第二章 Gen Bank序列数据库 页码,1/ 第二章 GenBank序列数据库 简介 级蛋白质和核酸数据库在分子生物学界是如此的司空见惯,以致于我们很少会去考虑这些 普遍存在的工具是如何建立的。但是如果我们能够了解这些序列是如何汇集到一起的,这将 有助于我们加深对生物学的理解,并且能够更加充分地发掘这些记录中蕴藏的信息。 GenBank是美国国立卫生研究院维护的基因序列数据库,汇集并注释了所有公开的核酸以及蛋 白质序列。每个记录代表了一个单独的、连续的、带有注释的DNA或RNA片段。这些文件按类 别分为几组:有些按照系统发生学划分,另外一些则按照生成这些序列数据的技术方法划 分。目前 GenBank中所有的记录均来自于最初作者向DNA序列数据库的直接提交。这些作者将 序列数据作为论文的一部分来发表,或将数据直接公开。 GenBank由位于马里兰州 Bethesda的 美国国立卫生研究院下属国立生物技术信息中心建立,与日本DNA数据库(DDBJ)以及欧洲生 物信息硏究院的欧洲分子生物学实验室核苷酸数据库(EMBL)一起,都是国际核苷酸序列数 据库合作的成员。所有这三个中心都可以独立地接受数据提交,而三个中心之间则逐日交换 信息,并制作相同的充分详细的数据库向公众开放(虽然格式上有细微的差别,并且所使用 的信息系统也略有不同)。 这一章描述 Gen Bank数据库是如何构成的,它如何与蛋白质数据库相衔接,以及如何解释其中 的数据成分。关于序列数据库,前人已经作了大量的工作,具体可参见( Schuler et al 1996: Bai roch and Apweiller, 1997: Benson et al.,1997: george et al., 1997 Stoesser et al.,1997; Tateno et al.,1997)。所有这些论文都指出了数据库快速增长 的趋势,并对如何利用这些生物学资源提出了建议。出于科学研究的考虑,以及由于历史的 原因,序列数据被分别存放在核苷酸和蛋白质数据库中。核苷酸序列是査询核苷酸数据库以 及蛋白质数据库时的主要出发点,并且目前有一种趋势,将核苷酸数据库介入到蛋白质数据 库的管理之中(正如我们下面将要看到的那样)。这并不奇怪,因为数据库维护者与数据提 交者之间的直接通讯将有利于保证数据的真实性与准确性(提交者需要一个检索号,并且他 们想要得到他们添加到数据库中的新记录)。在很多情况下,这种对数据的关注意味着提供 适当的信息来注释CDs( coding sequence:编码序列),并告诉我们如何得到翻译产物。这 种对蛋白质和核酸序列统一管理的倾向也明显地体现在NCBI的Eηtrez之中,在 Gen Bank的管理 之中,以及在 GenPept格式记录的生成过程之中。在欧洲,EB的工作人员统一维护管理 Swi ss-Prot和 TREMBL,这些工作人员也负责EMBL核苷酸数据库的管理工作。还有Amos Bai roch和他在日内瓦大学的研究组。(见本章后的列表)。尽管如此,建立核苷酸和蛋白质 数据库的初衷还是有区别的。本章还初步讨论了将在第六章详细描述的数据模型。这一章主 要是从 GenBank flatfile的角度介绍序列数据,但必须明确的是,“ flatfile"(不论是 Gen Bank,EMBL, Swiss-Prot或PIR),都只是ASN.1报告的一个方面。而ASN.1才是代表了 NCBI数据模型的语言。 Gen Bank以DNA为核心,包含了许多计算生物学资源。 历史上,蛋白质数据库先于核苷酸数据库。在60年代初, Dayhoff和他的同事们收集了所有当 蛋白质数据库后来成为PIR( George et al.,1997)。这本书为今天整个生物信息学界日常 工作所依赖的计算生物学资源播下了种子。这个在1965年可以很容易地存放在一张软盘上的 数据集(尽管那时并不存在软盘这种存储介质),是一小群人多年的工作成果。今天,任何 个DNA或蛋白质数据库每天增加的数据量都数倍于此。最早的DNA序列数据库于1982年在 洲分子生物学实验室诞生,随即就开始了一个数据库爆炸的时代。(见图2.1)。R.Cook Deegan(1993)在《基因战争》中详细描述了这一时期人类基因组计划的历史。此后不久因 项NH与洛斯阿拉莫斯国家实验室的合同而诞生了 Gen Bank。两个中心都致力于发展输入方 式,这主要是将学术刊物上公开发表的论文转换为更适合计算机使用的电子格式。日本的DNA 数据库(DDBJ),在几年后加入了数据收集的合作。在1988年一次三方会议之后(现在称之 为“国际DNA序列数据库合作计划”)达成了一项协议,对数据库的记录采用共同的格式,并 file://E:wcb\生物信息学(中译本)\第二章 GenBank序列数据库.htm 2005-1-18
