DDBJ数据库使用介绍

生物大分子数据库扫描根据“Nucleic Acids Research”最新（指2007年）公布的数据，目前已有968个有关生物大分子数据库（参见文献Galperin M Y, The Molecular Biology Database Collection, 2007, 35: D3）。

有兴趣的读者可以参阅网站“/nar/database/a”。

我们这里将主要类型的数据库列于表4-2。

面这段是一个完整的SwissProt条目，现解释如下：ID 104K_THEPA STANDARD; PRT; 924 AA.AC P15711;DT 01-APR-1990 (Rel. 14, Created)DT 01-APR-1990 (Rel. 14, Last sequence update)DT 01-AUG-1992 (Rel. 23, Last annotation update)DE 104 kDa microneme-rhoptry antigen.OS Theileria parva.OC Eukaryota; Alveolata; Apicomplexa; Piroplasmida; Theileriidae;OC Theileria.OX NCBI_TaxID=5875;RN [1]RP NUCLEOTIDE SEQUENCE.RC STRAIN=Muguga;RX MEDLINE=90158697; PubMed=1689460; DOI=10.1016/0166-6851(90)90007-9;RA Iams K.P., Young J.R., Nene V., Desai J., Webster P., Ole-Moiyoi O.K.,RA Musoke A.J.;RT "Characterisation of the gene encoding a 104-kilodalton microneme-RT rhoptry protein of Theileria parva.";RL Mol. Biochem. Parasitol. 39:47-60(1990).CC -!- SUBCELLULAR LOCATION: In microneme/rhoptry complexes.CC -!- DEVELOPMENTAL STAGE: Sporozoite antigen.CC -------------------------------------------------------------------------- CC This Swiss-Prot entry is copyright. It is produced through a collaboration uniprot_sprot.datCC the European Bioinformatics Institute. There are no restrictions on its CC use as long as its content is in no way modified and this statement is not CC removed.CC -------------------------------------------------------------------------- DR EMBL; M29954; AAA18217.1; -.DR PIR; A44945; A44945.KW Antigen; Repeat; Sporozoite.FT DOMAIN 1 19 Hydrophobic.FT DOMAIN 905 924 Hydrophobic.SQ SEQUENCE 924 AA; 103626 MW; 289B4B554A61870E CRC64;MKFLILLFNI LCLFPVLAAD NHGVGPQGAS GVDPITFDIN SNQTGPAFLT AVEMAGVKYLQVQHGSNVNI HRLVEGNVVI WENASTPLYT GAIVTNNDGP YMAYVEVLGD PNLQFFIKSGDAWVTLSEHE YLAKLQEIRQ AVHIESVFSL NMAFQLENNK YEVETHAKNG ANMVTFIPRNGHICKMVYHK NVRIYKATGN DTVTSVVGFF RGLRLLLINV FSIDDNGMMS NRYFQHVDDKYVPISQKNYE TGIVKLKDYK HAYHPVDLDI KDIDYTMFHL ADATYHEPCF KIIPNTGFCITKLFDGDQVL YESFNPLIHC INEVHIYDRN NGSIICLHLN YSPPSYKAYL VLKDTGWEATTHPLLEEKIE ELQDQRACEL DVNFISDKDL YVAALTNADL NYTMVTPRPH RDVIRVSDGSEVLWYYEGLD NFLVCAWIYV SDGVASLVHL RIKDRIPANN DIYVLKGDLY WTRITKIQFTQEIKRLVKKS KKKLAPITEE DSDKHDEPPE GPGASGLPPK APGDKEGSEG HKGPSKGSDSSKEGKKPGSG KKPGPAREHK PSKIPTLSKK PSGPKDPKHP RDPKEPRKSK SPRTASPTRRPSPKLPQLSK LPKSTSPRSP PPPTRPSSPE RPEGTKIIKT SKPPSPKPPF DPSFKEKFYDDYSKAASRSK ETKTTVVLDE SFESILKETL PETPGTPFTT PRPVPPKRPR TPESPFEPPKDPDSPSTSPS EFFTPPESKR TRFHETPADT PLPDVTAELF KEPDVTAETK SPDEAMKRPRSPSEYEDTSP GDYPSLPMKR HRLERLRLTT TEMETDPGRM AKDASGKPVK LKRSKSFDDLTTVELAPEPK ASRIVVDDEG TEADDEETHP PEERQKTEVR RRRPPKKPSK SPRPSKPKKPKKPDSAYIPS ILAILVVSLI VGIL//ID 是指其身份号，924 AA是指有该序列有924个氨基酸残基AC 获取号；DT 序列测得的时间DE 对该序列必要的信息的说明，如该分子的分子量为104 kDa .OS 来源OX NCBI分类身份号RN [1]RP NUCLEOTIDE SEQUENCE.RC STRAIN=Muguga;RX 有关Medline的出版号RA 作者RT 引用文献题目RL 杂志名称，出版日期，卷期页CC 有关它的功能描述及其它相关信息方面的描述DR EMBL数据库中的获取号DR PIR数据库中的获取号KW 关键词FT 功能区的描述SQ 有关序列方面的信息，这部分是最主要的，因为该蛋白质的序列就列在下面。

