EMBL
歐洲生物信息學研究所(European Bioinformatics Institute, EBI)創建的一個核酸序列資料庫。EMBL的數據來源主要有兩部分,一部分由科研人員或某些基因組測序機構通過計算機網路直接提交,另一部分則來自科技文獻或專利(Stoesser等, 1998)。EMBL與DDBJ、GenBank建有合作關係,他們分別在全世界範圍內收集核酸序列信息,每天都將新發現或更新過的數據相互交換。
DNA資料庫的規模正在以指數方式增長,平均不到9個月就增加一倍。1998年1月,EMBL中收錄的序列數已超過一百萬,包括15,500個物種,其中
模式生物的序列占50%以上,它們包括人類(Homo sapiens), 線蟲(Caenorhabditis elegans),啤酒酵母(Saccharomyces cerevisiae),小鼠(Mus musculus)和擬南芥(Arabidopsis thalania)。
可以利用序列查詢系統 SRS(Sequence Retrieval System)從EMBL資料庫中提取有關信息(Etzold等,1996年)。SRS序列查詢系統通過超文本連結將DNA序列資料庫和蛋白質序列、功能位點、結構、
基因圖譜以及文獻摘要MEDLINE等各種資料庫聯繫在一起。利用EBI網站提供的BLAST或FastA程式,可以對EMBL資料庫進行未知
序列同源性搜尋。
DDBJ
是DNA Data Bank of Japan的簡稱,始建於1986年,由國立遺傳學研究院負責資料庫的建設,維護及數據的傳播,並與EMBL和GenBank合作;可以從世界各地通過網路把序列直接提交該資料庫。DDBJ網頁上也提供了包括FastA和BLAST在內的資料庫查詢工具。
GenBank
簡介
GenBank是
美國國家生物技術信息中心(National Center for Biotechnology Information ,NCBI)建立的DNA序列資料庫,從公共資源中獲取序列數據,主要是科研人員直接提供或來源於大規模
基因組測序計畫( Benson等, 1998)。為保證數據儘可能的完全,GenBank與EMBL、DDBJ建立了相互交換數據的合作關係。
大型資料庫介紹
大型資料庫分成若干子庫,有許多好處。首先,可以把資料庫查詢限定在某一特定部分,以便加快查詢速度。其次,基因組計畫快速
測序得到的大量序列尚未加以注釋,將它們單獨分類,有利於資料庫查詢和搜尋時“有的放矢”。GenBank將這些數據按高通量基因組序列(High Throughput Genomic Sequences,HTG)、表達序列標記(Expressed Sequence Tags,EST)、
序列標記位點(Sequence Tagged Sites,STS)和基因組概覽序列(Genome Survey Sequences,GSS)單獨分類。儘管這些數據尚未加以注釋,它們依然是GenBank的重要組成部分。
可通過Entrez資料庫查詢系統對GenBank進行查詢。這個系統將核酸、蛋白質序列和
基因圖譜、
蛋白質結構資料庫整合在一起。此外,通過該系統的文獻摘要資料庫MEDLINE,可獲取有關序列的進一步信息。在全球資訊網上,進入NCBI的主頁,可以用BLAST程式對GenBank資料庫進行未知序列的同源性搜尋(詳見第六章)。
完整的GenBank資料庫包括序列檔案,索引檔案以及其它有關檔案。索引檔案是根據資料庫中作者、參考文獻等子段建立的,用於資料庫查詢。GenPept是由GenBank中的核酸序列翻譯而得到的
蛋白質序列資料庫,其
數據格式為FastA。GenBank曾以CD-ROM光碟的形式分發,價格比較便宜。隨著資料庫容量的增長,一套最新版的GenBank需要12張光碟存放,不僅生產成本很高,也不便於使用。現在,光碟分發的方式已經停止,可以通過網路下載GenBank資料庫。
GenBank中最常用的是序列檔案。序列檔案的基本單位是序列條目,包括核甘酸鹼基排列順序和注釋兩部分。目前,許多
生物信息資源中心通過計算機網路提供該資料庫檔案。下面,我們介紹序列檔案的結構。
序列檔案由單個的序列條目組成。序列條目由欄位組成,每個欄位由關鍵字起始,後面為該欄位的具體說明。有些欄位又分若干次子欄位,以次關鍵字或特性表說明符開始。每個序列條目以雙斜槓“//”作結束標記。序列條目的格式非常重要,關鍵字從第一列開始,次關鍵字從第三列開始,特性表說明符從第五列開始。每個欄位可以占一行,也可以占若干行。若一行中寫不下時,繼續行以空格開始。
序列條目的關鍵字包括代碼(LOCUS),說明(DEFINITION), 編號(ACCESSION),核酸標識符(NID),關鍵字(KEYWORDS),數據來源(SOURCE),文獻(REFERENCE),特性表(FEATURES),
鹼基組成(BASE COUNT)及鹼基排列順序(ORIGIN)。
代碼LOCUS是該序列條目的標記,或者說標識符,蘊涵這個序列的功能。例如,圖4.1中所示的HUMCYCLOX表示人的
環氧化酶cyclooxygenase。該欄位還包括其它相關內容,如序列長度、類型、種屬來源以及錄入日期等。說明欄位是有關這一序列的簡單描述,如本例為人環氧化酶-2的mRNA全序列。
序列代碼具有唯一性和永久性,如本例中代碼M90100用來表示上述人環氧化酶-2的mRNA序列,在文獻中引用這個序列時,應該以此代碼為準。核酸標識符NID對序列信息的當前版本提供?
