第二章生物数据库_生物信息学

• 总之，信息源的特点是：
– 自治的 (autonomous)
数据集成
– 分布式的 (distributed) – 异构的 (heterogeneous)
Data Integration
2021/3/29
4
一、 生物信息学数据库
生物信息学数据库的种类
❖ 分子生物信息数据库种类繁多。归纳起来， 大体可以分为4个大类：
酵母菌Yeast ——CYGD数据库
http://mips.gsf.de/genre/proj/yeast/index.jsp
线虫 Caenorhabditis elegans ——AceDB数据库

/genome.shtml
的数据（EMBL负责欧洲，GenBank负责美洲，DDBJ负
责亚洲等），然后来自各地的所有信息汇总在一起，3
个数据库的数据共享并向世界开放，故这3个数据库又
被称为公共序列数据库（Public Sequence Database）。
所以从理论上说，这3个数据库所拥有的DNA序列数据
是完全相同的。你可以从中选择一个你喜欢的数据库；
2021/3/29
11
GenBank：由美国国家生物技术信息中心(National Center for Biotechnology Information, NCBI)建立。该 中心隶属于美国国家医学图书馆，位于美国国家卫生 研究院(NIH)内。
EMBL：欧洲分子生物学实验室(European Molecular Biology Laboratory, 其下有European Bioinformatics Centre)，主要位于英国剑桥Cambridge和德国汉堡 Hamburg。
KEYWORDS .

0 -1 -2 -3 -4 -5 -6 -7 -1
C
-2
T
-3
C
-4
G
-5
1-1=0，表示在横向序列中插入 ， 一个空位， 一个空位，然后与纵向序列中 比较， 的C比较，空位罚分 。 比较 空位罚分-1。 -1+0=-1，表示横向 ， 序列的A与纵向序 序列的 与纵向序 列的C进行比较 进行比较， 列的 进行比较， 失配得分0。 失配得分 。 -2-1=-3，表示在纵 ， 向序列中插入一个 空位， 空位，然后与横向 序列中的A比较 比较， 序列中的 比较， 空位罚分-1。 空位罚分 。 A
除以m 利用每个氨基酸出现的频度对起进行标准化，得到PAM-1矩 矩 以Aij除以 a 利用每个氨基酸出现的频度对起进行标准化，得到 阵中的元素R 阵中的元素 ij
式①中Mab为任意氨基酸b替代a的概率 式②中pa为氨基酸a未被替换的概率
100个残基发生一次替换的PAM-1矩阵
针对不同的进化距离采用PAM 矩阵 针对不同的进化距离采用
打分矩阵（ 打分矩阵（Scoring Matrix） ）
核酸打分矩阵设DNA序列所用的字母表为 Α = { A，C，G，T }
a. 单位矩阵 b. BLAST矩阵 c. 转换-颠换矩阵（transition，transversion） （嘌呤：腺嘌呤A，鸟嘌呤G；嘧啶：胞嘧啶C，胸腺嘧啶T）
单位矩阵 A A T C G 1 0 0 0 T 0 1 0 0 C 0 0 1 0 G 0 0 0 1 A T C G BLAST矩阵 矩阵 A 5 T -4 C -4 -4 5 -4 G -4 -4 -4 5 A T C G 转换-颠换矩阵 转换 颠换矩阵 A 1 -5 -5 -1 T 1 C G -5 -5 -1 -1 -5 -5 -1 1

二级数据库（ Secondary database ）：在 一级数据库的信息基础上进行计算机加工 处理并增加了许多的人为注释而构成的 （例如：NCBI的RefSeq数据库等）。
Primary vs. Secondary Databases
Curators
Sequencing Centers
Labs
➢ DDBJ的英文版网址： http://www.ddbj.nig.ac.jp/index-e.html/
国际上最权威的核酸序列数据库
日本国立遗传研究所的DDBJ http://www.ddbj.nig.ac.jp/searches-e.html
（二）基因组数据库GDB
• 基因组数据库(GDB)创建于1990年，是一个专门 汇集人类基因组数据的数据库，为人类基因组计 划(HGP)保存和处理基因组图谱数据。
计算机文档，是统一管理的相关数 据的集合，其储存形式有利于数据 信息的检索与调用。
二、生物学数据库
在生物信息学者们的努力下， 人类基因组序列数据连同其它多种 模式生物的序列数据及各自相应的 基因结构与功能信息皆可供众多生 物学家们免费接入与使用。
模式生物
Ureaplasma urealyticum
Chapter 2
第二节 常用数据库
常用数据库
类 序列
型 一次数据库
核 酸
基因组 序列
一次数据库
一次数据库
蛋
白
质
复合数据库
二次数据库
名称 Genebank EMBL DDBJ GDB SWISS-PROT PIR TrEMBL UniProt MIPS
GenPept NRL-3D
NRDB OWL SWISS-PROT＋ TrEMBL PROSITE PRINTS BLOCKS Pfam IDENTIFY COGs ProDom

GenPept Sequence Records (which contain the amino acid translations from GenBank/EMBL/DDBJ records that have a coding region feature annotated on them)
各种登录号（索引号）的类型（续） Type of Record Protein Sequence Records from PRF RefSeq Nucleotide Sequence Records Sample Accession Format A series of digits (often six or seven) followed by a letter, e.g.:1901178A Two letters, an underscore bar, and six digits, e.g.: mRNA records (NM_*):NM_000492 genomic DNA contigs (NT_*):NT_000347 complete genome or chromosome (NC_*):NT_000907 genomic region (NG_*):NG000019 Two letters (NP), an underscore bar, and six digits, e.g.:NP_000483
生物信息学数据库的分类：
生物信息学数据库
一级数据库
二级数据库
一级数据库
直接来源于实验获得的原始数据（DNA序
列、蛋白质序列、蛋白质结构等），只经 过简单的归类、整理和注释。
一级核酸数据库（3）：GenBank数据库、EMBL数
据库、DDBJ数据库 一级蛋白质序列数据库（2）：SWISS-PROT库、PIR 蛋白信息数据库 一级蛋白质结构数据库（1）：PDB数据库