中国科技大学系列：《生物信息学》02(课堂PPT).ppt

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,生物信息学,第二章：序列的采集和存储,1,中心法则,DNA,：,Deoxyribonucleic acid,，脱氧核糖核酸；,RNA,：,RiboNucleic Acid,，核糖核酸；,2,碱基,3,核苷酸，,Ribonucleotide,4,脱氧核苷酸,Deoxyribonucleotide,5,双脱氧核糖核苷酸,Dideoxyribonucleotide,6,DNA,的结构,7,RNA,的结构,8,氨基酸的结构,9,氨基酸的性质及分类,10,氨基酸周期表,11,标准密码子,12,本章内容提要,1.DNA,测序,2.,序列数据的存储,核酸序列数据库,蛋白质序列数据库,基因组数据库,3.,序列数据的文件格式,13,1.DNA,测序,DNA,一次连续测序的长度约为,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,，来源基因组,;,HTG(High-throughput genome sequences,，高通量基因组序列,),：高通量、尚未完工的,DNA,序列,;,14,DNA,测序的实验方法,(,末端终止法）,C,A,T,ddGTP,ddTTP,ddATP,(D),15,16,17,使用寡核苷酸引物连续测序,18,基因组测序：两种方案策略,1.,基因图谱法：,DNA,片段在染色体上的位置、方向已知。首先染色体被打断成,150200kbp,左右的大片段，然后克隆到,BACs(Bacterial Artificial Chromosome),中，再进一步随机打断，克隆，测序，依靠计算机组装成长的序列,(contig),。,2.“,鸟枪法,”,（,shotgun,）：,DNA,片段在染色体上的位置和方向未知。全基因组随机打断成小片段，克隆，双向测序，计算机组装成长的序列。,19,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，显示所知的基因和,/,或遗传标记的相对距离位置与次序。,物理图谱,(physical map):,表示某些基因和,/,或遗传标记之间在基因组上的精确位置和距离（如间隔的,bp,数目）的图谱。,20,21,大规模测序方法,22,2.,序列数据的存储,核酸序列数据库,国际三大核酸序列数据库：,GenBank,EBML,DDBJ,RefSeq:The Reference Sequence,Database,dbEST:Expressed Sequences Tags,数据库,UniGene,等,蛋白质序列数据库,UniProt,Swiss-prot&TrEMBL,PIR,基因组数据库,:,Ensembl,23,核酸数据库数据的增长,24,GenBank,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的核酸以及蛋白质序列。每个记录代表了一个单独的、连续的、带有注释的,DNA,或,RNA,片段。,25,GenBank,中测序最多的,20,个物种,161.0,版，,2007,26,EMBL,核酸序列数据库,EMBL-EBI,(European Bioinformatics Institute),维护,;,www.ebi.ac.uk/embl/,27,NIG(National Institute of Genetics),CIB(Center for Information Biology),www.ddbj.nig.ac.jp/index-e.html,DDBJ,28,INSDC,1998,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每天将新测定或更新的数据进行交换共享，保证数据信息的完整与同步，每两个月更新一次版本。,www.insdc.org/,29,30,三大数据库之间的联系,31,RefSeq,数据库,1.,提供非冗余的，高质量的，经检验校正的序列信息；,2.,包括染色体、基因组（细胞器、病毒、质粒）、蛋白质、,RNA,等；,序列文件的标识符：,mRNA,序列：,NM_123456,非编码,RNA,：,NR_123456,蛋白质序列：,NP_123456,www.ncbi.nlm.nih.gov/RefSeq,32,33,RefSeq,记录的特征,截然不同的,Accession,号区别于其它,GenBank命名格式,的序列，前缀是两个字母加下划线,_;,在,Comment,区域显示来源,;,使用正式命名,;,包括,dbxrefs,的特征,;,蛋白序列在,DBSOURCE,区域标示,REFSEQ,34,GenBank VS.,RefSeq,35,dbEST:,表达序列标签数据库,最多的,20,个物种：,2007.08,，总序列,45,660,524,条,www.ncbi.nlm.nih.gov/dbEST/,36,UniGene:,An Organized View of the Transcriptome,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,www.ncbi.nlm.nih.gov/unigene,37,Swiss-Prot&TrEMBL,最早广泛使用的蛋白数据库；欧洲最主要的蛋白序列数据库；,www.expasy.ch/sprot/,SIB,（,Swiss Institute of Bioinformatics,）,可由,ExPASy,（,Expert Protein Analysis System,）系统访问；,所有序列条目均经过有经验的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。