關鍵字欄位由該序列的提交者提供,包括該序列的
基因產物以及其它相關信息,如本例中還氧化酶-2 (cyclooxygenase-2),前列腺素合成酶(prostaglandin synthase)。 數據來源欄位說明該序列是從什麼生物體、什麼組織得到的,如本例中人臍帶血管(umbilical vein)。次關鍵字種屬(ORGANISM)指出該生物體的分類學地位,如本例人、真核生物等等。文獻欄位說明該序列中的相關文獻,包括作者(AUTHORS),題目(TITLE)及雜誌名(JOURNAL)等,以次關鍵字列出。該欄位中還列出醫學文獻摘要資料庫MEDLINE的代碼。該代碼實際上是個網路連結指針,點擊它可以直接調用上述文獻摘要。一個序列可以有多篇文獻,以不同序號表示,並給出該序列中的哪一部分與文獻有關。
FEATURES是具有自己的一套結構,用來詳細描述序列特性的一個表格。在這個表格內,帶有‘/db-xref/’標誌的字元可以連線到其它資料庫內(本例,您看到的是一個分類資料庫(taxon 9606),以及一個
蛋白質資料庫(PID:g181254));序列中各部分的位置都加以標明,5’
非編碼區(1-97),編碼區(98-1912),3非編碼區(1913-3387),多聚
腺苷酸序列(3367-3374),等等;蛋白質翻譯的
信號肽及最終的多肽也都有所說明。這個例子不能說很全面,但已經足以說明特性表給出信息的詳細程度。
接下來是BASE COUNT記錄,計算出不同鹼基在整個序列中出現的次數(1010A,712個C,633個G,1032個T)。ORIGIN那一行,指出了序列第一個鹼基在基因組中可能的位置。最後,核酸的序列全部列出,並以//作為結尾。
dbEST
EST數據存儲在dbEST資料庫內,該資料庫有自己的格式和識別代碼系統。序列信息以及dbEST的注釋摘要,也按DNA的分類分成了若干子資料庫。1998年5月8日版的dbEST共包括1.6Ⅹ106條EST。其中有1百萬條屬於人類(Homo sapiens),30萬條屬於++(Mus musculus),和++(Mus domesticus)。
GSDB
這個基因組序列資料庫由位於新墨西哥州Santa Fe的國家基因組資源中心創建。GSDB收集、管理並且傳送完整的DNA序列及其相關信息,以滿足主要
基因組測序機構的需要。這一資源是以線上伺服器-客戶式
關係資料庫的形式進行工作的,為遠端的大規模測序機構向其提交數據提供了方便。以這種方式獲取的數據,在被傳送之前會先對數據進行檢查以確保數據的質量。
GSDB中條目的格式與GenBank中的基本一致。這兩種條目的主要區別是GSDB中有名為GSDBID的一項。
這個資料庫可以通過全球資訊網,或使用伺服器-客戶式關係資料庫來使用;無論用哪種方法,熟悉資料庫語言,SQL(結構化查詢語言),會有所幫助。
特定基因組資源
除了涵蓋從完整基因組到單個基因各個方面的綜合DNA序列資料庫,還有些更有針對性的基因組資源,或稱專用資料庫。在一定程度上,可以認為這些資料庫既連線了一些基本的DNA資料庫,把它們的數據抽調出來填充到自己的資料庫中;又連線了一些經常調用這些資料庫的查詢結果的其他資料庫。這種獨特數據資源存在的意義在於強調(a)特定物種的基因組,(b)特殊的
