【学习笔记】山东大学生物信息学-01 生物数据库

课程地址 ：山东大学生物信息学

文章目录

• 一、生物数据库

• • 1.1 PubMed 文献数据库

  • 1.2 一级核酸数据库

  • • 1.2.1 INSDC = Genbank + ENA + DDBJ
    • 1.2.2 基因组数据库 Ensemble
    • 1.2.3 微生物宏基因组数据库

  • 1.3 二级核酸数据库

  • 1.4 一级蛋白质序列数据库 UniProt

  • 1.5 一级蛋白质结构数据库 PBD

  • 1.6 二级蛋白质数据库 Pfam，CATH，SCOP2

  • 1.7 专用数据库 KEGG，OMIM

一、生物数据库

1.1 PubMed 文献数据库

• PubMed 文献记录的内部结构
• 按作者名 AU 搜索：Down [AU]
• 按标题 TI 搜索：Down [TI]
• 按实验室地址 AD 搜索：Down [AD]
• 关于使用 PubMed 的几个小建议 ：
  使用引号（“down syndrome” )
  使用逻辑词 AND, OR, NOT（dUTPase [T] AND bacteria [T] NOT Smith [AU])
  使用正确的名字缩写 (“Abergel C”)
  使用每篇文献唯一的 PubMed ID（PMID: 24933525)

1.2 一级核酸数据库

1.2.1 INSDC = Genbank + ENA + DDBJ

1. NCBI GenBank
2. ENA 欧洲核苷酸序列数据集
3. DDBJ 日本 DNA 数据库

• Genbank，ENA 与 DDBJ 共同构成国际核酸序列数据库合作联盟 (International Nucleotide Sequence Database Collaboration, INSDC)。通过 INSDC，三大核酸数据库的信息每日相互交换、更新汇总，这使得他们几乎在任何时候都享有相同的数据。
• 原核生物与真核生物基因的不同 ：
  

GenBank

（1）原核生物核酸序列： Nucleotide 中搜索 X01714

LOCUS：基因名

ACCESSION：基因编号，唯一不变

FEATURES ：描述核酸序列中各个已确定的片段区域，包含很多子条目，比如来源 (source)，启动子 (promoter) 等。

* **source** ：说明了核酸序列的来源，据此可以容易的分辨出该序列是来源于**克隆载体** 还是**基因组** 。当前序列（全长）来源于大肠杆菌的基因组 DNA。
* **promoter** ：列出了启动子的位置。细菌有两个启动子区，一个 **-35 区** (5’-TTGACA-3’) 位置在第 286 个碱基到第 291 个碱基，一个 **-10 区** (5’-TATAAT-3’) 位置在第 310 个碱基到第 316 个碱基。
* **misc_feature**  

* **CDS** (Coding Segment) : 记录了一个 **ORF** ( open reading frame)，从第 343 个碱基开始的 ATG（起始密码子）到第 798 个碱基结束的 TAA （结束密码子）。除了第一行的位置信息，还包括翻译产物（蛋白质）的诸多信息。  

FASTA 格式 ：
第一行，大于号 加名称或其它注释
第二行以后：序列，每行 60 个字母

Graphics ：获得序列的图形概览

下载纯文本格式 (Flat File) 的数据库记录

（2）真核生物核酸序列 mRNA： Nucleotide 中搜索 dUTPase 的 成熟 mRNA 序列信息 U90223。

• 注意看清 CDS 的 note 部分，这里编码的是线粒体型 的
  

• CDS 和 mat_peptide 末尾差了 3 个碱基，因为 CDS 最后 3 个碱基是终止密码子，不翻译氨基酸。
  
  （3）真核生物核酸序列 DNA： Nucleotide 中搜索 dUTPase 的 基因组 DNA 序列信息 AF018430。

• source / map
  

• gene / mRNA
  

• 剪切后形成的 mRNA 有 2 种：
  上面的 mRNA 多一个外显子，将被翻译成定位线粒体的信号肽 ，从而翻译出 线粒体型（mitochondrial form） 蛋白质。
  下面没有信号肽的 mRNA 将被翻译成 细胞核型（nuclear form） 蛋白质。
  

