生物信息数据库专题实践讲义.docVIP

题目：生物信息数据库专题实践 学 院 生命科学学院 专 业 生物信息 学 号 2012447014 姓 名 岳海川 指导教师 刘建国 2015年 1月 11 日 生物信息数据库专题实践 摘要 GenBank和EMBL是最常用的核苷酸及蛋白质序列数据库。本文主要介绍了DDBJ和EMBL两个数据库标准文件的格式，并对其进行了对比，说明了各自的优缺点。 关键字：GenBank EMBL 文件格式 对比 优缺点 GenBank数据库结构完整的GenBank数据库包括序列文件，索引文件以及其它有关文件。索引文件是根据数据库中作者、参考文献等建立的，用于数据库查询。GenPept是由GenBank中的核酸序列翻译而得到的蛋白质序列数据库，其数据格式为FastA。GenBank中最常用的是序列文件。序列文件的基本单位是序列条目，包括核苷酸碱基排列顺序和注释两部分。目前，许多生物信息资源中心通过计算机网络提供该数据库文件。下面，我们介绍序列文件的结构。GenBank序列文件由单个的序列条目组成。序列条目由字段组成，每个字段由关键字起始，后面为该字段的具体说明。有些字段又分若干次子字段，以次关键字或特性表说明符开始。每个序列条目以双斜杠“//”作结束标记。序列条目的格式非常重要，关键字从第一列开始，次关键字从第三列开始，特性表说明符从第五列开始。每个字段可以占一行，也可以占若干行。若一行中写不下时，继续行以空格开始。序列条目的关键字包括LOCUS (代码)，DEFINITION (说明)，ACCESSION (编号)，NID符(核酸标识)，KEYWORDS (关键词)，SOURCE (数据来源)，REFERENCE (文献)，FEATURES (特性表)，BASE COUNT (碱基组成)及ORIGIN (碱基排列顺序)。先版的核酸序列数据库将引入新的关键词SV (序列版本号)，用“编号.版本号”表示，并取代关键词NID。LOCUS (代码)：是该序列条目的标记，或者说标识符，蕴涵这个序列的功能。例如，图4.1中所示的HUMCYCLOX表示人的环氧化酶cyclooxygenase。该字段还包括其它相关内容，如序列长度、类型、种属来源以及录入日期等。说明字段是有关这一序列的简单描述，如本例为人环氧化酶-2的mRNA全序列。ACCESSION (编号)：具有唯一性和永久性，如本例中代码M90100用来表示上述人环氧化酶-2的mRNA序列，在文献中引用这个序列时，应该以此编号为准。KEYWORDS (关键词)字段：由该序列的提交者提供，包括该序列的基因产物以及其它相关信息，如本例中环氧化酶-2 (cyclooxygenase-2)，前列腺素合成酶(prostaglandin synthase)。SOURCE (数据来源)字段：说明该序列是从什么生物体、什么组织得到的，如本例中人脐带血(umbilical vein)。次关键字ORGANISM (种属)指出该生物体的分类学地位，如本例人、真核生物等等(详见图4.1)。REFERENCE (文献)字段：说明该序列中的相关文献，包括AUTHORS (作者)，TITLE (题目)及JOURNAL (杂志名)等，以次关键词列出。该字段中还列出医学文献摘要数据库MEDLINE的代码。该代码实际上是个超文本链接，点击它可以直接调用上述文献摘要。一个序列可以有多篇文献，以不同序号表示，并给出该序列中的哪一部分与文献有关。FEATURES (特性表)：具有特定的格式，用来详细描述序列特性。特性表中带有‘/db-xref/’标志的字符可以连接到其它数据库，如本例中的分类数据库（taxon 9606），以及蛋白质序列数据库（PID：g181254）。序列中各部分的位置都在表中标明，5’非编码区(1-97)，编码区(98-1912)，3’非编码区(1913-3387)，多聚腺苷酸重复区域(3367-3374)，等等。翻译所得信号肽以及最终蛋白质产物也都有所说明。当然，这个例子只是特性表的部分注释信息，但已经足以说明其详细程度。接下来是碱基含量字段，给出序列中的碱组成，如本例中1010个A，712个C，633个G，1032个T。ORIGIN行是序列的引导行，接下来便是碱基序列，以双斜杠行“//”结束。 EMBL数据库结构EMBL数据库的基本单位也是序列条目，包括核甘酸碱基排列顺序和注释两部分。序列条目由字段组成，每个字段由标识字起始，后面为该字段的具体说明。有些字段又分若干次子字段，以次标识字或特性表说明符开始，最后以双斜杠“//”作本序列条目结束标记。条目的关键字包括ID（序列名称），DE（序列简单说明），AC（序