Ѡゴ GenBankᑣ᭄߫ᑧ ㅔҟ ϔ㑻㲟ⱑ䋼Ḍ䝌᭄ᑧߚᄤ⫳⠽ᄺ⬠ᰃབℸⱘৌぎ㾕ᛃˈҹ㟈Ѣ៥ӀᕜᇥӮএ㗗㰥䖭ѯ ᱂䘡ᄬⱘᎹᰃབԩᓎゟⱘDŽԚᰃབᵰ៥Ӏ㛑њ㾷䖭ѯᑣ߫ᰃབԩ∛䲚ࠄϔ䍋ⱘˈ䖭ᇚ ᳝ࡽѢ៥Ӏࡴ⏅ᇍ⫳⠽ᄺⱘ⧚㾷ˈᑊϨ㛑ߚܙࡴഄথᥬ䖭ѯ䆄ᔩЁ㭈㮣ⱘֵᙃDŽ GenBankᰃ㕢ゟि⫳ⷨお䰶㓈ᡸⱘᑣ᭄߫ᑧˈ∛䲚ᑊ⊼䞞њ᠔᳝݀ᓔⱘḌ䝌ҹঞ㲟 ⱑ䋼ᑣ߫DŽ↣Ͼ䆄ᔩҷ㸼њϔϾऩ⣀ⱘǃ䖲㓁ⱘǃᏺ᳝⊼䞞ⱘDNARNA⠛↉DŽ䖭ѯ᭛ӊᣝ㉏ ߚ߿Ў㒘˖᳝ѯᣝ✻㋏㒳থ⫳ᄺߚߦˈϔѯ߭ᣝ✻⫳៤䖭ѯᑣ᭄߫ⱘᡔᴃᮍ⊩ߦ ߚDŽⳂࠡGenBankЁ᠔᳝ⱘ䆄ᔩഛᴹ㞾Ѣ᳔߱㗙DNAᑣ᭄߫ᑧⱘⳈᦤѸDŽ䖭ѯ㗙ᇚ ᑣ᭄߫Ў䆎᭛ⱘϔ䚼ߚᴹথ㸼ˈᇚ᭄Ⳉ݀ᓔDŽGenBank⬅ԡѢ偀䞠݄ᎲBethesdaⱘ 㕢ゟि⫳ⷨお䰶ϟሲゟ⫳⠽ᡔᴃֵᙃЁᖗᓎゟˈϢ᮹ᴀDNA᭄ᑧ˄DDBJ˅ҹঞ⌆⫳ ⠽ֵᙃⷨお䰶ⱘ⌆ߚᄤ⫳⠽ᄺᅲ偠ᅸḌ㣋䝌᭄ᑧ˄EMBL˅ϔ䍋ˈ䛑ᰃ䰙Ḍ㣋䝌ᑣ᭄߫ ᑧড়ⱘ៤ਬDŽ᠔᳝䖭ϝϾЁᖗ䛑ৃҹ⣀ゟഄফ᭄ᦤѸˈ㗠ϝϾЁᖗП䯈߭䗤᮹Ѹᤶ ֵᙃˈᑊࠊⳌৠⱘߚܙ䆺㒚ⱘ᭄ᑧ݀ӫᓔᬒ˄㱑✊ḐᓣϞ᳝㒚ᖂⱘᏂ߿ˈᑊϨ᠔Փ⫼ ⱘֵᙃ㋏㒳г⬹᳝ϡৠ˅DŽ 䖭ϔゴᦣ䗄GenBank᭄ᑧᰃབԩᵘ៤ⱘˈᅗབԩϢ㲟ⱑ䋼᭄ᑧⳌ㸨ˈҹঞབԩ㾷䞞݊Ё ⱘ᭄៤ߚDŽ݇Ѣᑣ᭄߫ᑧˈࠡҎᏆ㒣њ䞣ⱘᎹˈৃԧখ㾕˄Schuler et al., 1996; Bairoch and Apweiller, 1997; Benson et al., 1997; George et al., 1997; Stoesser et al., 1997; Tateno et al., 1997˅DŽ᠔᳝䖭ѯ䆎᭛䛑ᣛߎњ᭄ᑧᖿ䗳䭓 ⱘ䍟ˈᑊᇍབԩ߽⫼䖭ѯ⫳⠽ᄺ䌘⑤ᦤߎњᓎ䆂DŽߎѢ⾥ᄺⷨおⱘ㗗㰥ˈҹঞ⬅Ѣग़ⱘ ॳˈᑣ᭄߫㹿߿ߚᄬᬒḌ㣋䝌㲟ⱑ䋼᭄ᑧЁDŽḌ㣋䝌ᑣ߫ᰃᶹ䆶Ḍ㣋䝌᭄ᑧҹ ঞ㲟ⱑ䋼᭄ᑧᯊⱘЏ㽕ߎথ⚍ˈᑊϨⳂ᳝ࠡϔ⾡䍟ˈᇚḌ㣋䝌᭄ᑧҟܹࠄ㲟ⱑ䋼᭄ ᑧⱘㅵ⧚ПЁ˄ℷབ៥Ӏϟ䴶ᇚ㽕ⳟࠄⱘ䙷ḋ˅DŽ䖭ᑊϡ༛ᗾˈЎ᭄ᑧ㓈ᡸ㗙Ϣ᭄ᦤ Ѹ㗙П䯈ⱘⳈ䗮䆃ᇚ᳝߽Ѣֱ䆕᭄ⱘⳳᅲᗻϢޚ⹂ᗻ˄ᦤѸ㗙䳔㽕ϔϾẔ㋶োˈᑊϨҪ Ӏᛇ㽕ᕫࠄҪӀ⏏ࠄࡴ᭄ᑧЁⱘᮄ䆄ᔩ˅DŽᕜᚙމϟˈ䖭⾡ᇍ᭄ⱘ݇⊼ᛣੇⴔᦤկ 䗖ᔧⱘֵᙃᴹ⊼䞞CDS˄coding sequence˖㓪ⷕᑣ߫˅ˈᑊਞ䆝៥Ӏབԩᕫࠄ㗏䆥ѻ⠽DŽ䖭 ⾡ᇍ㲟ⱑ䋼Ḍ䝌ᑣ߫㒳ϔㅵ⧚ⱘؒгᯢᰒഄԧ⦄NCBIⱘEntrezПЁˈGenBankⱘㅵ⧚ ПЁˈҹঞGenPeptḐᓣ䆄ᔩⱘ⫳៤䖛ПЁDŽ⌆ˈEBIⱘᎹҎਬ㒳ϔ㓈ᡸㅵ⧚ Swiss-ProtTREMBLˈ䖭ѯᎹҎਬг䋳䋷EMBLḌ㣋䝌᭄ᑧⱘㅵ⧚ᎹDŽ䖬᳝Amos BairochҪ᮹ݙ⪺ᄺⱘⷨお㒘DŽ˄㾕ᴀゴৢⱘ߫㸼˅DŽሑㅵབℸˈᓎゟḌ㣋䝌㲟ⱑ䋼 ᭄ᑧⱘ߱㹋䖬ᰃ᳝ऎ߿ⱘDŽᴀゴ䖬߱ℹ䅼䆎њᇚ݁ゴ䆺㒚ᦣ䗄ⱘ᭄ൟDŽ䖭ϔゴЏ 㽕ᰃҢGenBank flatfileⱘ㾦ᑺҟ㒡ᑣ᭄߫ˈԚᖙ乏ᯢ⹂ⱘᰃˈ“flatfile”˄ϡ䆎ᰃ GenBank, EMBL, Swiss-ProtPIR˅ˈ䛑াᰃASN.1ਞⱘϔϾᮍ䴶DŽ㗠ASN.1ᠡᰃҷ㸼њ NCBI᭄ൟⱘ䇁㿔DŽGenBankҹDNAЎḌᖗˈࣙњ䆌䅵ㅫ⫳⠽ᄺ䌘⑤DŽ ग़Ϟˈ㲟ⱑ䋼᭄ᑧܜѢḌ㣋䝌᭄ᑧDŽ60ᑈҷ߱ˈDayhoffҪⱘৠџӀᬊ䲚њ᠔᳝ᔧ ᯊᏆⶹⱘ⇼䝌ᑣ߫ˈ䖭ህᰃĀ㲟ⱑ䋼ᑣ߫Ϣ㒧ᵘݠā˄Dayhoff et al., 1965˅DŽ䖭ϔ 㲟ⱑ䋼᭄ᑧৢᴹ៤ЎPIR˄George et al., 1997˅DŽ䖭ᴀкЎҞᭈϾ⫳⠽ֵᙃᄺ⬠᮹ᐌ Ꮉ᠔ձ䌪ⱘ䅵ㅫ⫳⠽ᄺ䌘⑤᪁ϟњ⾡ᄤDŽ䖭Ͼ1965ᑈৃҹᕜᆍᯧഄᄬᬒϔᓴ䕃ⲬϞⱘ ᭄䲚˄ሑㅵ䙷ᯊᑊϡᄬ䕃Ⲭ䖭⾡ᄬټҟ䋼˅ˈᰃϔᇣ㕸ҎᑈⱘᎹ៤ᵰDŽҞˈӏԩ ϔϾDNA㲟ⱑ䋼᭄ᑧ↣ࡴⱘ᭄䞣䛑᭄סѢℸDŽ᳔ᮽⱘDNAᑣ᭄߫ᑧѢ1982ᑈ ⌆ߚᄤ⫳⠽ᄺᅲ偠ᅸ䆲⫳ˈ䱣ेህᓔྟњϔϾ᭄ᑧ⟚⚌ⱘᯊҷDŽ˄㾕2.1˅DŽR. CookDeegan(1993)ljѝNJЁ䆺㒚ᦣ䗄њ䖭ϔᯊᳳҎ㉏㒘䅵ߦⱘग़DŽℸৢϡЙϔ 乍NIHϢ⋯ᮃ䰓ᢝ㥿ᮃᆊᅲ偠ᅸⱘড়ৠ㗠䆲⫳њGenBankDŽϸϾЁᖗ䛑㟈Ѣথሩ䕧ܹᮍ ᓣˈ䖭Џ㽕ᰃᇚᄺᴃߞ⠽Ϟ݀ᓔথ㸼ⱘ䆎᭛䕀ᤶЎ䗖ড়䅵ㅫᴎՓ⫼ⱘ⬉ᄤḐᓣDŽ᮹ᴀⱘDNA ᭄ᑧ˄DDBJ˅ˈᑈৢࡴܹњ᭄ᬊ䲚ⱘড়DŽ1988ᑈϔϝᮍӮ䆂Пৢ˄⦄⿄П ЎĀ䰙DNAᑣ᭄߫ᑧড়䅵ߦā˅䖒៤њϔ乍ण䆂ˈᇍ᭄ᑧⱘ䆄ᔩ䞛⫼݅ৠⱘḐᓣˈᑊ Ѡゴ GenBankᑣ᭄߫ᑧ 义ⷕˈ1/11 file://E:\wcb\⫳⠽ֵᙃᄺ˄Ё䆥ᴀ˅?Ѡゴ GenBankᑣ᭄߫ᑧ.htm 2005-1-18 Click to buy NOW! PDF-XCHANGE www.docu-track.com Click to buy NOW! PDF-XCHANGE www.docu-track.com