• exon ：当前这个序列所包含的外显子的位置及编号。
  

1.2.2 基因组数据库 Ensemble

• Ensemble
• 详见视频 ：2.5-级核酸数据库：基因组数据库-01 P14
  

1.2.3 微生物宏基因组数据库

• 美国国立卫生研究所 (NIH) 建立了人类微生物组学计划 (Human Microbiome Project，HMP)。目前 HMP 主要包括了人类鼻腔、口腔、皮肤、胃肠道和泌尿生殖道的宏基因组样本数据和分析流程。
• Human Microbiome Project Data Portal

1.3 二级核酸数据库

• RefSeq 数据库：参考序列 数据库，是通过自动及人工精选出的非冗余数据库，包括基因组序列、转录序列和蛋白质序列。
• dbEST 数据库：表达序列标签 数据库，包含来源于不同物种的表达序列标签 (EST)。
• Gene 数据库：为用户提供基因序列注释和检索服务，收录了来自 5300 多个物种的 430 万条基因记录。
• 非编码 RNA 数据库：ncRNA databases 汇总

1.4 一级蛋白质序列数据库 UniProt

• UniProt = Swiss-Prot + TrEMBL + PIR

• UniProt 三个层次数据库 ：
  ◆ UniParc : 收录所有 UniProt 数据库子库 中的蛋白质序列，量大，粗糙。
  ◆ UniRef : 归纳 UniProt 几个主要数据库并将重复序列去除后 的数据库。
  ◆ UniProtKB : 有详细注释 并与其他数据库有链接的数据库，分为 UniProtKB/Swiss-Prot （人工注释，reviewed） 和 UniProtKB/TrEMBL （计算机自动注释，not reviewed）。

• 详见视频 ：一级蛋白质序列数据库：UniProtKB-02 P18

1.5 一级蛋白质结构数据库 PBD

● 蛋白质的结构可分为四级：

• 一级结构 Primary structure: 氨基酸序列
• 二级结构 Secondary structure：周期性的结构构象，α 螺旋，β折叠等
• 三级结构 Tertiary structure：整条多肽链的三维空间结构，3D 结构
• 四级结构 Quaternary structure：几个蛋白质分子（亚基）形成的复合体，如四聚体

● 蛋白质结构数据库 (Protein Data Bank, PDB) 是全世界唯一存储生物大分子 3D 结构 的数据库。这些生物大分子除了蛋白质 以外还包括核酸 及两者的复合物 。只有通过实验方法 获得的 3D 结构才会被收入其中。目前 PDB 数据库每周更新一次，至今，PDB 收录的结构数据已超过十二万条，其中 90%以上为蛋白质结构。

• 详见视频 ：一级蛋白质结构数据库：PDB-01 P20

• PDB ID ：数据库检索号，一个结构对应一个 PBD ID ，而不是一个蛋白质对应一个 PBD ID。
  

• PDB 文件注释解读 ：一级蛋白质结构数据库：PDB-02 P21

• PDB 文件 3D 展示 JSmal ：一级蛋白质结构数据库：PDB-03 P22

1.6 二级蛋白质数据库 Pfam，CATH，SCOP2

• 详见视频：二级蛋白质数据库：Pfam，CATH，SCOP2 P23-P25

1. Pfam 数据库 是一个蛋白质结构域家族的集合。
2. CATH 数据库：结构分类 数据库。CATH-Gene3D 还为超过 500 万条来自公共数据库的蛋白质序列进行了结构分类预测 。Gene3D 里的信息为绝大多数还未解析 3D 结构的蛋白质提供了重要的功能研究依据。
3. SCOP2 数据库：结构分类 数据库。更多考虑蛋白质的进化关系。SCOP2 分类基于四个层次：从顶部到底部分别为类 (Class)、家族 (Family)、超家族 (Super family) 和折叠 (Fold)。

1.7 专用数据库 KEGG，OMIM

• 详见视频：专用数据库 KEGG，OMIM P26-P27

1. KEGG 是关于基因、蛋白质、生化反应以及通路的综合生物信息数据库，由多个子库构成。
   
   

2. OMIM 人类孟德尔遗传在线数据库 (Online Mendel Inheritance Inheritance in Man) ，是一个将遗传病分类 ，并链接到相关人类基因组中的数据库。OMIM为临床医生和科研人员提供了权威可信 的关于遗传疾病及相关疾病基因位点 的详细信息。