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
- 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
- NCBI GenBank
- ENA 欧洲核苷酸序列数据集
- 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
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
- Pfam 数据库 是一个蛋白质结构域家族的集合。
- 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。
- 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)。
