22 November 2010
3
Database Growth
• Exponential growth in sequence data • Not much growth in sequence size • Expect exponential growth in annotation information What are we to do with all this data?
二级数据库包括：
由上述三类数据库和文献资料为基础构建的数据库。
10
分子生物信息数据库
11
三、基因组数据库 （genome databases）
基因组数据库的主体是模式生物基因组数据 库，此外基因组信息资源还包括染色体、基因 突变、遗传疾病、分类学等各种数据库。
GDB —— 人类（Homo sapiens）基因组 数据库 AceDB —— 线虫 (Caenorhabditis elegans) 基因组数据库
12
人类基因组计划所得到的图谱数据
目前GDB包含对下述三种对象的描述：
（1）人类基因组区域 包括基因、克隆、PCR标记物、断点、细胞遗传学标记、 易碎位点、 EST、综合区域、contigs、重复等； （2）人类基因组图谱 包含细胞遗传学图谱、连接图谱、辐射混合图谱、 contig 图谱、集成图谱，所有这些图谱都可以被直观 地显示出来； （3）人类基因组中的变化 包括基因突变和基因多态性，加上等位基因频率数据。
38
常用分子生物信息学数据库-2
数据库名称 EMEST SWISS-PROT TREMBL DSSP FSSP SBASE HUMREP CPGISLE TRANSFAC YPD KABATP PROSITEDOC 数据库内容 EMBL数据库中EST部分 蛋白质序列 EMBL翻译所得蛋白质序列 蛋白质二级结构参数 已知空间结构蛋白质家族 蛋白质结构域序列 人类基因组中重复序列 CpG岛序列 转录因子 酵母基因组 免役球蛋白蛋白质序列 蛋白质功能位点文献摘要
4
生物分子数据 高速增长
分子生物学 及相关领域研究人员 迅速获得最新实验数据
建立生物分子数据库
5
生物信息数据库应满足5个方面的 主要需求：
（1）时间性 （2）注释
（3）支撑数据
（4）数据质量
（5）集成性
6
Challenges of Large Databases
• Storage
– Indexing, physical layout, memory management
21Байду номын сангаас
SWISS-PROT
• •
ID AC DT DT DT DE GN OS OC OC OX RN RP RC RX RA RT RT RL …
Defined by SWISS-PROT database
– Includes annotation, other info
Example:
BRC1_MOUSE STANDARD; PRT; 1812 AA. P48754; Q60957; Q60983; 01-FEB-1996 (Rel. 33, Created) 01-NOV-1997 (Rel. 35, Last sequence update) 16-OCT-2001 (Rel. 40, Last annotation update) Breast cancer type 1 susceptibility protein homolog. BRCA1. Mus musculus (Mouse). Eukaryota; Metazoa; Chordata; Craniata; Vertebrata; Euteleostomi; Mammalia; Eutheria; Rodentia; Sciurognathi; Muridae; Murinae; Mus. NCBI_TaxID=10090; [1] SEQUENCE FROM N.A. STRAIN=C57BL/6; TISSUE=Embryo; MEDLINE=96177659; PubMed=8634697; Abel K.J., Xy J., Yin G.Y., Lyons R.H., Meisler M.H., Weber B.L.; "Mouse Brca1: localization sequence analysis and identification of evolutionarily conserved domains."; Hum. Mol. Genet. 4:2265-2273(1995).
13
14
15
16
四、序列数据库 （Sequence databases）
序列数据库是分子生物信息数据库中最基本的 数据库，包括核酸和蛋白质两类，以核苷酸碱
基顺序或氨基酸残基顺序为基本内容，并附有
注释信息。
17
（一） 核酸序列数据库
国际上权威的核酸序列数据库
GenBank － 美国国家信息中心的核酸 数据库 （1979） EMBL － 欧洲分子生物学实验室的核酸
• Modeling
– Relational, hierarchical, semi-structured
• Efficiency
– Update, query, analysis
• Interpretation
– Visualization
7
生物信息数据库几个明显的特征：
（1）数据库的更新速度不断加快，数据量 呈指数增长趋势 （2）数据库使用频率增长更快 （3）数据库的复杂程度不断增加 （4）数据库网络化 （5）面向应用 （6）先进的软硬件配置
39
常用分子生物信息学数据库-3
数据库名称 BLOCKS PRODOM ENZYME OMIM SEQANALREF MEDLINE FLYGENES RHDB P53 PK CUTG TAXONOMY BIOCAT 数据库内容 同源蛋白序列模块 蛋白质结构域 酶 人类遗传缺陷基因 序列分析文献目录 医学文献目录 果蝇基因组 放射杂交 P53蛋白突变 丙酮酸激酶 遗传密码使用频度 分类学 生物信息学程序目录
PDB的网址：/pdb(美国) PDBsum的网址：/bsm/pdbsum
24
25
26
六、二次数据库
根据生命科学不同研究领域的实际需要， 对基因组图谱、核酸和蛋白质序列、蛋白质结构 以及文献等数据进行分析、整理、归纳、注释， 构建具有特殊生物学意义和专门用途的二次数据库， 这是数据库开发的有效途径。 近年来，世界各国的生物学家和计算机科学家合作， 已经开发了几百个二次数据库和复合数据库， 也称专门数据库、专业数据库、专用数据库。
31
中华民族基因多态性数据库
32
蛋白质二硫键数据库
33
水稻矮缩病毒基因组数据库
34
转录因子细胞特异表达数据库
35
蛋白质回环数据库
36
37
常用分子生物信息学数据库-1
数据库名称 EMBL PIR OWL PDB HSSP PDBFINDER SUBTILST VECTOR RDP ECDC KABATN PROSITE 数据库内容 核酸序列 蛋白质序列 非冗余蛋白质序列 蛋白质三维空间结构 同源蛋白家族 PDB数据库注释信息 枯草杆菌序列 克隆载体 核糖体序列 大肠杆菌序列 免役球蛋白核酸序列 蛋白质功能位点
数据库 （1982）
DDBJ －日本遗传研究所的核酸数据库（1987）
18
GenBank
•
•
Flat file format used by GenBank
– Annotation, author, version, etc.
Example (just the top)
MMU35641 5538 bp mRNA linear ROD 18-OCT-1996 Mus musculus Brca1 mRNA, complete cds. U35641 U35641.1 GI:1040960 . house mouse strain=C57Bl/6. Mus musculus Eukaryota; Metazoa; Chordata; Craniata; Vertebrata; Euteleostomi; Mammalia; Eutheria; Rodentia; Sciurognathi; Muridae; Murinae; Mus. 1 (bases 1 to 5538) Sharan,S.K., Wims,M. and Bradley,A. Murine Brca1: sequence and significance for human missense mutations Hum. Mol. Genet. 4 (12), 2275-2278 (1995) 96177660 8634698 19
分子生物信息数据库
（Molecular Bioinformatics Databases）
一、简介 二、分子生物信息数据库 三、基因组数据库 四、序列数据库 五、结构数据库 六、二次数据库 七、NCBI分子生物学数据库
1
一、简 介
已经完成全序列测定的基因组
2
Total nucleotides:
301,588,430,608
TrEMBL —— Translation of EMBL
20
SWISS-PROT
(http://www.expasy.ch/sprot/sprot-top.html） 是目前国际上比较权威的蛋白质序列数据库, 其中的蛋白质序列是经过注释的. SWISS-PROT中的数据来源于不同源地： （1）从核酸数据库经过翻译推导而来； （2）从蛋白质数据库PIR挑选出合适的数据； （3）从科学文献中摘录； （4）研究人员直接提交的蛋白质序列数据