第二章 Gen Bank序列数据库 页码,2/1 且每个数据库只负责更新提交到这一数据库的那些数据。现在三个中心都收集直接提交的数 据,并在三者之间发布。这样,任何一个中心都拥有并发布所有的序列数据。这种方式下每 条记录只被生成这条记录的数据库所拥有,也就是说只有生成这条记录的数据库可以对记录 进行更新,这就防止了“更新冲突”。否则如果每个数据库都可以修改任一条记录,并覆盖 其他数据库的数据,就必定会发生错误。近年来的安排保证了没有一个数据库可以覆盖其他 数据库更新的记录。所有的序列数据库也都是计算生物学中心,并且越发表明序列数据不能 简单地由自动化方式来生成。每个数据库都成为了一个中心,在那里生成序列数据,并由生 物学家进行验证,同时还开发一些利用这些信息的工具(例如NCBI的 Entrez,见第5章,以及 EB现在正在开发的SRS)。很明显的一点是一些专职的,介入到收集数据、提供发现与检索 工具,并且作为硏究机构来硏究新算法、发掘公共数据库并在最髙水平进行科学活动的机构 将能够最大限度地服务于用户群体。在这一环境下,知识被最高效率地获取与共享,并且新 的研究与理解这样大量数据的方法也不断涌现 这一章的着重介绍 GenBank核苷酸数据库, GenBank是包含了三个重要蛋白质数据库( Swi ss- Prot,PR和PDB)的一系列数据库中的一个。这一系列数据库中的每一个都对数据库现在和 将来的使用方法产生了或产生过重大影响。PDB是关于核酸和蛋白质结构的数据库,将在第三 章中详细介绍。 Swi ss-Prot和PR可以称为二级数据库,它比已经存在于一级数据库中的数据 提供了更多的信息。 Swi ss-Prot和PR中的蛋白质序列主要来源于核苷酸数据库,另外一小部 分是直接向 Swiss-Prot提交的(这些蛋白质是直接测序的)或者是从公开发表的论文中搜索 到的。这里没有详细讨论这些情况,我们建议读者通过其他途径了解更多的详情( Bai roch and Apweiller, 1997: George et al., 1997) 需要注意的是,如同在第六章和第十四章中一样,这里的“ GenBank"指的是 DDBJ/EMBL/ Gen Bank。DDBJ和EMBL核苷酸数据库与 Gen Bank紧密合作,逐日交换数据。他们从 不同的地点,用不同的格式发布同样的信息。他们也都是提供其他数据、工具和服务的研究 机构。这些虽然从理论上是无关的活动,但实际上很难分开。例如, Entrez(见第5章)是 NCB的一个计划,它包含了 Gen Bank数据在其中。但 Entrez和 Gen Bank(都是NCB|的产品)从 本质上是不同的,前者是一个信息检索系统,而后者是一个 Entrez从中进行检索的数据库。 一级和二级数据库 一级和二级数据库之间存在着本质的差别。序列数据库对科学界最重要的贡献就是这些序列 本身。一级数据库记录了实验结果,以及一些初步的解释。而更进一步分析工作的结论只能 从二级数据库中查找到 级数据库中的核苷酸序列记录是从直接实验得到的,这些记录是 对存在于某个实验室的试管中的生物分子测序的结果。它们不代表共有序列(虽然是多次读 取同一克隆,或相同的基因来源),它们也不代表一些计算机生成的字符串。这在序列分析 的解释中很重要,也意味着在大多数情况下一个给定的序列就是硏究者所需要的全部。每一 个这样的DNA或RNA序列都将被注释以描述对实验结果的分析,这一分析阐明了为什么这一序 列会被这样确定。 在DNA序列记录中的一种常见的注释是编码序列(CDS)。大多数蛋白质序列都不是直接由实 验确定的,而是通过DNA序列得到的。这在实验、计算以及相似性比对工作中占有很大的比 重。这并行于赋予一个产物名称,或者功能说明(通过对相似性比对的分析)。这一方法很 有效,但也有误导的可能。DNA,RNA和蛋白质序列都是计算分析工作的对象,它们是一级数 据库中有价值的成分。 那些在DNA序列记录的基础上进行计算、分析或其他工作的研究者通常认为他们所处理的是原 始信息。但是在很多情况下,氨基酸序列从某种程度上说是解释的结果,而并非是直接测序 得到的。这样,在使用和说明由这些序列得到的结果时就需要格外小心。由mRNA序列数据推 导出蛋白质序列通常并不难,但必须选择正确的启始编码子。对于原核生物或低等真核生物 序列的注释通常相对简单,但研究者同样需要注意避免缺少注释或増加不必要的注释。(见 第10章以及 Cannon et al.,1997)。将序列标记为CDS通常需要格外小心,因为这是蛋白质 file://E:wcb\生物信息学(中译本)\第二章 GenBank序列数据库.htm 2005-1-18
Ϩ↣Ͼ᭄ᑧা䋳䋷ᮄᦤѸࠄ䖭ϔ᭄ᑧⱘ䙷ѯ᭄DŽ⦄ϝϾЁᖗ䛑ᬊ䲚ⳈᦤѸⱘ᭄ ˈᑊϝ㗙П䯈থᏗDŽ䖭ḋˈӏԩϔϾЁᖗ䛑ᢹ᳝ᑊথᏗ᠔᳝ⱘᑣ᭄߫DŽ䖭⾡ᮍᓣϟ↣ ᴵ䆄ᔩা㹿⫳៤䖭ᴵ䆄ᔩⱘ᭄ᑧ᠔ᢹ᳝ˈгህᰃ䇈া᳝⫳៤䖭ᴵ䆄ᔩⱘ᭄ᑧৃҹᇍ䆄ᔩ 䖯㸠ᮄˈ䖭ህ䰆ℶњĀᮄކさāDŽ৺߭བᵰ↣Ͼ᭄ᑧ䛑ৃҹׂᬍӏϔᴵ䆄ᔩˈᑊ㽚Ⲫ ݊Ҫ᭄ᑧⱘ᭄ˈህᖙᅮӮথ⫳䫭䇃DŽ䖥ᑈᴹⱘᅝᥦֱ䆕њ≵᳝ϔϾ᭄ᑧৃҹ㽚Ⲫ݊Ҫ ᭄ᑧᮄⱘ䆄ᔩDŽ᠔᳝ⱘᑣ᭄߫ᑧг䛑ᰃ䅵ㅫ⫳⠽ᄺЁᖗˈᑊϨ䍞থ㸼ᯢᑣ᭄߫ϡ㛑 ㅔऩഄ⬅㞾࣪ࡼᮍᓣᴹ⫳៤DŽ↣Ͼ᭄ᑧ䛑៤ЎњϔϾЁᖗˈ䙷䞠⫳៤ᑣ᭄߫ˈᑊ⬅⫳ ⠽ᄺᆊ䖯㸠偠䆕ˈৠᯊ䖬ᓔথϔѯ߽⫼䖭ѯֵᙃⱘᎹ˄՟བNCBIⱘEntrezˈ㾕ゴˈҹঞ EBI⦄ℷᓔথⱘSRS˅DŽᕜᯢᰒⱘϔ⚍ᰃϔѯϧ㘠ⱘˈҟܹࠄᬊ䲚᭄ǃᦤկথ⦄ϢẔ㋶ ᎹˈᑊϨЎⷨおᴎᵘᴹⷨおᮄㅫ⊩ǃথᥬ᭄݀݅ᑧᑊ᳔催∈ᑇ䖯㸠⾥ᄺ⌏ࡼⱘᴎᵘ ᇚ㛑᳔䰤ᑺഄ᳡ࡵѢ⫼᠋㕸ԧDŽ䖭ϔ⦃๗ϟˈⶹ䆚㹿᳔催ᬜ⥛ഄ㦋পϢ݅ѿˈᑊϨᮄ ⱘⷨおϢ⧚㾷䖭ḋ䞣᭄ⱘᮍ⊩гϡᮁ⍠⦄DŽ 