生物信息技术第三次作业.doc

实用生物信息技术课程第3次作业
UniProt数据库检索及数据条目注释信息

1. UniProt蛋白质序列数据库
1) 参阅Swiss-Prot和TrEMBL统计报表（Release Statistics），列表说明这两个子库的总数据量，以及不同蛋白质证据（Protein Existence）的数据条目数。
数据库子库
总数据量
Protein Existence数据条目数
蛋白水平证据
转录水平证据
同源性推断
预测
不确定
Swiss-Prot
542782
82087
62272
380832
15705
1886
TrEMBL
54247468
22013
931313
13573938
39720204
0

2) 列表说明Swiss-Prot和TrEMBL中数据条目数列前10位的物种，包括中文名、英文名和拉丁文学名。
表1 Swiss-Prot中数据条目数列前10位的物种

Swiss-Prot

中文名
英文名
拉丁文学名

1
智人
Human
Homo sapiens
2
小家鼠
Mouse
Mus musculus
3
拟南芥
Mouse-ear cress
Arabidopsis thaliana
4
大鼠
Rat
Rattus norvegicus
5
酿酒酵母
Baker's yeast
Saccharomyces cerevisiae
6
牛
Bovine
Bos taurus
7
裂殖酵母
Fission yeast
Schizosaccharomyces pombe
8
大肠杆菌
strain K12
Escherichia coli
9
枯草杆菌
strain 168
Bacillus subtilis
10
盘基网柄菌
Slime mold
Dictyostelium discoideum

TrEMBL

中文名
英文名
拉丁文学名
1
人类免疫缺陷病毒
HIV
Human immunodeficiency virus 1
2
未培养细菌
Uncultured bacteria
uncultured bacterium
3
智人
Human
Homo sapiens
4
小麦
Wheat
Triticum aestivum
5
粳稻
Rice
Oryza sativa subsp. japonica
6
丙型肝炎病毒
HCV
Hepatitis C virus
7
乙型肝炎病毒
HBV
Hepatitis B virus
8
大豆
Soybean
Glycine max
9
宏基因组
mine drainage metagenome
mine drainage metagenome
10
二棱大麦
Two-rowed barley
Hordeum vulgare var. distichum
表2 TrEMBL中数据条目数列前10位的物种

3) 列表说明以下已基本完成基因组测序的重要模式生物数据条目数总数N、已审阅序列条目数Nr、具有蛋白质证据的序列条目数Np、在参考序列数据库RefSeq中具有mRNA序列的序列条目数Nm、在蛋白质结构数据库PDB中具有结构的序列条目数Nb。
物种
拉丁文学名
英文名
N
Nr
Np
Nm
Nb
人
Homo sapiens
Human
136495
20270
14233
13627
5211
小鼠
Mus musculus
Mouse
73479
16658
8208
7472
1465
大鼠
Rattus norvegicus
Rat
33577
7887
3407
2918
534
鸡
Allus domestiaus
Chicken
23729
2257
705
481
174
非洲爪蟾
Xenopus laevis
African clawed frog
16014
3382
578
491
59
斑马鱼
Danio rerio
Zebrafish
55756
2916
393
306
64
黑腹果蝇
Drosophila melanogaster
Drosophila melanogaster
39998
3220
1974
1910
351
秀丽线虫
Caenorhabditis elegans
Caenorhabditis elegans
26657
3461
1489
1475
115
酿酒酵母
Saccharomyces cerevisiae
Baker’s yeast
79276
7807
5322
5252
1098
大肠杆菌K12
Escherichia coli
Strain K12
15660
5970
2753
2748
1319
拟南芥
Arabidopsis thaliana
Mouse-ear cress
53270
12665
12934
13599
5071
粳稻
Oryza sativa subsp keng
Japonica

