第三讲第二章Internet的核酸数据库资源1.ppt

Internet的核酸数据库资源 生物信息学系 王珍珍 分子生物学信息数据库 核酸和蛋白质一级结构序列数据库 基因组数据库 生物大分子三维空间结构数据库 上述三类数据库和文献资料为基础构建的二级数据库 第一节 核苷酸一级结构序列数据库 GenBank，DDBJ，and EMBL是当前最全面、规模最大的公共核酸数据库，收录了所有已知的核酸序列。 这3个中心都可以独立地接受数据提交，而3个中心之间则逐日交换信息，并制成相同的充分详细的数据库向公众开放 在这里以 GenBank为例做详细介绍。 一、 GenBank数据库 （一） GenBank的创建及维护 创建于1982年，迅速发展于20世纪90年代 1988年美国成立国立生物技术信息中心（NCBI） 1992,NCBI承担起对GenBank DNA序列数据库的维护责任 。 一、 GenBank数据库 （二） GenBank的数据类型及来源 数据类型 任意长度的cDNA片段 单个外显子 完整的cDNA 任意的基因片段，以致于包涵多个基因的片段 数据来源 个人或大规模测序中心直接递交的数据 通过美国专利和商标局收集注册专利的序列信息 GenBank员工对3400中杂志进行检索 与EMBL,DDBJ等大型数据库每日相互更新 GenBank每条数据包含对序列的精确描述，序列来源生物的科学名称及树状分 类，以及特征数据栏，提供序列的蛋白编码区和具有特殊生物学意义的位点，如转录 单位(transcription units)、突变或修饰位点(sites of mutationsor modifications)及重复序列(repeats），还提供特定序列编码的蛋白质序列。参考文献还给出其在MEDLINE上的特定标识号。 网址：/Genbank/ 数据检索 （三） GenBank数据库的结构 1.EST数据库 分子生物学的中心法则就是指生物信息从DNA到RNA再到蛋白质，它构成了整个分子生物学的基础， 1.EST数据库 - 表达序列标签，短的、单次（测序）阅读的cDNA序列。也包括来自于差异显示和RACE实验的cDNA序列。 长度经常介于200bp到500bp之间 /dbEST/index.html 数据的提交 数据的提交 网址:/BankIt/ t 数据的访问形式 访问GenBank - 通过Entrez Nucleotides来查询。用accession number，作者姓名，物种，基因/蛋白名字，还有许多其他的文本术语来查询。关于Entrez更多的信息请看下文。 另外一种选择是可以用FTP下载整个的GenBank和更新数据。 用BLAST来在GenBank和其他数据库中进行序列相似搜索。用E-mail来访问Entrez和BLAST可以通过Query和BLAST服务器。 通过Entrez Nucleotides来查询。 2.通过ftp来访问dbEST。/repository/dbEST The following files are stored in this repository: dbEST的数据格式 dbEST的数据格式 gi number （genInfor identifier）是一个唯一标识一个特别序列的整数，每次当序列发生改变时gi编号将发生改变。 但是对应的EST的名字不一定会发生改变。 The following subdirectories exist: FASTA格式 GenBank普通文件格式 — 参见GenBank记录样本和在GenBank公布通知中的详细描述，下载大多数最近的完全公告和日常积累或非积累更新数据。? ASN.1格式 — 摘要句法记号1，国际标准组织（ISO）数据表示格式，下载大多数最近的完全公告和日常积累或非积累更新数据。 FASTA格式 — 定义行号后只跟随序列数据（示例），。 FASTA格式 Fasta格式是一种相当标准的符合生物信息学的输出，很容易读取。 FASTA格式第一行是描述行，第一个字符必须是“”字符；随后的行是序列本身，一般每行序列不要超过80个字符，回车符不会影响程序对序列连续性的看法。序列由标准的IUB/IUPAC氨基酸和核酸代码代表；小写字符会全部转换成大写；单个“-”号代表不明长度的空位；在氨基酸序列里允许出现“U”和“*”号；任何数字都应该被去掉或换成字母(如，不明核酸用“N”，不明氨基酸用“X”)。 FASTA格式是通常被用于序列比对的标准格式 FASTA格式 FASTA格式 gi|120475024|gb|DV935719.1|DV935719 ART1 Lycopersicon esculentum cDNA Solanum lycopersicum cDN