䖭ϔゴⱘⴔ䞡ҟ㒡GenBankḌ㣋䝌᭄ᑧˈGenBankᰃࣙњϝϾ䞡㽕㲟ⱑ䋼᭄ᑧ˄SwissProt, PIRPDB˅ⱘϔ㋏᭄߫ᑧЁⱘϔϾDŽ䖭ϔ㋏᭄߫ᑧЁⱘ↣ϔϾ䛑ᇍ᭄ᑧ⦄ ᇚᴹⱘՓ⫼ᮍ⊩ѻ⫳њѻ⫳䖛䞡ᕅડDŽPDBᰃ݇ѢḌ䝌㲟ⱑ䋼㒧ᵘⱘ᭄ᑧˈᇚϝ ゴЁ䆺㒚ҟ㒡DŽSwiss-ProtPIRৃҹ⿄ЎѠ㑻᭄ᑧˈᅗ↨Ꮖ㒣ᄬѢϔ㑻᭄ᑧЁⱘ᭄ ᦤկњⱘֵᙃDŽSwiss-ProtPIRЁⱘ㲟ⱑ䋼ᑣ߫Џ㽕ᴹ⑤ѢḌ㣋䝌᭄ᑧˈϔᇣ䚼 ߚᰃⳈSwiss-ProtᦤѸⱘ˄䖭ѯ㲟ⱑ䋼ᰃⳈ⌟ᑣⱘ˅㗙ᰃҢ݀ᓔথ㸼ⱘ䆎᭛Ё᧰㋶ ࠄⱘDŽ䖭䞠≵᳝䆺㒚䅼䆎䖭ѯᚙމˈ៥Ӏᓎ䆂䇏㗙䗮䖛݊Ҫ䗨ᕘњ㾷ⱘ䆺ᚙ˄Bairoch and Apweiller, 1997; George et al., 1997˅DŽ 䳔㽕⊼ᛣⱘᰃˈབৠ݁ゴकಯゴЁϔḋˈ䖭䞠ⱘ“GenBank”ᣛⱘᰃ DDBJ/EMBL/GenBankDŽDDBJEMBLḌ㣋䝌᭄ᑧϢGenBank㋻ᆚড়ˈ䗤᮹Ѹᤶ᭄DŽҪӀҢ ϡৠⱘഄ⚍ˈ⫼ϡৠⱘḐᓣথᏗৠḋⱘֵᙃDŽҪӀг䛑ᰃᦤկ݊Ҫ᭄ǃᎹ᳡ࡵⱘⷨお ᴎᵘDŽ䖭ѯ㱑✊Ң⧚䆎Ϟᰃ᮴݇ⱘ⌏ࡼˈԚᅲ䰙Ϟᕜ䲒ߚᓔDŽ՟བˈEntrez˄㾕ゴ˅ᰃ NCBIⱘϔϾ䅵ߦˈᅗࣙњGenBank᭄݊ЁDŽԚEntrezGenBank˄䛑ᰃNCBIⱘѻક˅Ң ᴀ䋼Ϟᰃϡৠⱘˈࠡ㗙ᰃϔϾֵᙃẔ㋶㋏㒳ˈ㗠ৢ㗙ᰃϔϾEntrezҢЁ䖯㸠Ẕ㋶ⱘ᭄ᑧDŽ ϔ㑻Ѡ㑻᭄ᑧ ϔ㑻Ѡ㑻᭄ᑧП䯈ᄬⴔᴀ䋼ⱘᏂ߿DŽᑣ᭄߫ᑧᇍ⾥ᄺ⬠᳔䞡㽕ⱘ䋵⤂ህᰃ䖭ѯᑣ߫ ᴀ䑿DŽϔ㑻᭄ᑧ䆄ᔩњᅲ偠㒧ᵰˈҹঞϔѯ߱ℹⱘ㾷䞞DŽ㗠䖯ϔℹߚᵤᎹⱘ㒧䆎া㛑 ҢѠ㑻᭄ᑧЁᶹᡒࠄDŽϔ㑻᭄ᑧЁⱘḌ㣋䝌ᑣ߫䆄ᔩᰃҢⳈᅲ偠ᕫࠄⱘˈ䖭ѯ䆄ᔩᰃ ᇍᄬѢᶤϾᅲ偠ᅸⱘ䆩ㅵЁⱘ⫳⠽ߚᄤ⌟ᑣⱘ㒧ᵰDŽᅗӀϡҷ㸼᳝݅ᑣ߫˄㱑✊ᰃ䇏 পৠϔܟ䱚ˈⳌৠⱘᴹ⑤˅ˈᅗӀгϡҷ㸼ϔѯ䅵ㅫᴎ⫳៤ⱘᄫヺІDŽ䖭ᑣ߫ߚᵤ ⱘ㾷䞞Ёᕜ䞡㽕ˈгᛣੇⴔ᭄ᚙމϟϔϾ㒭ᅮⱘᑣ߫ህᰃⷨお㗙᠔䳔㽕ⱘܼ䚼DŽ↣ϔ Ͼ䖭ḋⱘDNARNAᑣ߫䛑ᇚ㹿⊼䞞ҹᦣ䗄ᇍᅲ偠㒧ᵰⱘߚᵤˈ䖭ϔߚᵤ䯤ᯢњЎҔМ䖭ϔᑣ ߫Ӯ㹿䖭ḋ⹂ᅮDŽ DNAᑣ߫䆄ᔩЁⱘϔ⾡ᐌ㾕ⱘ⊼䞞ᰃ㓪ⷕᑣ߫˄CDS˅DŽ᭄㲟ⱑ䋼ᑣ߫䛑ϡᰃⳈ⬅ᅲ 偠⹂ᅮⱘˈ㗠ᰃ䗮䖛DNAᑣ߫ᕫࠄⱘDŽ䖭ᅲ偠ǃ䅵ㅫҹঞⳌԐᗻ↨ᇍᎹЁऴ᳝ᕜⱘ↨ 䞡DŽ䖭ᑊ㸠Ѣ䌟ќϔϾѻ⠽ৡ⿄ˈ㗙ࡳ㛑䇈ᯢ˄䗮䖛ᇍⳌԐᗻ↨ᇍⱘߚᵤ˅DŽ䖭ϔᮍ⊩ᕜ ᳝ᬜˈԚг᳝䇃ᇐⱘৃ㛑DŽDNAˈRNA㲟ⱑ䋼ᑣ߫䛑ᰃ䅵ㅫߚᵤᎹⱘᇍ䈵ˈᅗӀᰃϔ㑻᭄ ᑧЁ᳝Ӌؐⱘ៤ߚDŽ 䙷ѯDNAᑣ߫䆄ᔩⱘ⸔Ϟ䖯㸠䅵ㅫǃߚᵤ݊ҪᎹⱘⷨお㗙䗮ᐌ䅸ЎҪӀ᠔໘⧚ⱘᰃॳ ྟֵᙃDŽԚᰃᕜᚙމϟˈ⇼䝌ᑣ߫Ңᶤ⾡ᑺϞ䇈ᰃ㾷䞞ⱘ㒧ᵰˈ㗠ᑊ䴲ᰃⳈ⌟ᑣ ᕫࠄⱘDŽ䖭ḋˈՓ⫼䇈ᯢ⬅䖭ѯᑣ߫ᕫࠄⱘ㒧ᵰᯊህ䳔㽕ḐᇣᖗDŽ⬅mRNAᑣ᭄߫ ᇐߎ㲟ⱑ䋼ᑣ߫䗮ᐌᑊϡ䲒ˈԚᖙ乏䗝ᢽℷ⹂ⱘਃྟ㓪ⷕᄤDŽᇍѢॳḌ⫳⠽ԢㄝⳳḌ⫳⠽ ᑣ߫ⱘ⊼䞞䗮ᐌⳌᇍㅔऩˈԚⷨお㗙ৠḋ䳔㽕⊼ᛣ䙓ܡ㔎ᇥ⊼䞞ࡴϡᖙ㽕ⱘ⊼䞞DŽ˄㾕 10ゴҹঞCannon et al., 1997˅DŽᇚᑣ߫ᷛ䆄ЎCDS䗮ᐌ䳔㽕ḐᇣᖗˈЎ䖭ᰃ㲟ⱑ䋼 Ѡゴ GenBankᑣ᭄߫ᑧ 义ⷕˈ2/11 file://E:\wcb\⫳⠽ֵᙃᄺ˄Ё䆥ᴀ˅?Ѡゴ GenBankᑣ᭄߫ᑧ.htm 2005-1-18 Click to buy NOW! PDF-XCHANGE www.docu-track.com Click to buy NOW! PDF-XCHANGE www.docu-track.com
第二章 Gen Bank序列数据库 页码,3/11 据库全自动或半自动生成的开始步骤 格式与内容:计算机与人 数据库被用来存放原始数据,以及一系列附加的注释。不同的检索工具和程序利用了这些信 息中的不同部分。纵观各种格式,我们可以发现其中应用了一些共同的规则,以使得多种情 况下在不同格式之间生成和交换数据成为可能。最便于人阅读的格式对计算机程序来讲很可 能并非是最有效率的(例如 Gen Bank fl atfile,见附录2.1和2.2,这是一种人可以阅读的 ASN.1版本)。这些记录还有二进代码版,更加紧凑,计算机处理也更快。但不幸的是,由于 历史的原因,对一种固定格式的频繁使用使得引入另一种格式极为困难,尽管新的格式可能 更加富含信息,更加准确,易于复制和计算,易于抽取信息,易于使用。(但我们并未放弃 尝试,见第3、6、14章)。GBFF的简单性,使我们都可以获得易用的工具,这也是EMBL和 GBFF极大通用性的重要原因。 作为最简单的格式,一个DNA序列可以表示为一个带有一些标记的核苷酸字符串。这里是一个 以 FASTA(或 Pearson格式)文件表示的核苷酸序列数据 >L04459 大大大大大大大大大大大大大大大大大大 或同样的,一个蛋白质记录: >P31373 ★大大大大★大大大大大大大大大大大大大 FASTA格式广泛应用于许多分子生物学软件包之中。作为最简单的情况(正如上面所显示 的),大于号(>)表示一个新文件的开始。标记符�:�上面第一个例子开始部分的 L04459��后面是大写或小写字母的DNA序列,通常60个字符一行(但这并非是标准规 定)。如果需要的话,用户或数据库可以在这个简单格式的基础上增加复杂的结构化信息。 