籼稻
Oryza sativa indica
Indica

玉米
Zea mays
Maize
62877
738
347
203
34
棉花
Gossypium spp
Cotton
5714
252
10
3
2

2. 序列条目注释信息
1) 以人血红蛋白alpha亚基为例，说明一般注释信息（General Annotation）主要包括哪些内容。
亚基结构：两个alpha亚基和两个beta亚基的四聚体组成成熟的血红蛋白A；2个alpha亚基和2个deltal亚基的四聚体组成成熟的血红蛋白A2；2个alpha亚基和2个epsilon亚基的四聚体组成胚胎早期的的血红蛋白Gower-2；2个alpha亚基和2个gamma亚基的四聚体组成胎儿期的血红蛋白F。
组织特性：血液红细胞。
转录以后修饰：起始的甲硫氨酸在各种thionville中没有裂开，并且进行乙酰化。
涉及的人类疾病
贫血（HEIBAN）[MIM:140700】：细胞非球形的Dacie类型1的溶血性贫血。脾脏切除后，几乎没有好转，红细胞中的嗜碱性的夹杂物被证明为海因茨小体。脾脏切除前分散或点状的嗜碱性粒细胞明显。大多数情况下可能是血红蛋白病的实例。血红蛋白呈现热不稳定性。海因茨小体也观察到与Ivemark综合征(无脾与心血管异常)和还原型谷胱甘肽过氧化物酶的缺乏。
注释：这类病可能是由于突变效应在基因中的表达。
Alpha-地中海贫血（A-THAL）[MIM:604131]:地中海贫血的一种形式。地中海贫血是常见的单基因疾病，主要在发生地中海和东南亚人口。alpha-地中海贫血的标志是一个失衡globin-chain生产成的人HbA分子。 α链水平的产物的范围可以从没有到几乎正常的水平。删除两个 α-珠蛋白基因的副本导致α(0)-地中海贫血,也称为纯合子的α地中海贫血。由于没有完整的α链,主要的胎儿血红蛋白四聚物的gamma链(Bart血红蛋白),基本上没有携带氧的能力。这将导致胎儿组织氧饥饿导致产前杀伤力或早期新生儿死亡。两个α基因导致的损失轻微alpha-地中海贫血,也称为杂合的alpha-地中海贫血。 影响个人小红细胞和心肌梗死。假如四分之三的Alpha珠蛋白基因起作用，人基本就没有症状。很少的alpha-地中海贫血类型是由于突变引起的（非删除的alpha-地中海贫血）
血红蛋白H病（HBH）[MIM:613978]：一种alpha-thalassemia由于损失三个α基因。 这将导致高水平的四聚物的四种β链(血红蛋白H),导致严重和致命的贫血。治疗,大多数病人死在童年或者青春期的早期阶段。
注释:这类病可能是由于突变效应在基因中的表达。
其他信息：使血液呈现红色。
序列相似性：属于珠蛋白家族。
2) 以人血红蛋白alpha亚基为例，说明序列特征注释信息（Sequence Annotation）主要包括哪些内容。
序列特征注释信息（Sequence Annotation）包括一些重要序列信息的发生位点、序列长度、具体说明、图示以及特征识别。
具体重要序列信息包括分子处理如起始氨基酸的去除，重要位点如金属结合位点，氨基酸修饰位点如糖基化，自然突变位点，实验水平的一些信息，以及序列的二级结构。
3) 以人血红蛋白alpha亚基为例，说明数据库交叉链接（Cross Reference）主要包括哪些数据库。
序列数据库：Genbank EMBL DDBJ PIR Uni Gene RefSeq
3D结构数据库：PDB ProteinModelPortal SMR ModBase MobiDB
蛋白质相互作用数据库：BioGrid DIP IntAct MINT STRING
化学库：ChEMBL DrugBank
PTM数据库：PhosphoSite
二维凝胶数据库：SWISS-2DPAGE UCD-2DPAGE DOSAC-COBS-2DPAGE REPRODUCTION-2DPAGE
蛋白质组数据库：PRIDE PaxDb Peptide Atlas
协议和材料数据库：DNASU StructuralBiologyKnowledgebase
基因组注释数据库：Emsemble KEGG UCSC GeneID
物种特异数据库：CTD GeneCards HGNC HPA MIM
分子系统数据库：InParanoid KO OMA TreeFam
酶和通路数据库：Reactome
基因表达数据库：Bgee CleanEx Array Genevestigator
家族和结构域数据库：Gene3D InterPro PANTHER Pfam PRINTS
其他：EvolutionaryTrace Genewiki NextBio ChiTaRS PRO

3. 数据库检索
1) 写出从UniProt数据库中检索已审阅的人珠蛋白（globin）家族12个亚基的步骤。列表说明这12个珠蛋白的登录号、蛋白质名称、和序列长度。其中与血红蛋白alpha亚基差异最大的序列是哪个？相同位点百分比？与血红蛋白beta亚基差异最小的序列是哪个？差异位点共多少个？

在UniProtKB中利用高级检索，依次增加Organism：human、ProteinFamily:globin两个限定条件后，选中reviewed的序列，即可出现库中已审阅的人珠蛋白家族的12个亚基。
登录号
蛋白名称
序列长度
P02008
血红蛋白ζ亚基
142
P69905
血红蛋白α亚基
142
P68871
血红蛋白β亚基
147
P02042
血红蛋白δ亚基
147
P69891
血红蛋白γ-1亚基
147
P69892
血红蛋白γ-2亚基
147
P02144
肌红蛋白
154
Q8WWM9
细胞珠蛋白
190
Q9NPG2
神经珠蛋白
151
P09105
血红蛋白θ-1亚基
142
P02100
血红蛋白ε亚基
147
Q6B0K9
血红蛋白μ亚基
141

