教你使用NCBI,PDB数据库(精品·公开课件).ppt

生物信息学 第三讲：序列的采集、存储和查询 本章内容提要 1. DNA测序 2. 序列数据的存储 3. 序列数据的文件格式 4. 序列数据的查询 1. DNA测序 1. DNA一次测序的长度为500bp。 2.基因组的测序方案：将大的染色体打断成100kbp的片断，插入到BAC (Bacterial Artificial Chromosome)中。再随机打断，克隆，然后再组装成长的序列(contig)。 3. EST (Expressed sequence tag) 测序：细胞中mRNA反转录成cDNA，方向不定，测序。 4. UniGene: 为每一个基因创造一个唯一的条目，收集这个基因所有的ESTs. 5. GSS (基因组测序序列)：类似于ESTs，来源基因组。 6. HTG (高通量基因组序列)：高通量、尚未完工的DNA序列。 基因组测序：两种方案 1. DNA片段在染色体上的位置、方向已知。首先染色体被打断成150kbp左右的片段，然后克隆到BACs中，再进一步打碎，克隆，测序，组装。 2. “鸟枪法”，shotgun，随机将DNA片段打碎，克隆，测序，组装。DNA片段在染色体上的位置和方向未知。 2. 序列数据的存储 1. 核酸三大数据库：GenBank, EBI, DDBJ. 2. Ensembl数据库：基因组注释。 3. ESTs数据库； 4. UniGene数据库 5. Refseq数据库； 6. NCBI的Gene信息数据库; 7. 蛋白质序列：Swissprot/TrEMBL/UniProt数据库。 三大数据库之间的联系 GenBank中测序最多的20个物种 161.0版，2007.08 dbEST: 表达序列标签数据库 UniGene: An Organized View of the Transcriptom Refseq数据库 1. 提供高质量的，无冗余的，完整的序列信息； 2. 包括基因组的DNA,转录成的RNA以及蛋白质序列信息。 3. 序列文件的标识符： DNA/RNA序列，NM_XXXXXX； 蛋白质序列：NP_XXXXXX NCBI Gene 1. /sites/entrez?db=gene 2. 序列从Refseq数据库中得到; 3. 详尽的注释信息，包括基因在基因组的定位，基因名称、蛋白质名称，基因结构，等等。 UniProt 1. 专家审核的蛋白质序列数据与知识库； 2. UniProt Knowledgebase：Release 12.1，2007.08 3. 包括： Swiss-Prot Release 54.1 of 21-Aug-2007: 277883 entries; TrEMBL Release 37.1 of 21-Aug-2007: 4754787 entries Swiss-Prot Release 54.1 TrEMBL Release 37.1 3. 序列数据的文件格式 1. DNA/RNA/氨基酸代码的标识 2. GenBank数据格式 3. UniProt 4. FASTA GenBank数据格式 GenBank的数据类型 UniProt数据格式 FASTA格式 4. 序列数据的查询 某天，Prof. Gene发现人的Hela细胞中，有丝分裂期间有异常情况：细胞不再分裂，而是开始凋亡(表型，phenotype)，通过实验的方法(例如，酵母双杂交)，发现了与有丝分裂期间某个蛋白可能相互作用的一个基因，测序结果如下(genotype)： 问题： 1. 这是哪个基因？ 2. 编码的蛋白质序列是怎样的？ 3. 有没有保守的功能结构域 (domain)？ 4. 它的功能是怎样的？ 5. 它在真核生物中保守吗？ 6. 有没有三级结构信息？ NCBI: BLAST nucleotide blast Megablast: 找基因序列 提交序列 NM_001168.2：Survivin Survivin Gene info: 17号染色体 功能注释：Gene Ontology 结论1 1. 该基因为人的Survivin基因，染色体定位：17号染色体73733311；基因标识符：NM_001168.2; 2. 初步的功能分析：细胞周期，caspase酶的抑制因子，等等。 NM_001168.2：Survivin Human Survivin！ 获取蛋白质的序列信息 Survivin：142aa 结论2 人的Survivin蛋白质包含142个氨基酸，序列标识符为：NP_001159.2 获取FASTA序列 FASTA格式的序列 PHI-BLAST: find domain 填入蛋白质的FASTA序列 BIR domain 结论3 Sur