例如,在不违反上面规定的前提下,可以在 FASTA的说明行中加入更多的内容,使这个简单的 格式包含更多的信息,就象下面这样 大大大大大大大大大大大大大大大大大大大 现在这个 FASTA文件中包含了qi号码(见下面,以及第6章)、 Gen Bank检索号码、L0CUS名 称、以及 Gen Bank记录中的 DEFINAT0N字段。这个记录是从ASN.1记录生成的,(见附录 2.2),而ASN.1是NCB|用来存储和维护所有数据的格式。(在计算机中这些数据保存为 行,如果打印出来,将比本书的页面宽出许多。所以,这里做了折行处理) 在分子生物学的历史上曾经使用过许多格式,其中有些格式现在还在使用,同时也有许多工 具用来在这些格式之间转换数据。NCB|的asn2ff程序可以将ASN.1文件转换为多种 fl atfi|e文 件格式,它可以生成 Gen Bank、EMBL、 GenPept、 Swi ss-Prot以及 FASTA格式的文件。这一程序 包含在NCB工具软件包之中(见第6章)。 Don gi l bert的 READSEO(见本章末的互联网资源列 表)是另一个广泛使用的工具,已包含在许多软件包中。在使用这些工具进行格式转换时, 用户应当注意,有些 GenBank或EMBL格式下的特性将被丢失。 READSEO只工作于序列自身,并 不处理注释部分。那些只需要序列数据的程序(例如 BLAST,见第7章)最好使用 FASTA格式的 序列来进行査询。尽管 FASTA格式的信息含量比其他格式少,但它提供了人和计算机都可理解 的处理原始数据的简单方 file://E:wcb\生物信息学(中译本)\第二章 GenBank序列数据库.htm 2005-1-18
᭄ᑧܼ㞾ࡼञ㞾ࡼ⫳៤ⱘᓔྟℹ偸DŽ ḐᓣϢݙᆍ˖䅵ㅫᴎϢҎ ᭄ᑧ㹿⫼ᴹᄬᬒॳྟ᭄ˈҹঞϔ㋏߫䰘ࡴⱘ⊼䞞DŽϡৠⱘẔ㋶Ꮉᑣ߽⫼њ䖭ѯֵ ᙃЁⱘϡৠ䚼ߚDŽ㒉㾖⾡Ḑᓣˈ៥Ӏৃҹথ⦄݊Ёᑨ⫼њϔѯ݅ৠⱘ㾘߭ˈҹՓᕫ⾡ᚙ މϟϡৠḐᓣП䯈⫳៤Ѹᤶ᭄៤Ўৃ㛑DŽ᳔֓ѢҎ䯙䇏ⱘḐᓣᇍ䅵ㅫᴎᑣᴹ䆆ᕜৃ 㛑ᑊ䴲ᰃ᳔᳝ᬜ⥛ⱘ˄՟བGenBank flatfileˈ㾕䰘ᔩ2.12.2ˈ䖭ᰃϔ⾡Ҏৃҹ䯙䇏ⱘ ASN.1⠜ᴀ˅DŽ䖭ѯ䆄ᔩ䖬᳝Ѡ䖯ҷⷕ⠜ˈࡴ㋻ޥˈ䅵ㅫᴎ໘⧚гᖿDŽԚϡᑌⱘᰃˈ⬅Ѣ ग़ⱘॳˈᇍϔ⾡ᅮḐᓣⱘ乥㐕Փ⫼Փᕫᓩܹϔ⾡ḐᓣᵕЎೄ䲒ˈሑㅵᮄⱘḐᓣৃ㛑 ࡴᆠֵᙃˈޚࡴᯧˈ⹂Ѣࠊ䅵ㅫˈᯧѢᢑপֵᙃˈᯧѢՓ⫼DŽ˄Ԛ៥Ӏᑊᬒᓗ ᇱ䆩ˈ㾕ǃǃ14ゴ˅DŽGBFFⱘㅔऩᗻˈՓ៥Ӏ䛑ৃҹ㦋ᕫᯧ⫼ⱘᎹˈ䖭гᰃEMBL GBFFᵕ䗮⫼ᗻⱘ䞡㽕ॳDŽ Ў᳔ㅔऩⱘḐᓣˈϔϾDNAᑣ߫ৃҹ㸼⼎ЎϔϾᏺ᳝ϔѯᷛ䆄ⱘḌ㣋䝌ᄫヺІDŽ䖭䞠ᰃϔϾ ҹFASTA˄PearsonḐᓣ˅᭛ӊ㸼⼎ⱘḌ㣋䝌ᑣ᭄߫˖ >L04459 ******************* ৠḋⱘˈϔϾ㲟ⱑ䋼䆄ᔩ˖ >P31373 ******************* FASTAḐᓣᑓ⊯ᑨ⫼Ѣ䆌ߚᄤ⫳⠽ᄺ䕃ӊࣙПЁDŽЎ᳔ㅔऩⱘᚙމ˄ℷབϞ䴶᠔ᰒ⼎ ⱘ˅ˈѢো˄!˅㸼⼎ϔϾᮄ᭛ӊⱘᓔྟDŽᷛ䆄ヺ��Ϟ䴶ϔϾ՟ᄤᓔྟ䚼ߚⱘ L04459��ৢ䴶ᰃݭᇣݭᄫ↡ⱘDNAᑣ߫ˈ䗮ᐌ60Ͼᄫヺϔ㸠˄Ԛ䖭ᑊ䴲ᰃᷛޚ㾘 ᅮ˅DŽབᵰ䳔㽕ⱘ䆱ˈ⫼᠋᭄ᑧৃҹ䖭ϾㅔऩḐᓣⱘ⸔Ϟࡴᴖⱘ㒧ᵘֵ࣪ᙃDŽ ՟བˈϡ䖱ডϞ䴶㾘ᅮⱘࠡᦤϟˈৃҹFASTAⱘ䇈ᯢ㸠ЁࡴܹⱘݙᆍˈՓ䖭Ͼㅔऩⱘ Ḑᓣࣙⱘֵᙃˈህ䈵ϟ䴶䖭ḋ˖ >| ******************* ⦄䖭ϾFASTA᭛ӊЁࣙњgiোⷕ˄㾕ϟ䴶ˈҹঞゴ˅ǃGenBankẔ㋶োⷕǃLOCUSৡ ⿄ǃҹঞGenBank䆄ᔩЁⱘDEFINATIONᄫ↉DŽ䖭Ͼ䆄ᔩᰃҢASN.1䆄ᔩ⫳៤ⱘˈ˄㾕䰘ᔩ 2.2˅ˈ㗠ASN.1ᰃNCBI⫼ᴹᄬټ㓈ᡸ᠔᭄᳝ⱘḐᓣDŽ˄䅵ㅫᴎЁ䖭ѯ᭄ֱᄬЎϔ 㸠ˈབᵰᠧॄߎᴹˈᇚ↨ᴀкⱘ义䴶ᆑߎ䆌DŽ᠔ҹˈ䖭䞠خњᡬ㸠໘⧚˅DŽ ߚᄤ⫳⠽ᄺⱘग़Ϟ᳒㒣Փ⫼䖛䆌Ḑᓣˈ݊Ё᳝ѯḐᓣ⦄䖬Փ⫼ˈৠᯊг᳝䆌Ꮉ ⫼ᴹ䖭ѯḐᓣП䯈䕀ᤶ᭄DŽNCBIⱘasn2ffᑣৃҹᇚASN.1᭛ӊ䕀ᤶЎ⾡flatfile᭛ ӊḐᓣˈᅗৃҹ⫳៤GenBankǃEMBLǃGenPeptǃSwiss-ProtҹঞFASTAḐᓣⱘ᭛ӊDŽ䖭ϔᑣ ࣙNCBIᎹ䕃ӊࣙПЁ˄㾕ゴ˅DŽDon GilbertⱘREADSEQ˄㾕ᴀゴⱘѦ㘨㔥䌘⑤߫ 㸼˅ᰃϔϾᑓ⊯Փ⫼ⱘᎹˈᏆࣙ䆌䕃ӊࣙЁDŽՓ⫼䖭ѯᎹ䖯㸠Ḑᓣ䕀ᤶᯊˈ ⫼᠋ᑨᔧ⊼ᛣˈ᳝ѯGenBankEMBLḐᓣϟⱘ⡍ᗻᇚ㹿϶༅DŽREADSEQাᎹѢᑣ߫㞾䑿ˈᑊ ϡ໘⧚⊼䞞䚼ߚDŽ䙷ѯা䳔㽕ᑣ᭄߫ⱘᑣ˄՟བBLASTˈ㾕ゴ˅᳔དՓ⫼FASTAḐᓣⱘ ᑣ߫ᴹ䖯㸠ᶹ䆶DŽሑㅵFASTAḐᓣⱘֵᙃ䞣↨݊ҪḐᓣᇥˈԚᅗᦤկњҎ䅵ㅫᴎ䛑ৃ⧚㾷 ⱘ໘⧚ॳྟ᭄ⱘㅔऩᮍ⊩DŽ Ѡゴ GenBankᑣ᭄߫ᑧ 义ⷕˈ3/11 file://E:\wcb\⫳⠽ֵᙃᄺ˄Ё䆥ᴀ˅?Ѡゴ GenBankᑣ᭄߫ᑧ.htm 2005-1-18 Click to buy NOW! PDF-XCHANGE www.docu-track.com Click to buy NOW! PDF-XCHANGE www.docu-track.com
