生物信息学之数据库及在线分析工具.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,*,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,数据库及在线分析工具,SeeQZIFF,一、数据库,（,Database,）,用于收集、整理、储存、加工、发布和检索数据的系统。,生物类的数据库种类很多（,序列,、,结构,、,生物分子互作,、,其他,）,投稿文章首先要将核苷酸序列或蛋白质序列提交到相应的数据库中,数据库记录通常包括两部分,原始数据,对这些数据进行的生物学意义的注释,一个数据库通常链接了多个相关数据库,核苷酸数据库水稻抗病相关基因,OsDR8,DQ176424,Taxonomy,数据库,Pubmed,数据库,NCBI-Protein,数据库,（一）数据库工具,建立纯文本数据库,GenBank,数据库、,EMBL,核苷酸数据库,数据库工具,SQL,（结构化查询语言）是世界上流行的和标准化的数据库语言,能够快速灵活存储记录文件和图像,下载网址,C.elegans DataBase,（线虫数据库）,被广泛应用的管理和提供基因组数据的工具,数据形式丰富,遗传图谱,G181,0.42,0.84,RM224,0.21,R1506,0.21,Xa26,S12886,1.47,0.00,0.63,L1044,NBS119,RM144,Y6855RA,0.00,11,新陈代谢途径,物理图谱,1 gggctccacc actagtaccc ctcactacag gtagccataa aaaaaatcga tcaccaaaac 61 ccattattag gttgtgtact gatacagaaa gttgggaacc aatctcccag cacagaaaac 121 ggtacggttc attagcgcgt gattaattaa atatttacta ttttttaaaa aaaatagatc 181 aatatgattt ttaagcaact ttcgtataaa tactttttca aaaaaacaca ccgttttcta 241 gtttgaaaag cgtacacgcg tgaaatgagg gagaaaggtt ggaaacgtgg gattgcaaac,（二）各种生物数据库,1,、核苷酸数据库,DNA、mRNA、tRNA、rRNA序列,RNA,序列以,cDNA,序列的形式收集,核苷酸序列直接来源于实验数据,大量氨基酸序列,主要是非实验来源数据,coding sequence(CDS),（,1,）,GenBank,www.ncbi.nlm.nih.gov/,美国,NCBI,的数据库，有部分蛋白质序列,数据每天更新，每年发行六版,release,ftp:/ftp.ncbi.nih.gov/genbank/gbrel.txt,Release 172,（,2009.6.15,）,106,073,709 entries,105,277,306,080 bases,来源于,260,000,多个物种,大约,12,的序列来源于人,（,Homo sapiens,）,Growth of GenBank,Locus name,（位点名）,Accession number,（注册号或登陆号）,GI,（,GenInfo identifier,）,NID,（,Nucleotide ID,）,每个序列有一个,flatfile,每条序列有三个专有的编号或标识（,identifier,）,LOCUS line,Sample record,www.ncbi.nlm.nih.gov/Sitemap/samplerecord.html,The divisions of GenBank,分支缩写,分支全称,PRI,灵长类序列,(primate sequences),ROD,啮齿类序列,(rodent sequences),MAM,其它哺乳类序列,(other mammalian sequences),VRT,其它脊椎动物序列,(other vertebrate sequences),INV,无脊椎动物序列,(invertebrate sequences),PLN,植物、真菌和海藻类序列,(plant,fungal,and algal sequences),BCT,细菌序列,(bacterial sequences),VRL,病毒序列,(viral sequences),PHG,噬菌体序列,(bacteriophage sequences),SYN,合成序列,(synthetic sequences),The divisions of GenBank,分支缩写,分支全称,UNA,未注释的序列,(unannotated sequences),EST,表达序列标签,(expressed sequence tags),PAT,已专利的序列,(patent sequences),STS,序列标签位点,(sequence tagged sites),GSS,基因组勘察序列,(genome survey sequences),HTG,高产出基因组序列,(high throughput genomic