与血红蛋白alpha亚基差异最大的序列是神经珠蛋白，相同位点百分比为22%。
与血红蛋白beta亚基差异最小的序列是血红蛋白δ亚基，差异位点共10个。

2) 写出从UniProt数据库中检索以下序列条目的步骤和结果：拟南芥序列条目总数，其中已审阅条目数，已审阅序列中具有蛋白质证据全长序列条目数，上述序列中膜蛋白总数、注释为跨膜蛋白数且具有信号肽的序列数。
1，在UniProtKB数据库搜索栏中选择advanced search ，然后根据organism:Arabidopsis thaliana得到拟南芥序列条目总数为53221。
2，在results里点击reviewed，得到已审阅的条目数为12720。
3，在results里点击complete proteome set，并在field中选择ProteinExistence，再选择Evidence at protein level，得到已审阅序列中具有蛋白质证据全长序列的条目数为4407。
4，在field中选择SubcellularLocation，在Term中输入membrane，搜索后得到膜蛋白总数为1292。
5，在field中选择sequence annotation，在topic中选择transmembrane，得到蛋白数为837。
6，在field中选择sequence annotation，在topic中选择signal peptide，得到蛋白数为112。

4. 利用高级检索功能，从UniProt数据库中检索你课题相关或最感兴趣的蛋白质，阅读其一般注释信息、序列特征注释信息，相关文献，并通过数据库交叉链接，总结该蛋白质的研究进展。
玉米ARF-1:玉米生长素应答因子1，属于小GTP酶超家族，一般位于高尔基体装饰完成，控制调节种子的发芽。蛋白序列长度为181，在第一个氨基酸发生甲基化，有24-31、67-71和126-129三个核酸结合区域。1996.2.1发布在Uniprot数据库，2013.9.18完成修正。
生长素是植物生长过程中必不可缺的一类激素，在植物生长发育的各个阶段都起到重要作用。近年来，对植物中的ARF基因不论是信号途径的转导还是表达机制的研究都成为热点问题。全面的分析ARF家族基因，对于ARF基因的分子克隆和分子进化的研究具有重要指导意义。通过ARF基因序列的整合比对分析可知典型的ARF基因含有三个结构域，分别为N末端DNA结合域（DBD）、中间核心区域(MR)、C末端二聚化结构域(CTD)(结构域III和IV)。参考水稻ARF基因家族的命名方法，对玉米的ARF基因家族进行了命名，分别为ZmARF1-ZmARF35。 有研究通过构建系统进化树分析了ARF类型基因的进化关系，结果显示这些基因主要分布于四个分枝，而与拟南芥、杨树、葡萄和水稻的ARF基因家族进行比较分析发现玉米与水稻同源性最高，这表明ARF类型基因的进化可能是伴随着单/双子叶植物差异分离进化而发生的。并确定35个ARF基因分散的分布在玉米的十条染色体上，5号染色体上最多，有6个基因；2、7、8、9号染色体最少，各有1个基因，没有出现明显的基因簇现象，与其他物种的染色体定位具有相同特性。
对玉米ARF类型基因的结构进行分析，同属一个进化分类的ARF基因其基因结构较为相似，所含内含子与外显子的个数也基本相同；同源性比对分析表明组成ARF基因功能核心区域的氨基酸序列具有较高的相似性；基序分析显示玉米ARF类型基因的结构比较复杂，包含有20种不同的基序，motif1-8这几种基序出现在绝大多数玉米ARF基因中，而motif17,18,20这三种基序只在少数基因中出现。这些少数存在的基序所在的基因可能在功能上发挥着重大的作用。对玉米的EST数据库，分析35个玉米ARF基因的表达特性，所有的35个基因都有EST表达的支持，结果表明玉米ARF基因可表达的组织部位可分为7类，其中28个玉米ARF基因可在一个或多个组织部位进行特异性表达，但仍尚有7个基因不能明确预测其特定的表达部位，只在混合组织中具有表达信息。这种表达模式为深入研究ARF的作用和功能提供了重要理论依据

|P49076|ARF_MAIZE ADP-ribosylation factor OS=Zea mays GN=ARF1 PE=2 SV=2
MGLTFTKLFSRLFAKKEMRILMVGLDAAGKTTILYKLKLGEIVTTIPTIGFNVETVEYKN
ISFTVWDVGGQDKIRPLWRHYFQNTQGLIFVVDSNDRDRVVEARDELHRMLNEDELRDAV
LLVFANKQDLPNAMNAAEITDKLGLNSLRQRHWYIQSTCATTGEGLYEGLDWLSSNIATK
S

5