第二章 Gen Bank序列数据库 页码,4/ 数据库 正如上面提到的,所有在EMBL中出现的序列也都包含在DDBJ和 Gen Bank中,反之也如此。 Gen Bank每两个月发布一次新版本,并且每天都通过匿名FTP提供递增式(以及非递增式)的 更新。几个核苷酸数据库之间也每天以如同特性表文档(见下面)所描述的公共数据格式交 换新生成的以及更新过的数据记录。这一特性表是了几个核苷酸数据库进行注释的共同语 言。同时,核苷酸序列数据库还发展了一套数据提交流程(见第14章),这是一系列关于数 据记录内容和格式的指示。(见本章末的互联网资源列表)。 核苷酸记录是主要的序列数据和生物信息来源。大多数蛋白质序列数据库中的序列是从核酸 数据库的记录中推导出来的,这导致了两个重要的结果 1.如果一个编码序列没有能在核酸记录中正确地标识出来,它就不会出现在蛋白质数据库 中。査询蛋白质数据库是最有效的相似性检索方法(见第7章),这样,应当但却没有 在被研究的mRNA或基因序列中标识的CDS就有可能导致丢失重要蛋白质序列 2.不幸的是,在核酸数据库特性表文档中特别应用于蛋白质序列的特性是十分有限的,正 如本章末的列表所显示的那样。 剖析 Gen Bank Flatfil|e Gen Bank fl atfile(GBFF)是 Gen Bank数据库的基本信息单位,也是最广泛地用以表示生物序 列的格式之一。在本书写作的时候,它也是从 Gen Bank到DDBJ和EMBL数据库,以及EMBL、DDB 之间或向其他数据库交换数据时所采用的格式。 DDB flatfile格式与GBF格式是相同的(见 附录2.1)。EMBL格式则每行都带有前缀,以表明本行的信息类型(见附录2.3)。注释部分 (见下面)前缀为“FT”,在内容上与其他数据库相同。所有这些格式实际上都是由更结构 化的ASN.1(见附录2.2)生成的。但是主要由于历史的原因,许多用户(专家或非专家)在 工作中使用GBFF(或 EMBL flatfile格式) GBFF可以分成三个部分,头部包含关于整个记录的信息(描述符)。第二部分包含了注释这 一记录的特性,第三部分是核苷酸序列自身。所有的核苷酸数据库记录(DDBJ/ EMBL/ Gen Bank)都在最后一行以//结尾。 头部 头部是记录中与数据库关联最大的部分。各个的数据库并不一定在这一部分包含相同的信 息,而可能存在着微小的差别。但各数据库已作出努力以在彼此之间保证信息兼容 所有的 Gen Bank fl atfile开始于L0CUS行: 大大大大大大大大大大大大大大大大大大大大大 这一行中的第一项是L0CUS名称。历史上曾用这个名称来表示本记录描述的基因座,提交者和 数据库工作人员花费了无数的时间来设计这一名称。这一成分开始于一个英文字母,总长度 不能超过10个字符。第二个字符以后可以是数字或字母,所有字符均要大写。L0CUS名称在以 前是最为有用的,那时大多数DNA序列记录只表示一个基因座,这样在 Gen Bank中寻找一个可 以用少数几个字母和数字来代表生物体的独特的名字是很容易的事。经典的例子包括 HUMHBB:人β-珠蛋白基因座,或SV40:猿猴病毒(拷贝之一,因为存在许多拷贝)。为了可 用起见,L0CUS名称在数据库中必须是独一的。因为几乎所有有意义的命名符都被使用过了, 所以今天 LOCUS名称已不再是一个有用的成分。但仍有许多软件包依赖于一个独一无二的 LOCUS名称,所以数据库还不能将其彻底去掉。可行的办法是代之以一个独一无二的词,最简 file://E:wcb\生物信息学(中译本)\第二章 GenBank序列数据库.htm 2005-1-18
᭄ᑧ ℷབϞ䴶ᦤࠄⱘˈ᠔᳝EMBLЁߎ⦃ⱘᑣ߫г䛑ࣙDDBJGenBankЁˈডПгབℸDŽ GenBank↣ϸϾ᳜থᏗϔᮄ⠜ᴀˈᑊϨ↣䛑䗮䖛ओৡFTPᦤկ䗦ᓣ˄ҹঞ䴲䗦ᓣ˅ⱘ ᮄDŽϾḌ㣋䝌᭄ᑧП䯈г↣ҹབৠ⡍ᗻ㸼᭛ḷ˄㾕ϟ䴶˅᠔ᦣ䗄ⱘ᭄݀݅ḐᓣѸ ᤶᮄ⫳៤ⱘҹঞᮄ䖛ⱘ᭄䆄ᔩDŽ䖭ϔ⡍ᗻ㸼ᰃњϾḌ㣋䝌᭄ᑧ䖯㸠⊼䞞ⱘ݅ৠ䇁 㿔DŽৠᯊˈḌ㣋䝌ᑣ᭄߫ᑧ䖬থሩњϔ༫᭄ᦤѸ⌕˄㾕14ゴ˅ˈ䖭ᰃϔ㋏߫݇Ѣ᭄ 䆄ᔩݙᆍḐᓣⱘᣛ⼎DŽ˄㾕ᴀゴⱘѦ㘨㔥䌘⑤߫㸼˅DŽ Ḍ㣋䝌䆄ᔩᰃЏ㽕ⱘᑣ᭄߫⫳⠽ֵᙃᴹ⑤DŽ᭄㲟ⱑ䋼ᑣ᭄߫ᑧЁⱘᑣ߫ᰃҢḌ䝌 ᭄ᑧⱘ䆄ᔩЁᇐߎᴹⱘˈ䖭ᇐ㟈њϸϾ䞡㽕ⱘ㒧ᵰ˖ 1. བᵰϔϾ㓪ⷕᑣ߫≵᳝㛑Ḍ䝌䆄ᔩЁℷ⹂ഄᷛ䆚ߎᴹˈᅗህϡӮߎ⦃㲟ⱑ䋼᭄ᑧ ЁDŽᶹ䆶㲟ⱑ䋼᭄ᑧᰃ᳔᳝ᬜⱘⳌԐᗻẔ㋶ᮍ⊩˄㾕ゴ˅ˈ䖭ḋˈᑨᔧԚै≵᳝ 㹿ⷨおⱘmRNAᑣ߫Ёᷛ䆚ⱘCDSህ᳝ৃ㛑ᇐ㟈϶༅䞡㽕㲟ⱑ䋼ᑣ߫DŽ 2. ϡᑌⱘᰃˈḌ䝌᭄ᑧ⡍ᗻ㸼᭛ḷЁ⡍߿ᑨ⫼Ѣ㲟ⱑ䋼ᑣ߫ⱘ⡍ᗻᰃकߚ᳝䰤ⱘˈℷ བᴀゴⱘ߫㸼᠔ᰒ⼎ⱘ䙷ḋDŽ ࠪᵤGenBank Flatfile GenBank flatfile˄GBFF˅ᰃGenBank᭄ᑧⱘᴀֵᙃऩԡˈгᰃ᳔ᑓ⊯ഄ⫼ҹ㸼⼎⫳⠽ᑣ ߫ⱘḐᓣПϔDŽᴀкݭⱘᯊˈᅗгᰃҢGenBankࠄDDBJEMBL᭄ᑧˈҹঞEMBLǃDDBJ П䯈݊Ҫ᭄ᑧѸᤶ᭄ᯊ᠔䞛⫼ⱘḐᓣDŽDDBJ flatfileḐᓣϢGBFFḐᓣᰃⳌৠⱘ˄㾕 