sequences),HTC,高产出,cDNA,序列,(high throughput cDNA sequences),ENV,环境样品序列,(Environmental sampling sequences),（,2,）,dbEST(Database of Expressed Sequence Tags),www.ncbi.nlm.nih.gov/dbEST/index.html,GenBank,的二级数据库,5 端或3 端的,cDNA,序列（,EST,）,200-500 bp,“,Single-pass read”sequence,GenBank,中,60,以上的序列是,EST,（,3,）,UniGene,数据库,www.ncbi.nlm.nih.gov/UniGene/,NCBI,的另一个核苷酸,数据库,来源于同一基因的非重复,EST,组成基因序列群,人、大鼠、小鼠、,斑马鱼、,牛,、蛙等,拟南芥、水稻、小麦、大麦、玉米等,共计,100,多个物种,UniGene,主页输入关键词,检索,（,4,）,dbSTS(Database of Sequence Tagged Sites),www.ncbi.nlm.nih.gov/dbSTS/index.html,GenBank,的二级数据库,UniSTS,短序列,（,200-500 bp,），仅在基因组中出现一次,已定位于染色体上,如何找到一个,STS,检索：,GenBank,主页,选择,UniSTS,后输入关键词,检索到的条目,每一条目详细内容,点击,“,mv”,查看染色体定位,contig,（,5,）,dbGSS(Database of Genome Survey Sequences),www.ncbi.nlm.nih.gov/dbGSS/index.html,GenBank,的二级数据库,基因组短序列,cosmid/BAC/YAC,外源插入片段的末端序列,Alu PCR,序列,cosmid/BAC/YAC,G181,0.42,0.84,RM224,0.21,R1506,0.21,Xa26,S12886,1.47,0.00,0.63,L1044,NBS119,RM144,Y6855RA,0.00,11,（,6,）,HTG(High-Throughput Genomic Sequences),www.ncbi.nlm.nih.gov/HTGS/,GenBank,的二级数据库,尚未完成测序的重叠群（2,kb,）,的序列,新序列的增加速度很快,cosmid/BAC/YAC,Phase 0,Phase 1,Phase 2,Phase 3,逐步克隆法,clone-by-clone,reliable but slow,and the mapping step can be especially time-consuming,鸟枪法,shotgun,potentially very fast,but it can be extremely difficult to put together so many tiny pieces of sequence all at once.,水稻基因组全基因组大小：,430Mb,；每个,Reads,读长,450bp,；故覆盖每个水稻基因组所需反应：,100,万；覆盖水稻基因组,8X,，需要,800,万反应；,每个反应的测序成本为,19,元，,800,万反应总共需,15200,万人民币；,人力费,800,万人民币。,中国水稻基因组计划的经费预算,（,7,）基因组数据库,www.ncbi.nlm.nih.gov/sites/entrez?db=genome,NCBI,的另一个,数据库,测序完成和正在测序物种基因组序列、遗传图、物理图等,序列收集在,GenBank,已经完成测序的基因组（截止,2009,年,2,月）,Genome ProjectStatistics,（,8,）,dbSNP(Database of Single Nucleotide Polymorphisms),单核苷酸多态性数据库,www.ncbi.nlm.nih.gov/sites/entrez?db=snp,NCBI,的数据库，创建于1998.9,约每300,bp,有一个,SNP,数据种类,SNP,Insertion/deletion(,Indel,),Deletion/insertion/substitution(,DIS,),发现致病基因、,进化分析,dbSNP,主页输入关键词,检索到的条目,每一条目详细内容,代码,碱基,M,A,或,C,R,A,或,G,W,A,或,T,S,C,或,G,Y,C,或,T,K,G,或,T,V,A,、,C,或,G,H,A,、,C,或,T,D,A,、,G,或,T,B,C,、,G,或,T,N,G,、,A,、,T,或,C,标准碱基多意代码,（,9,）,EMBL(European Molecular Biology Laboratory),Nucleotide Sequence Database,EBI(European Bioinformatics Institute),管理,主要是欧洲国家产生的,DNA,和,RNA,序列,序列数据,文档,格式与,GenBank,不同,数据库主页,www.ebi.ac.uk/embl,输入关键词,检索到的,条目,每一条目,详细内容,（,10,）,DDBJ(DNA