生物信息数据格式和数据抽提技术在PALPP中应用.pdfVIP

第七届（2009）两岸三院信息技术与应用交流研讨会论文报告集 生物信息数据格式和数据抽提技术在PALPP 中的应用 孟珍 胡良霖 黎建辉* （中国科学院计算机网络信息中心科学数据中心北京100190 *通讯作者） 摘要：由中国科学院计算机网络信息中心、中国科学院植物研究所、中国科学院 深圳仙湖植物园“三方两地”共同合作研究建设的陆地植物发育系统系统发育平 台（PALPP ）意在为科研人员提供数据和分析并举的工作平台，承担数据汇集和 面向实际科研工作应用的双重作用。PALPP 的应用数据涉及到核酸(DNA、 RNA)、蛋白等的相关数据。在数据的整合以及各处理模块输入输出处理中，涉 及多种生物信息学数据格式的应用和转换。本文针对陆地植物发育系统系统发育 平台（PALPP ）涉及的生物信息数据格式和其抽提技术进行研究总结，比较了国 际生物信息学数据的主要存取式（GenBank、EMBL 和 SwissProt、FAST 和 NBRF、Intelligenetics 格式、PIR 格式等）和典型生物信息学处理工具的应用格 式特点，提出在生物信息学术的抽提方法并进行应用示例。 关键字：生物信息数据格式 数据抽提 PALPP 1 引言 生命之树（Tree of Life，TOL）是能将所有生物种类（包括现存的和灭绝的）联 系在一起的、蕴涵着巨量信息的系统进化树（Ciccarelli et al., 2006 ）。由中国科 学院计算机网络信息中心、中国科学院植物研究所、中国科学院深圳仙湖植物园 “三方两地”共同合作研究建设的陆地植物发育系统系统发育平台（PALPP）注 重生物科研和信息技术队伍的联合攻关、注重生物信息技术在生物系统发育领域 的应用研究、注重生物系统发育研究框架的研究模式应用，以从陆地植物逐渐拓 展构建整个生物框架的TOL。PALPP 意在为科研人员提供数据和分析并举的工 作平台，承担数据汇集和面向实际科研工作应用的双重作用。实现系统树的流程 化构建，整合数据抽提、多重序列比对、编辑清洗、分模型构树、组装评估、可 视化编辑等系列公认的分析算法和模型，通过若干交互界面，实现系统树的自动 生成、辅助实验决策。平台依托中科院网络信息中心的数据环境和计算环境，用 户只需登陆定制相关的研究范围、分析模块和参数就可进行相应的数据应用和挖 掘工作。 PALPP 应用涉及到核酸(DNA、RNA)、蛋白等相关数据。PALPP 的基础数据主 要来自国际一级数据资源的抽提。因此，PALPP 在充分研究国际现有数据存取 格式的基础上来，探究切实可行的本地数据库的数据结构和数据抽提方式。 2 数据类型分析和数据库系统设计 从Margaret Dayhoff 和她在华盛顿特区的“美国生物医学研究基金会”(National Biomedical Research Foundation，NBRF)在 1972 年收集第一条蛋白质序列开始， 278 第七届（2009）两岸三院信息技术与应用交流研讨会论文报告集 国际上不同的生物信息中心已经收集并标准化了大量的分子生物学数据。然而也 正是不同组织对数据的收集整理也就有了不同的存储格式和其中的转换以及在 这些数据中的抽提整合。以下总结了国际数据中的主要格式和特点为PALPP 本 地数据库的建 和更新抽提做准备。 2.1 GenBank 格式 GenBank 中的数据库条目中，描述给定条目的信息，包括文献、有关序列的功能信 息、mRNA 表达的组织和编码区的位置以及重要突变的位置。信息分为几个字段来组织， 每一个在开始的位置都有一个标示符，有些字段也可能有额外的亚字段。图 2 即是一条 GenBank 序列式样，其中 FEATURES 字段中的 source、misc_signal、mRNA 等即是亚字 段。 图 1 GenBank 序列条目格式