䰘ᔩ2.1˅DŽEMBLḐᓣ߭↣㸠䛑ᏺ᳝ࠡ㓔ˈҹ㸼ᯢᴀ㸠ⱘֵᙃ㉏ൟ˄㾕䰘ᔩ2.3˅DŽ⊼䞞䚼ߚ ˄㾕ϟ䴶˅ࠡ㓔Ў“FT”ˈݙᆍϞϢ݊Ҫ᭄ᑧⳌৠDŽ᠔᳝䖭ѯḐᓣᅲ䰙Ϟ䛑ᰃ⬅㒧ᵘ ࣪ⱘASN.1˄㾕䰘ᔩ2.2˅⫳៤ⱘDŽԚᰃЏ㽕⬅Ѣग़ⱘॳˈ䆌⫼᠋˄ϧᆊ䴲ϧᆊ˅ ᎹЁՓ⫼GBFF˄EMBL flatfileḐᓣ˅ GBFFৃҹߚ៤ϝϾ䚼ߚˈ༈䚼ࣙ݇ѢᭈϾ䆄ᔩⱘֵᙃ˄ᦣ䗄ヺ˅DŽѠ䚼ࣙߚњ⊼䞞䖭 ϔ䆄ᔩⱘ⡍ᗻˈϝ䚼ߚᰃḌ㣋䝌ᑣ߫㞾䑿DŽ᠔᳝ⱘḌ㣋䝌᭄ᑧ䆄ᔩ˄DDBJ/ EMBL/ GenBank˅䛑᳔ৢϔ㸠ҹ // 㒧ሒDŽ ༈䚼 ༈䚼ᰃ䆄ᔩЁϢ᭄ᑧ݇㘨᳔ⱘ䚼ߚDŽϾⱘ᭄ᑧᑊϡϔᅮ䖭ϔ䚼ࣙߚⳌৠⱘֵ ᙃˈ㗠ৃ㛑ᄬⴔᖂᇣⱘᏂ߿DŽԚ᭄ᑧᏆࡾߎҹᕐℸП䯈ֱ䆕ֵᙃݐᆍDŽ ᠔᳝ⱘGenBank flatfileᓔྟѢLOCUS㸠˖ ********************* 䖭ϔ㸠Ёⱘϔ乍ᰃLOCUSৡ⿄DŽग़Ϟ᳒⫼䖭Ͼৡ⿄ᴹ㸼⼎ᴀ䆄ᔩᦣ䗄ⱘᑻˈᦤѸ㗙 ᭄ᑧᎹҎਬ㢅䌍њ᮴᭄ⱘᯊ䯈ᴹ䆒䅵䖭ϔৡ⿄DŽ䖭ϔ៤ߚᓔྟѢϔϾ㣅᭛ᄫ↡ˈᘏ䭓ᑺ ϡ㛑䍙䖛10ϾᄫヺDŽѠϾᄫヺҹৢৃҹᰃ᭄ᄫᄫ↡ˈ᠔᳝ᄫヺഛ㽕ݭDŽLOCUSৡ⿄ҹ ࠡᰃ᳔Ў᳝⫼ⱘˈ䙷ᯊ᭄DNAᑣ߫䆄ᔩা㸼⼎ϔϾᑻˈ䖭ḋGenBankЁᇏᡒϔϾৃ ҹ⫼ᇥ᭄Ͼᄫ↡᭄ᄫᴹҷ㸼⫳⠽ԧⱘ⣀⡍ⱘৡᄫᰃᕜᆍᯧⱘџDŽ㒣ⱘ՟ᄤࣙᣀ HUMHBB˖Ҏȕ⦴㲟ⱑᑻˈSV40˖⤓⤈⮙↦˄ᣋ䋱ПϔˈЎᄬ䆌ᣋ䋱˅DŽЎњৃ ⫼䍋㾕ˈLOCUSৡ⿄᭄ᑧЁᖙ乏ᰃ⣀ϔⱘDŽЎТ᠔᳝᳝ᛣНⱘੑৡヺ䛑㹿Փ⫼䖛њˈ ᠔ҹҞLOCUSৡ⿄ᏆϡݡᰃϔϾ᳝⫼ⱘ៤ߚDŽԚҡ᳝䆌䕃ӊࣙձ䌪ѢϔϾ⣀ϔ᮴Ѡⱘ LOCUSৡ⿄ˈ᠔ҹ᭄ᑧ䖬ϡ㛑ᇚ݊ᕏᑩএᥝDŽৃ㸠ⱘࡲ⫣ᰃҷПҹϔϾ⣀ϔ᮴Ѡⱘ䆡ˈ᳔ㅔ Ѡゴ GenBankᑣ᭄߫ᑧ 义ⷕˈ4/11 file://E:\wcb\⫳⠽ֵᙃᄺ˄Ё䆥ᴀ˅?Ѡゴ GenBankᑣ᭄߫ᑧ.htm 2005-1-18 Click to buy NOW! PDF-XCHANGE www.docu-track.com Click to buy NOW! PDF-XCHANGE www.docu-track.com
第二章 Gen Bank序列数据库 页码,5/11 单的是用一个保证不会重复的检索号码,象例子中的AF010325那样,以满足对L0CUS名称的要 求 下一项是序列长度,从1到350,000bp。在实践中 Gen Bank和其他数据库很少接受50bp以下的记 录。所以一般不鼓励将PCR引物(24bp)作为序列提交给数据库。350kb限制是一个经验值, 各个数据库用不同的方法提供更长的重叠群(见第6、12章以及附录2.4)。 L0CUS行中的下一项表明生物分子的类型。“分子类型”通常是DNA或RMA,但也有少量其他类 型出现,它们也都表明单链或双链(Ss或ds)。这些属性现在已经很少使用了,这也是另 个历史遗留物。这些包括类型:DNA、RNA、tRNA、TRNA、mRMA和uRNA,以表明生物分子的最 初来源。例如,CDNA测序实际上代表了一个mRNA,而mRNA才是这个序列真正的分子类型。如 果tRNA或rRNA是直接或以cDNA为中介测序的,那么tRNA或rR№A就是分子类型。如果序列是通 过聚合酶链反应(PCR)从基因组数据中得到的,那么DNA是分子类型,尽管这一序列实际上 编码结构RNA ★大大大大★大大大大大大大大大大大大大大大大 下一项是 Gen Bank分类码,由三个字母组成,这或者具有物种分类意义,或者出于其他分类目 的。这一代码的存在也是由于历史的原因,可以追溯到 Gen Bank为了保持可管理的文件大小而 将整个数据库按物种分类分割为几个文件的时候。 Gen Bank的分类与EMBL以及DDBJ略有不同, 这在其他文献中有介绍( Quel lette and Boguski,1997)。在历史上这种分类是非常随意 的,现在已不再象历史上那样起到重要的作用,因为物种分类信息已经表现在了“生物体” 行以及“来源”特性中。这比仅用三个字母作为分类码要清晰明确得多。NCBI近几年来没有 代表了功能方面可定义的差别( Quel lette and Boguski,1997)。已表达序列标记(EST) 分类在1993年被采用,其后很快又增加了序列标记位点(STS)类。还有基因组综述序列 (GSS)和未完成的高通量基因组序列(HTG)都代表了按功能划分的一类数据,这些都要求 用户以及数据库工作人员用不同的方法来处理。例如,用户可以在这些数据集中检索(例如 通过 FLASTN在EST或HTG分类中査找),并对命中的记录做进一步分析解释。这时,所有数据 库均以相同的方式来说明功能性分类,并且在任一数据库中所有的数据集都会出现在同一分 类中。CON类是一个正在计划被使用的新的实验性分类,将用来表征通过重叠群构造的片段或 大的整合序列。这样就很有可能超出现在对单一记录的350kb限制。这样的记录可能以如同附 录24的形式出现,这个C0N类记录给出了大肠杆菌的全基因组序列,长度在4.6mb以上。这个 记录没有包含序列或注释,但包含了如何将存在于其他分类中的片段拼接成完整序列的指 示。