枪法”，shotgun，随机将DNA片段打 碎，克隆，测序，组装。 DNA 片段在染色 体上的位置和方向未知。
Definition: 标题
版本号
GI number
Bioinformatics, 2009-2010, Semester 1, Soochow
GenBank的数据类型
Bioinformatics, 2009-2010, Semester 1, Soochow
UniProt数据格式
Accession number
输入序列
Bioinformatics, 2009-2010, Semester 1, Soochow
提交序列
Bioinformatics, 2009-2010, Semester 1, Soochow
NM_001168.2：Survivin
Geo: 基因表达信息
UniGene
Gene info：基因信息 Bioinformatics, 2009-2010, Semester 1, Soochow
NM_001168.2：Survivin
Bioinformatics, 2009-2010, Semester 1, Soochow
Human Survivin！
Bioinformatics, 2009-2010, Semester 1, Soochow
获取蛋白质的序列信息
Bioinformatics, 2009-2010, Semester 1, Soochow
CCCCTGCCTGGCAGCCCTTTCTCAAGGACCACCGCATCTCTACATTCAAGA ACTGGCCCTTCTTGGAGGGCTGCGCCTGCACCCCGGAGCGGATGGCCGA GGCTGGCTTCATCCACTGCCCCACTGAGAACGAGCCAGACTTGGCCCAGT GTTTCTTCTGCTTCAAGGAGCTGGAAGGCTGGGAGCCAGATGACGACCCC ATAGAGGAACATAAAAAGCATTCGTCCGGTTGCGCTTTCCTTTCTGTCAAGA AGCAGTTTGAAGAATTAACCCTTGGTGAATTTTTGAAACTGGACAGAGAAAG AGCCAAGAACAAAATTGCAAAGGAAACCAACAATAAGAAGAAAGAATTTGAG GAAACTGCGGAGAAAGTGCGCCGTGCCATCGAGCAGCTGGCTGCCATGGA TTGAGGCCTCTGGC Bioinformatics, 2009-2010, Semester 1, Soochow
Bioinformatics, 2009-2010, Semester 1, Soochow
NCBI Gene
1. http://www.ncbi.nlm.nih.gov/sites/entrez?db=gene
2. 序列从Refseq数据库中得到; 3. 详尽的注释信息，包括基因在基因组的定位， 基因名称、蛋白质名称，基因结构，等等。
Bioinformatics, 2009-2010, Semester 1, Soochow
Bioinformatics, 2009-2010, Semester 1, Soochow
2. 序列数据的存储
1. 核酸三大数据库：GenBank, EBI, DDBJ. 2. Ensembl数据库：基因组注释。 3. ESTs数据库； 4. UniGene数据库 5. Refseq数据库； 6. NCBI的Gene信息数据库; 7. 蛋白质序列： Swissprot/TrEMBL/UniProt数据库。
Bioinformatics, 2009-2010, Semester 1, Soochow
UniProt
1. 专家审核的蛋白质序列数据与知识库； 2. UniProt Knowledgebase：Release 12.1， 2007.08 3. 包括：
Swiss-Prot Release 54.1 of 21-Aug-2007: 277883 entries; TrEMBL Release 37.1 of 21-Aug-2007: 4754787 entries
Bioinformatics, 2009-2010, Semester 1, Soochow
Swiss-Prot Release 54.1
Bioinformatics, 2009-2010, Semester 1, Soochow
TrEMBL Release 37.1
Bioinformatics, 2009-2010, Semester 1, Soochow
dbEST: 表达序列标签数据库
2007.08，总序列45,660,524条，最多的20个物种如下
Bioinformatics, 2009-2010, Semester 1, Soochow
UniGene: An Organized View of the Transcriptom
Bioinformatics, 2009-2010, Semester 1, Soochow
结论1
1. 该基因为人的Survivin基因，染色体定 位：17号染色体，73721872-73733311；基 因标识符：NM_001168.2; 2. 初步的功能分析：细胞周期，caspase酶 的抑制因子，等等。
Bioinformatics, 2009-2010, Semester 1, Soochow
问题：
1. 这是哪个基因？ 2. 编码的蛋白质序列是怎样的？ 3. 有没有保守的功能结构域 (domain)？ 4. 它的功能是怎样的？ 5. 它在真核生物中保守吗？ 6. 有没有三级结构信息？
Bioinformatics, 2009-2010, Semester 1, Soochow