GeneBank数据库使用GenBank数据库结构作用：了解序列数据库的格式，有助于更好地提高数据库检索的效率和准确性。

DDBJ数据库的内容和格式与GenBank相同，此处不作详细介绍。

分别介绍EMBL和GenBank的数据库结构NCBIGenBank库包含所有已知的核酸序列和蛋白质序列,以及与它们相关的文献著作和生物学注释。

NCBI可提供广泛的数据查询、序列相似性搜索以及其它分析服务。

数据库NCBI序列文件：注释内容——文章索引文件：检索目录——文摘GenBank数据库结构完整的GenBank数据库包括序列文件，索引文件以及其它有关文件。

数据库查询。

GenPept是由GenBank中的核酸序列翻译而得到的蛋白质序列数据库NCBI数据格式为FatA。

GenBank数据库结构GenBank中最常用的是序列文件。

序列文件的基本单位：是序列条目，包括核苷酸碱基排列顺序和注释两部分。

生物信息资源中心通过计算机网络提供该数据库文件。

注释条目：文章的格式NCBIGenbankNCBIGenbank查找页面NCBID31716描述部分NCBINCBID31716特性表关键字CDarerecurringunitinpolypeptidechainNCBI序列本身D31716序列本身NCBINCBI序列结束4859bpNCBID31716NCBIGenBank数据记录NCBIGenBank数据记录NCBIGenBank数据库结构GenBank序列文件由单个的序列条目组成。

序列条目由字段组成，每个字段由关键字起始，后面为该字段的具体说明。

字段分若干次子字段，以次关键字或特性表说明符开始。

NCBI每个序列条目以双斜杠“//”作结束标记GenBank数据库结构序列条目的格式非常重要，关键字从第一列开始，次关键字从第三列开始，特性表说明符从第五列开始。

每个字段可占一行，也可以占若干行。

若一行中写不下时，继续行以空格开始NCBIGenBank数据库记录：每条GenBank数据记录包含对序列的简要描述，它的科学命名，物种分类名称，参考文献，序列特征表，及NCBI序列本身GenBank数据库序列特征表：包含对序列生物学特征注释如：编码区、转录单元、重复区域、突变位点或修饰位点等分类：所有数据记录被划分为如细菌类、病毒类、灵长类、啮齿类，以及EST数据、基因组测序数据、大规模基因组序列数据等16类，其中EST数据等又被分成若干文件NCBI。

6
• Access to GenBank • GenBank is available for searching at NCBI via several methods. • The GenBank database is designed to provide and encourage access
http://ratmap.gen.gu.se
生物信息学方法与实践
Bioinformatics Method and Practice
1
生物信息学常用数据库
• 一级数据库
–数据库中的数据直接来源于实验获得的原始数 据，只经过简单的归类整理和注释。
• 二级数据库
–对原始生物分子数据进行整理、分类的结果， 是在一级数据库、实验数据和理论分析的基础 上针对特定的应用目标而建立的。
prior to publication so that an accession number may appear in the paper. NCBI has a WWW form, called BankIt, for convenient and quick submission of sequence data. Sequin, NCBI's stand-alone submission software for MAC, PC, and UNIX platforms, is also available by FTP. When using Sequin, the output files for direct submission should be sent to GenBank by electronic mail. • There are specialized, streamlined procedures for batch submissions of sequences, such as EST, STS, and HTG sequences.

NCBI：
二、重要生物信息数据库
生物信息学数据的表示形式
生物信息学数据的表示形式
平面文件 (flat-file)
– 信息在文件中顺序存放且具有特定格式 – 记录(Entry)通过“获得号”(accession #)
唯一确定 – 同一文件间和不同文件间信息的联系均
通过ac认为这些蛋白质具有 相同的折叠方式。在这些情况下，结构的相似性主要依 赖于二级结构单元的排列方式或拓扑结构。
蛋白质结构分类数据库CATH
类型Class、构架Architecture 、拓扑结构Topology和 同源性Homology 。
分类基础是蛋白质结构域。与SCOP不同的是，CATH 把蛋白质分为4类，即a主类、b主类，a-b类（a/b型 和a+b型）和低二级结构类。低二级结构类是指二级 结构成分含量很低的蛋白质分子。
描述了结构和进化关系。 SCOP数据库从不同层次对蛋白质结构进行分类，以反
映它们结构和进化的相关性。 第一个分类层次为家族，通常将序列相似性程度在30%
以上的蛋白质归入同一家族，有比较明确的进化关系。 超家族：序列相似性较低，结构和功能特性表明它们有
共同的进化起源，将其视作超家族。 折叠类型：无论有无共同的进化起源，只要二级结构单
EMBL格式： 欧洲分子生物学EMBL数据库的每个条目是一份纯文 本文件，每一行最前面是由两个大写字母组成的识别 标志，常见的识别标志列举在后面的表中。识别标志 “特性表”FT包含一批关键字，它们的定义已经与 GenBank和DDBJ统一。下欧洲国家的许多数据库如 SWISS-PROT、ENZYME、TRANSFAC等，都采用 与EMBL一致的格式。
1）头部包含关于整个序列的信息（描述字符），从 LOCUS行到 ORIGIN行；