这一实验性分类中的记录将带有检索号和版本号,并且同其他记录一样,在几个合作者 之间交换。所有被切分的数据也将出现在这一分类中。 大大大大大大大大大大大大大大大大大大大大大 LOCUS行中的日期是数据最后被公开的日期。在许多情况下,也是第一次被公开的日期。记录 中包含的另一个日期是序列提交给数据库的日期(见下面)。必须注意的是,这两个日期并 没有法律保证,数据库并未声明这两个日期是正确的。所以它们只供用户参考,并不能作为 仲裁的判据。就作者的经验,它们也从未被用以作为优先权声明或专利权请求的依据。 DEFINIT0N行(也称为“DEF"行)在 Gen Bank记录中用以总结记录的生物意义。这一行将出 现在NCBI的 FASTA文件中,这样任何人进行 BLAST相似性搜索时都会看到这些信息。生成这 file://E:wcb\生物信息学(中译本)\第二章 GenBank序列数据库.htm 2005-1-18
ऩⱘᰃ⫼ϔϾֱ䆕ϡӮ䞡ⱘẔ㋶োⷕˈ䈵՟ᄤЁⱘAF010325䙷ḋˈҹ⒵䎇ᇍLOCUSৡ⿄ⱘ㽕 ∖DŽ ********************** ϟϔ乍ᰃᑣ߫䭓ᑺˈҢࠄ350,000bpDŽᅲ䏉ЁGenBank݊Ҫ᭄ᑧᕜᇥফ50bpҹϟⱘ䆄 ᔩDŽ᠔ҹϔ㠀ϡ哧ࢅᇚPCRᓩ⠽˄24bp˅Ўᑣ߫ᦤѸ㒭᭄ᑧDŽ350kb䰤ࠊᰃϔϾ㒣偠ؐˈ Ͼ᭄ᑧ⫼ϡৠⱘᮍ⊩ᦤկ䭓ⱘ䞡㕸˄㾕ǃ12ゴҹঞ䰘ᔩ2.4˅DŽ ********************** LOCUS㸠Ёⱘϟϔ乍㸼ᯢ⫳⠽ߚᄤⱘ㉏ൟDŽĀߚᄤ㉏ൟā䗮ᐌᰃDNARNAˈԚг᳝ᇥ䞣݊Ҫ㉏ ൟߎˈ⦃ᅗӀг䛑㸼ᯢऩ䫒ঠ䫒˄ssds˅DŽ䖭ѯሲᗻ⦄Ꮖ㒣ᕜᇥՓ⫼њˈ䖭гᰃϔ Ͼग़䘫⬭⠽DŽ䖭ѯࣙᣀ㉏ൟ˖DNAǃRNAǃtRNAǃrRNAǃmRNAuRNAˈҹ㸼ᯢ⫳⠽ߚᄤⱘ᳔ ߱ᴹ⑤DŽ՟བˈcDNA⌟ᑣᅲ䰙Ϟҷ㸼њϔϾmRNAˈ㗠mRNAᠡᰃ䖭Ͼᑣ߫ⳳℷⱘߚᄤ㉏ൟDŽབ ᵰtRNArRNAᰃⳈҹcDNAЎЁҟ⌟ᑣⱘˈ䙷МtRNArRNAህᰃߚᄤ㉏ൟDŽབᵰᑣ߫ᰃ䗮 䖛㘮ড়䝊䫒ডᑨ˄PCR˅Ң㒘᭄Ёᕫࠄⱘˈ䙷МDNAᰃߚᄤ㉏ൟˈሑㅵ䖭ϔᑣ߫ᅲ䰙Ϟ 㓪ⷕ㒧ᵘRNADŽ ********************** ϟϔ乍ᰃGenBankߚ㉏ⷕˈ⬅ϝϾᄫ↡㒘៤ˈ䖭㗙᳝⠽⾡ߚ㉏ᛣНˈ㗙ߎѢ݊Ҫߚ㉏Ⳃ ⱘDŽ䖭ϔҷⷕⱘᄬгᰃ⬅Ѣग़ⱘॳˈৃҹ䗑⒃ࠄGenBankЎњֱᣕৃㅵ⧚ⱘ᭛ӊᇣ㗠 ᇚᭈϾ᭄ᑧᣝ⠽⾡ߚ㉏ࡆߚЎϾ᭛ӊⱘᯊDŽGenBankⱘߚ㉏ϢEMBLҹঞDDBJ⬹᳝ϡৠˈ 䖭݊Ҫ᭛⤂Ё᳝ҟ㒡˄Ouellette and Boguski, 1997˅DŽग़Ϟ䖭⾡ߚ㉏ᰃ䴲ᐌ䱣ᛣ ⱘˈ⦄Ꮖϡݡ䈵ग़Ϟ䙷ḋ䍋ࠄ䞡㽕ⱘ⫼ˈЎ⠽⾡ߚ㉏ֵᙃᏆ㒣㸼⦄њĀ⫳⠽ԧ” 㸠ҹঞĀᴹ⑤ā⡍ᗻЁDŽ䖭↨ҙ⫼ϝϾᄫ↡Ўߚ㉏ⷕ㽕⏙᱄ᯢ⹂ᕫDŽNCBI䖥ᑈᴹ≵᳝ ݡ䞛⫼ⱘѢ⫳⠽ԧⱘߚ㉏ˈԚ᳝ѯᮄⱘѢࡳ㛑ⱘߚ㉏ैᰒᕫ䍞ᴹ䍞䞡㽕ˈЎᅗӀ ҷ㸼њࡳ㛑ᮍ䴶ৃᅮНⱘᏂ߿˄Ouellette and Boguski, 1997˅DŽᏆ㸼䖒ᑣ߫ᷛ䆄˄EST˅ ߚ㉏1993ᑈ㹿䞛⫼ˈ݊ৢᕜᖿজࡴњᑣ߫ᷛ䆄ԡ⚍˄STS˅㉏DŽ䖬᳝㒘㓐䗄ᑣ߫ ˄GSS˅ᅠ៤ⱘ催䗮䞣㒘ᑣ߫˄HTG˅䛑ҷ㸼њᣝࡳ㛑ߚߦⱘϔ㉏᭄ˈ䖭ѯ䛑㽕∖ ⫼᠋ҹঞ᭄ᑧᎹҎਬ⫼ϡৠⱘᮍ⊩ᴹ໘⧚DŽ՟བˈ⫼᠋ৃҹ䖭ѯ᭄䲚ЁẔ㋶˄՟བ 䗮䖛FLASTNESTHTGߚ㉏Ёᶹᡒ˅ˈᑊᇍੑЁⱘ䆄ᔩخ䖯ϔℹߚᵤ㾷䞞DŽ䖭ᯊˈ᠔᭄᳝ ᑧഛҹⳌৠⱘᮍᓣᴹ䇈ᯢࡳ㛑ᗻߚ㉏ˈᑊϨӏϔ᭄ᑧЁ᠔᳝ⱘ᭄䲚䛑Ӯߎ⦃ৠϔߚ ㉏ЁDŽCON㉏ᰃϔϾℷ䅵ߦ㹿Փ⫼ⱘᮄⱘᅲ偠ᗻߚ㉏ˈᇚ⫼ᴹ㸼ᕕ䗮䖛䞡㕸ᵘ䗴ⱘ⠛↉ ⱘᭈড়ᑣ߫DŽ䖭ḋህᕜ᳝ৃ㛑䍙ߎ⦃ᇍऩϔ䆄ᔩⱘ350kb䰤ࠊDŽ䖭ḋⱘ䆄ᔩৃ㛑ҹབৠ䰘 ᔩ2.4ⱘᔶᓣߎˈ⦃䖭ϾCON㉏䆄ᔩ㒭ߎњ㙴ᴚ㦠ⱘܼ㒘ᑣ߫ˈ䭓ᑺ4.6mbҹϞDŽ䖭Ͼ 䆄ᔩ≵᳝ࣙᑣ߫⊼䞞ˈԚࣙњབԩᇚᄬѢ݊Ҫߚ㉏Ёⱘ⠛↉ᣐ៤ᅠᭈᑣ߫ⱘᣛ ⼎DŽ䖭ϔᅲ偠ᗻߚ㉏Ёⱘ䆄ᔩᇚᏺ᳝Ẕ㋶ো⠜ᴀোˈᑊϨৠ݊Ҫ䆄ᔩϔḋˈϾড়㗙 П䯈ѸᤶDŽ᠔᳝㹿ߚߛⱘ᭄гᇚߎ⦃䖭ϔߚ㉏ЁDŽ ********************* LOCUS㸠Ёⱘ᮹ᳳᰃ᳔᭄ৢ㹿݀ᓔⱘ᮹ᳳDŽ䆌ᚙމϟˈгᰃϔ㹿݀ᓔⱘ᮹ᳳDŽ䆄ᔩ ЁࣙⱘϔϾ᮹ᳳᰃᑣ߫ᦤѸ㒭᭄ᑧⱘ᮹ᳳ˄㾕ϟ䴶˅DŽᖙ乏⊼ᛣⱘᰃˈ䖭ϸϾ᮹ᳳᑊ ≵᳝⊩ᕟֱ䆕ˈ᭄ᑧᑊໄᯢ䖭ϸϾ᮹ᳳᰃℷ⹂ⱘDŽ᠔ҹᅗӀাկ⫼᠋খ㗗ˈᑊϡ㛑Ў ӆ㺕ⱘ߸DŽህ㗙ⱘ㒣偠ˈᅗӀгҢ㹿⫼ҹЎӬܜᴗໄᯢϧ߽ᴗ䇋∖ⱘձDŽ ********************** DEFINITION㸠˄г⿄Ў“DEF”㸠˅GenBank䆄ᔩЁ⫼ҹᘏ㒧䆄ᔩⱘ⫳⠽ᛣНDŽ䖭ϔ㸠ᇚߎ ⦄NCBIⱘFASTA᭛ӊЁˈ䖭ḋӏԩҎ䖯㸠BLASTⳌԐᗻ᧰㋶ᯊ䛑Ӯⳟࠄ䖭ѯֵᙃDŽ⫳៤䖭ϔ Ѡゴ GenBankᑣ᭄߫ᑧ 义ⷕˈ5/11 file://E:\wcb\⫳⠽ֵᙃᄺ˄Ё䆥ᴀ˅?Ѡゴ GenBankᑣ᭄߫ᑧ.htm 2005-1-18 Click to buy NOW! PDF-XCHANGE www.docu-track.com Click to buy NOW! PDF-XCHANGE www.docu-track.com