GSA和BIGD—填补我国生物信息资源服务的空白.PDFVIP

GSA 和 BIGD — 填补我国生物信息资源服务的空白 北京大学生命科学学院、北京大学国家蛋白质和植物研究重点实验室、北京大学生物信息中心，北京 100871， luojc@ Genomics Proteomics and Bioinformatics 期刊（GPB）2017 年第一期发表了一篇数据库 专题论文“基因组序列归档库”（Genome Sequence Archive, 简称 GSA）[1]。作者来自中国 科学院北京基因组研究所大数据中心（Big Data Center, Beijing Institute of Genomics, 简称 BIGD），文中对他们开发的 GSA 平台作了简要介绍。该平台旨在收集、整合和发布国内外 用户递交的原始序列数据。GSA 项目是基因组所大数据中心正在进行的几个主要研究开发 项目之一，该中心由近 50 位年轻的生物信息学研究开发人员组成。除 GSA 项目外，还开展 了多项面向生物信息资源服务的课题[2]。应 GPB 编辑部邀请，笔者写了一篇短文，简单回 顾国际生物信息数据库创建历史，并向读者推荐 GSA 平台和 BIGD 团队的工作。文章以 Preview 形式发表在同一期的 GPB 上，原文为英文[3]；特撰写此中文稿，以飨国内读者。 最近半个多世纪以来，分子生物学取得了长足的进展。DNA 双螺旋的发现、遗传密码 的破解、中心法则的提出，为分子生物学研究奠定了坚实的理论基础。与此同时，费雷德里 克·桑格（Frederick Sanger）等先后建立了蛋白质、tRNA 和 DNA 序列测定方法，约翰·肯 德鲁（John Kendrew）和马克斯·佩鲁茨（Max Perutz）解决了 X-射线晶体衍射解析蛋白质 三维空间结构的难题。这些开拓性的研究，为日后分子生物学数据积累提供了必不可少的技 术储备。 蛋白质序列数据库 最早从事蛋白质序列收集的是美国国家生物医学研究基金会（National Biomedical Research Foundation，简称 NBRF）的生物信息学先驱玛格蕾特·戴霍芙（Margaret Dayhoff） 博士（/wiki/Margaret_Oakley_Dayhoff）。1965 年，她把当时能收集到 的 65 个蛋白质信息编纂成???，并以《蛋白质序列和结构图册》（ Atlas of protein sequence and structure）为名公开发表，并在以后的几年中不断更新再版。这就是国际上第一个蛋白质序 列数据库“蛋白质信息资源”（Protein Information Resource，简称 PIR）的雏形。基于收集 到的蛋白质家族序列，戴霍芙构建了氨基酸替换计分矩阵 PAM，至今仍广泛用于序列比对 和数据库相似性搜索。PIR 于 1984 年正式上线，用户可通过电话网络进行查询。两年后， 瑞士日内瓦大学在读研究生埃姆斯·贝洛克（Amos Bairoch）开始对蛋白质序列进行人工注 释（/wiki/Amos_Bairoch），为每个序列条目添加功能和相关文献等信 息，并在此基础上创建了著名的“瑞士蛋白质序列数据库”（ Swiss-Prot）。 1 蛋白质结构数据库 第一个蛋白质结构数据库（Protein Data Bank，简称 PDB）创建于 1971 年。与蛋白质 序列数据库分别诞生于美国和欧洲不同，PDB 的建立是欧美两国合作者共同努力的结果。 1971 年，英国剑桥晶体学数据中心（Crystallographic Data Center）和美国布鲁克海文国家实 验室（Brookhaven National Laborato