Data Bank of Japan),主要是日本产生的,DNA,和,RNA,序列,数据库主页,www.ddbj.nig.ac.jp/Welcome-e.html,输入关键词,检索到的,条目,每一条目,详细内容,发表文章要提供,Accession number,（,11,）,EPD(Eukaryotic Promoter Database),www.epd.isb-sib.ch/,由,Weizmann Institute of Science in Rehovot(Israel),开创,4809,条真核生物启动子序列（,2009.2,）,人类基因组中的启动子大约,19,万个,同一个基因具有多个启动子,2,、蛋白质数据库,（,1,）,SWISS-PROT,由,EBI,和瑞士创办,有详细注释,的序列,，数据来源于实验,与,44,个,数据库,相互参照（,cross-reference,）,数据库主页,www.ebi.ac.uk/swissprot/,点击,SRS,在,查询网页,输入关键词,检索到的,条目,（,2,）,TrEMBL(Translation of EMBL),EBI,的数据库,提交到,EMBL,核苷酸,数据库中所有,CDS,的氨基酸序列,SWISS-PROT,和,TrEMBL,数据库合并,UniProt,(Universal Protein Resource),www.uniprot.org,检索方法与检索,SWISS-PROT,相同,查询结果,和,数据格式,（,3,）,PIR(Protein Information Resource),pir.georgetown.edu,由,National Biomedical Research,Foundation,创办,蛋白质,家族分类,蛋白质整合信息,（,4,）,PRF(Protein Research Foundation),www.prf.or.jp/en/os.html,由日本的,Protein Research Foundation,创办,已发表在杂志上的蛋白质序列,修饰位点、,S,S,键等,两月更新一次,（,6,）,Prosite,www.expasy.org/prosite,蛋白质家族,结构域,3,、结构数据库,（,1,）,PDB(Protein Data Bank),www.rcsb.org,由,Brookhaven National Laboratories,创办,蛋白质,核酸,其它,57,103,个结构图（,2009.2,）,可通过,BLAST,系统检索,X,射线衍射图,、,核磁共振（,NMR,）,光谱图,和电镜图,（,文字,和,三维,结构图）,（,2,）,SWISS-3D IMAGE,www.expasy.ch/sw3d/,蛋白质的平面和立体图,来源于实验结果,理论模型,4,、酶和代谢数据库,（,1,）,KEGG(Kyoto Encyclopedia of Genes and Genomes),各种代谢、遗传等路径图,可检索参于,各种,路径的基因,KEGG,主页,www.genome.ad.jp/kegg/,点击“,PATHWAY,”,“PATHWAY”,网页点击任何代谢路径，如糖酵解,/,糖原异生途径（,Glycolysis/Gluconeogenesis,),检索,Genetic Information Processing,KEGG,主页点击“,PATHWAY,”,“PATHWAY”,网页点击任何遗传信息路径，如,Protein export,路径,可以查看参加这一路径蛋白质的,信息,检索,Environmental Information Processing,KEGG,主页点击“,PATHWAY,”,“PATHWAY”,网页点击任何,Environmental Information Processing,路径，如,MAPK signaling pathway,路径,可以查看与这一路径相连的,其它信号路径,或参加这一路径的,蛋白质信息,检索,Cellular Processes,KEGG,主页点击“,PATHWAY,”,“PATHWAY”,网页点击任何,Cellular Processes,路径，如,Cell cycle,路径,可以查看与这一路径相连的其它信号路径或参加这一路径的蛋白质信息,（,2,）,PKR(Protein Kinase Resource),pkr.genomics.purdue.edu/pkr/Welcome.do,多种检索内容,已知蛋白激酶的序列比较,蛋白激酶分类,蛋白激酶的三维结构,其它参考资料,5,、物种分类数据库,物种分类,界（,Kingdom,）,门（,Phylum,）,纲（,Class,）,目（,Order,）,科（,Family,）,属（,Genus,）,种（,Species,）,每一分类等级下可加设亚级（,Sub-,），如亚门、亚纲、亚科等。,每一分类等级上可加设总级（,Super-,），如总纲、总目、总科等。