,38,TrEMBL vs.GenPept,TrEMBL(,Translation of EMBL,),：计算机注释的,Swiss-Prot,分支数据库，从,EMBL,库中的,cDNA,序列翻译得到的氨基酸序列数据库。,GenPept,：由,GenBank,翻译得到的蛋白质序列，与,TrEMBL,类似，这两个数据库中的序列错误率较大，均有较大的冗余度。,39,PIR,1984,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；,美国最主要的蛋白序列数据库,;,非冗余、高质量注释、全面分类,;,PIR,数据库按照数据的性质和注释层次分为,PIR1,、,PIR2,、,PIR3,和,PIR4,。,PIR1,中的序列已经验证，注释最为详尽。,pir.georgetown.edu/,40,UniProt,Universal Protein Resource,：,Swiss-prot(TrEMBL),PIR,两大蛋白数据库的整合体；,收录蛋白质序列目录最广泛、功能注释最全面的数据库；,包含三个子库：,UniProtKB,（,UniProt Knowledgebase,）,UniRef,（,UniProt Reference Clusters,）,UniParc,（,Uniprot Archive,）,www.uniprot.org,41,42,UniProtKB,UniProt Knowledgebase,：,Release 15.4,，,16-Jun-2009,，包括：,Swiss-Prot Release 57.4:497293 entries,TrEMBL Release 40.4:9145906 entries,包含蛋白质序列全面的信息，提供准确、丰富的序列与功能注释。,记录以,6,位字母和数字组成，例：,Q5K8D3,43,44,Swiss-Prot Release 57.7,45,46,TrEMBL Release 40.4,47,较早的基因组数据库,-,GDB,为人类基因组计划,(HGP),保存和处理基因组图谱数据。,GDB,的目标是构建关于人类基因组的百科全书，除了构建基因组图谱之外，还开发了描述序列水平的基因组内容的方法，包括序列变异和其它对功能和表型的描述。,48,基因组数据库,收集某些生物整个基因组序列的数据库,;,基因组计划,Human Genome Project,www.sanger.ac.uk/HGP/,Sequencing Genomics Projects,www.sanger.ac.uk/Projects/,从,GenBank,中选择同一物种的核酸信息组成的二级库,;,49,The Ensembl project produces genome databases for vertebrates and other eukaryotic species,and makes this information freely available online.,EMBL-EBI,和,Sanger,研究所共同开发。,www.ensembl.org/,基因组数据库,-Ensembl,50,3.,序列数据的文件格式,DNA/RNA/,氨基酸代码的标识,GenBank,数据格式,EMBL&UniProt,数据格式,FASTA,数据格式,51,DNA,代码,氨基酸代码,52,GenBank,数据文件格式,53,GenBank,数据文件格式,54,GenBank,数据文件格式,子库,Locus,名字,定义,(,标题,),修改日期,序列类型,mRNA(=cDNA),rRNA,snRNA,DNA,序列长度,检索号,Genbank,号,序列形状,55,GenBank,的数据类型,56,GenBank,数据文件格式,57,GenBank,数据文件格式,58,EMBL(UniProt),数据格式,59,EMBL,和,GenBank,数据格式的对比,60,FASTA,格式,61,FASTA,格式,1I60:A|PDBID|CHAIN|SEQUENCE,MKLCFNEATTLENSNLKLDLELCEKHGYDYIEIRTMDKLPEYLKDHSLDDLAEYFQTHHIKPLALNALVFFNNRDEKGHNEIITEFKGMMETCKTLGVKYVVAVPLVTEQKIVKEEIKKSSVDVLTELSDIAEPYGVKIALEFVGHPQCTVNTFEQAYEIVNTVNRDNVGLVLDSFHFHAMGSNIESLKQADGKKIFIYHIDDTEDFPIGFLTDEDRVWPGQGAIDLDAHLSALKEIGFSDVVSVELFRPEYYKLTAEEAIQTAKKTTVDVVSKYFSM,62,