1、生物信息學第二章：序列采集和存放第1頁中心法則DNA：Deoxyribonucleic acid，脫氧核糖核酸；RNA：RiboNucleic Acid，核糖核酸；第2頁堿基第3頁核苷酸，Ribonucleotide 第4頁脫氧核苷酸Deoxyribonucleotide第5頁雙脫氧核糖核苷酸Dideoxyribonucleotide第6頁DNA結構第7頁RNA結構第8頁氨基酸結構第9頁氨基酸性質及分類第10頁氨基酸周期表第11頁標準密碼子第12頁本章內容提要1. DNA測序2. 序列數據存放核酸序列數據庫蛋白質序列數據庫基因組數據庫3. 序列數據文件格式第13頁1. DNA測序DNA一次連續

2、測序長度約為500bp;EST (Expressed sequence tag) 測序：細胞中mRNA反轉錄成cDNA，方向不定測序;GSS (Genome Survey Sequences，基因組勘測序列)：類似于ESTs，起源基因組;HTG (High-throughput genome sequences，高通量基因組序列)：高通量、還未完工DNA序列;第14頁DNA 測序試驗方法(末端終止法）CATddGTPddTTPddATP(D)第15頁第16頁第17頁使用寡核苷酸引物連續測序第18頁基因組測序：兩種方案策略1. 基因圖譜法：DNA片段在染色體上位置、方向已知。首先染色體被打斷成1

3、50200kbp左右大片段，然后克隆到BACs (Bacterial Artificial Chromosome)中，再深入隨機打斷，克隆，測序，依靠計算機組裝成長序列(contig) 。2. “鳥槍法”（shotgun）：DNA片段在染色體上位置和方向未知。全基因組隨機打斷成小片段，克隆，雙向測序，計算機組裝成長序列。第19頁人類基因組計劃 基因組圖譜：遺傳圖譜，物理圖譜 遺傳圖譜(genetic map)：連鎖圖譜，顯示所知基因和/或遺傳標識相對距離位置與次序。物理圖譜(physical map):表示一些基因和/或遺傳標識之間在基因組上準確位置和距離（如間隔bp數目）圖譜。第20頁第21

4、頁大規模測序方法第22頁2. 序列數據存放核酸序列數據庫國際三大核酸序列數據庫：GenBank, EBML, DDBJRefSeq: The Reference Sequence DatabasedbEST: Expressed Sequences Tags數據庫UniGene等蛋白質序列數據庫UniProtSwiss-prot & TrEMBL, PIR基因組數據庫: Ensembl第23頁核酸數據庫數據增加第24頁GenBank由美國國立衛生研究院NIH下屬國立生物技術信息中心NCBI建立。聚集并注釋了全部公開核酸以及蛋白質序列。每個統計代表了一個單獨、連續、帶有注釋DNA或RNA片段。第

5、25頁GenBank中測序最多20個物種161.0版，第26頁EMBL核酸序列數據庫EMBL-EBI (European Bioinformatics Institute)維護;http:/www.ebi.ac.uk/embl/第27頁NIG (National Institute of Genetics)CIB (Center for Information Biology)http:/www.ddbj.nig.ac.jp/index-e.htmlDDBJ第28頁INSDC1998年，GenBank、EMBL和DDBJ共同成立了國際核酸序列數據庫協會 （International Nucle

6、otide Sequence Database Collaboration,INSDC）三大核酸數據庫之間天天將新測定或更新數據進行交換共享，確保數據信息完整與同時，每兩個月更新一次版本。/第29頁第30頁三大數據庫之間聯絡第31頁RefSeq數據庫1. 提供非冗余，高質量，經檢驗校正序列信息；2. 包含染色體、基因組（細胞器、病毒、質粒）、蛋白質、RNA等； 序列文件標識符：mRNA序列：NM_123456非編碼RNA：NR_123456蛋白質序列： NP_123456 /RefSeq第32頁第33頁RefSeq統計特征截然不一樣Accession號區分于其它GenBank命名格式序列，前綴