,动物界（,Animal,）,脊索动物门（,Chordata,）,脊椎动物亚门（,Vertebrata,）,哺乳纲（,Mammalia,）,啮齿目（,Rodentia,）,鼠科（,Muridae,）,小家鼠属（,Mus,）,小家鼠种（,musculus,）,举例：,Mouse,：,Mus musculus,Human,：,Homo sapiens,Arabidopsis,：,Arabidopsis thaliana,Taxonomy,www.ncbi.nlm.nih.gov/Taxonomy/taxonomyhome.html,拟南芥,系谱（,lineage,）,各个物种的系谱树,在,NCBI,Entrez Taxonomy,Homepage,网页点击“,tree”,在“,tree,”,网页点击任一物种名，如“,Eukaryota”,真核生物的,系谱,(lineage),6,、文献数据库,各种杂志、书刊上发表的文章,大多数有摘要,（,1,）,PubMed,www.ncbi.nlm.nih.gov/PubMed/,美国国家医学图书馆的数据库,医学,分子生物学,基础生物学,5300,多种刊物，来源于,70,多个国家,刊物年限：,1948,年至今,（,2,）,OMIM(Online Mendelian Inheritance in Man),NCBI,的数据库,人类基因,遗传疾病,每天更新数据,条目,www.ncbi.nlm.nih.gov/sites/entrez?db=OMIM,（,3,）,Agricola,agricola.nal.usda.gov/,美国农部农业图书馆的数据库,农业类刊物,7,、向数据库提交和修改核苷酸和蛋白质序列,提交：,Submission,修改：,Update,数据库中的数据由大家无偿提供，共同享用,Growth of Sequence and 3D Structure Databases,Signed by 256 researchers,（,1,）,向,GenBank,提交或修改核苷酸序列,用,BankIt,功能,提交,序列,网上直接提交，简单方便,提交后立刻得到临时编号,一周内得到,Accession number,用,Update,功能,修改,GenBank,中的序列和相关信息,修改一次，,version,的编号就进一位,用,Sequin,方法提交序列,可下载的电子表格,自动确定,CDS,、,ORF,和查找重复序列,（,2,）向,SWISS-PROT,提交或修改蛋白质序列,网上直接操作,只接收用蛋白质直接测序的序列,由核苷酸序列翻译得到的蛋白质序列,将进入,TrEMBL,（三）上机操作,熟悉各种数据库,重点了解,GenBank,和,SWISS-PROT,的各种功能和适用范围,Xa26,nucleic acid sequence,(DQ426646,6000 bp),:,ATGGCCATGGGTCCACACGCAGTGAGATGAATGCTAGATCTCACGAGAAAAAAGAAATACATCTCA GGGGTTGTGATGTACTGGATAATTTGCTCGTCATATTAACCATTAGCTTACTCTAGTTGATGTGGGCATG GATGGAGCCGGCAGCCGGCGATCCTATTTAA,Xa26,amino acid sequence,(ABD84047,1103 aa),:,MALVRLPVWIFVAALLIASSSTVPCASSLGPIASKSNSSDTDLAALLAFKAQLSDPNNILAGNWTTGTPF CRWVGVSCSSHRRRRQRVTALELPNVPLQGELSS,Adam Zemla,Four genetic signatures of the SARS virus,shown in yellow,blue,light green,and dark green,are mapped onto a 3-D protein model of the SARS RNA polymerase.,Surface features of the substrate-binding pockets of TGEV Mpro(A)and SARS 3CL proteinase(B).The surface color was loaded by the electrostatic properties.One small molecule,its chemical structure is shown in(C),produced by the virtual screening on the MDDR database,represented as CPK model,was docked into the binding pockets.,XIONG Bin,Microarray,2-D SDS-PAGE,twenty most sequenced organisms in Release 172.0,twenty most sequenced organisms in Release 172.0,Twenty most sequenced organisms in Release 172.0(2009.6),建立特定染色体的基因组文库,随机选择克隆进行短片段单次测序,比对确认不含重复序列,在序列上寻找引物,合成引物对基因组,DNA,进行,PCR,产物为单一片段即是,STS,标记，确认其在染色体上的位置,如,何,找,到,一,个,S,T,S,