7、是兩個字母加下劃線 _;在Comment區域顯示起源;使用正式命名;包含dbxrefs特征;蛋白序列在DBSOURCE區域標示 REFSEQ第34頁GenBank VS. RefSeq第35頁dbEST: 表示序列標簽數據庫最多20個物種：.08，總序列45,660,524條/dbEST/第36頁UniGene: An Organized View of the Transcriptome為每一個基因創造一個唯一條目，搜集這個基因全部ESTs/unigene第37頁Swiss-Prot & TrEMBL 最早廣泛使用蛋白數據庫；歐洲最主要蛋白序列數據庫；http:/www.expasy.ch/

8、sprot/SIB（Swiss Institute of Bioinformatics）可由ExPASy（Expert Protein Analysis System）系統訪問；全部序列條目均經過有經驗分子生物學家和蛋白質化學家審核，所以又稱為蛋白質教授庫。第38頁TrEMBL vs. GenPeptTrEMBL (Translation of EMBL)：計算機注釋Swiss-Prot分支數據庫，從EMBL庫中cDNA序列翻譯得到氨基酸序列數據庫。GenPept：由GenBank翻譯得到蛋白質序列，與TrEMBL類似，這兩個數據庫中序列錯誤率較大，都有較大冗余度。第39頁PIR1984年，美

9、國國家醫學研究基金會（NREF）正式開啟蛋白質信息資源（Protein Information Resource, PIR）計劃；美國最主要蛋白序列數據庫;非冗余、高質量注釋、全方面分類;PIR數據庫按照數據性質和注釋層次分為PIR1、PIR2、PIR3和PIR4。PIR1中序列已經驗證，注釋最為詳盡。/第40頁UniProtUniversal Protein Resource： Swiss-prot(TrEMBL), PIR兩大蛋白數據庫整合體；收錄蛋白質序列目錄最廣泛、功效注釋最全方面數據庫；包含三個子庫：UniProtKB（UniProt Knowledgebase）UniRef（Uni

10、Prot Reference Clusters）UniParc（Uniprot Archive）第41頁第42頁UniProtKBUniProt Knowledgebase： Release 15.4 ， 16-Jun- ，包含：Swiss-Prot Release 57.4 : 497293 entries TrEMBL Release 40.4 : 9145906 entries 包含蛋白質序列全方面信息，提供準確、豐富序列與功效注釋。統計以6位字母和數字組成，例：Q5K8D3 第43頁第44頁Swiss-Prot Release 57.7第45頁第46頁TrEMBL Release 40

11、.4第47頁較早基因組數據庫- GDB為人類基因組計劃(HGP)保留和處理基因組圖譜數據。GDB目標是構建關于人類基因組百科全書，除了構建基因組圖譜之外，還開發了描述序列水平基因組內容方法，包含序列變異和其它對功效和表型描述。第48頁基因組數據庫搜集一些生物整個基因組序列數據庫;基因組計劃Human Genome Projecthttp:/www.sanger.ac.uk/HGP/Sequencing Genomics Projectshttp:/www.sanger.ac.uk/Projects/ 從GenBank中選擇同一物種核酸信息組成二級庫;第49頁The Ensembl projec

12、t produces genome databases for vertebrates and other eukaryotic species, and makes this information freely available online.EMBL-EBI和Sanger研究所共同開發。/基因組數據庫-Ensembl第50頁3. 序列數據文件格式DNA/RNA/氨基酸代碼標識GenBank數據格式EMBL & UniProt數據格式FASTA 數據格式第51頁DNA代碼氨基酸代碼第52頁GenBank數據文件格式第53頁GenBank數據文件格式第54頁GenBank數據文件格式子庫Locus名字定義 (標題)修改日期序列類型mRNA (= cDNA)rRNAsnRNADNA序列長度檢索號Genbank號序列形狀第55頁GenBank數據類型第56頁GenBank數據文件格式第57頁GenBank數據文件格式第58頁EMBL(UniProt)數據格式第59頁EMBL和GenBank數據格式對比第60頁FASTA格式第61頁FASTA格式1I60:A|PDBID|CHAIN|SEQUENCEMKLCFNEATTLENSNLKLDLELCEKHGYDYIEIRTMDKLPEYLKDHSLDDLAEYFQTHHIKPLALNALVFFNNRDEKG