測序技術。每包含的序列信息對這類資料庫也許並不重要,一般情況下,它們主要的目的是為某一特定的物種提供一個更為完整的資料庫資源,如模式生酵母(Saccharomyces cerevisiae、 線蟲(Caenorhabditis elegans)、果蠅(Drosophila melanogaster)、擬南芥(Arabidopsis thaliana)、幽門螺桿菌(Helicobacter pylori)等。因為某一系統中的序列數據只能提供該物種一定層次的信息,如果把更高層次的信息加以綜合,就能對基因組的組織結構有一個完整的理解。
網際網路為科學家們在交流
基因科學方面的研究成果上帶來的影響,怎么誇張都不過分。下面選擇了現在能見到的幾個資料庫為例作些說明,其中既有網站,也包括可下載的數據檔案。
SGD
酵母
基因組資料庫SGD(Cherry et al.,1998),是以方式工作的一種線上資源,包括了啤酒酵母的分子生物學及遺傳學信息。通過網際網路可以訪問該資料庫的全部基因組,包括基因及其產物,一些突變的表形還有各種數據的相關文字信息。酵母基因組的重要性在於,1998年它成為第一個完整
測序的真核生物基因組。SGD通過若干功能的集成,為研究人員提供同源性查詢,使用網路上的基因序列分析資源,註冊酵母基因名稱,查看基因組的各類圖譜及三維結構信息,設計能夠有效克隆酵母基因的
引物序列等等。資料庫通過一系列友好,生動的圖形界面為用戶展示各種物理、遺傳、和序列特性圖譜。
UniGene
人類基因組計畫的主要任務是對人類基因組進行全測序,(整個基因組估計有30億對
鹼基),然而這裡面只有大約3%可以編碼蛋白質,其餘部分的生物學功能還不清楚。
轉錄圖譜可以把基因組中實際表達的部分集中起來,因此是一種重要資源。
UniGene希望通過從GeneBank中調出一些不包括多餘部分、面向
基因的序列串組成一個轉錄圖譜。這個庫涵蓋了多種生物的基因,每個序列串與唯一一個基因及其相關信息建立聯繫。如基因在什麼
生物組織中表達,圖譜中的位置等。
除了研究的已經很清楚的基因序列外,大量新發現的EST也包括在內。這就意味著,大部分序列只是片段序列,相應基因並沒有搞清楚。因此,這個資料庫的另一個價值就是發現新基因。在描繪基因圖譜及大規模基因表達分析等項目中,
UniGene也可以幫助實驗設計者選擇試劑。
進入NCBI的主頁,可以訪問這個資料庫。
TDB
TIGR
TIGR資料庫(TDB)包括DNA及蛋白質序列,
基因表達,細胞功能以及
蛋白質家族信息,並且還收錄有人、植物、微生物等的分類信息,是一套大型綜合資料庫。特別之處在於,這套資料庫包括一個微生物信息庫,收錄了TIGR自己以及世界範圍內的其它基因組測序計畫的成果,如、致Lyme病螺旋體(B. Burgdorferi)、流感嗜血菌(H. Influenzae)、幽門螺桿菌(H. Pylori)、和生殖道支原體(M. genitalium)等,寄生蟲資料庫(T. brucei P. falciparum),人、鼠、水稻
等基因索引計畫;擬南芥(A. Thaliana)資料庫;以及人類基因組資料庫等。其中有些數據可以由FTP站點下載,或是由TIGR的主頁訪問。
ACeDB
AceDB資料庫,是線蟲(C. Elegans)基因組計畫的一個成果。庫內的資源包括
限制性圖譜,
基因結構信息,柯斯質粒圖譜,序列數據,參考文獻等等。通過軟體ACEDB來管理並瀏覽這個資料庫,ACEDB提供一個圖形界面,使用戶能夠從大到整個基因組小到物理序列的各個層次考察基因組數據。ACeDB及ACEDB既可以指資料庫又可以指瀏覽工具,這可能會引起混淆,用戶應注意區分。
國內發展情況
中國國內的,在偵破案件上使用DNA技術,是很早就有的,但是真正的DNA系統是最近10年間才發展起來的。中國國內的DNA資料庫系統,有數據量大,增長量快,比對複雜等特點。
目前主流公安機關使用的DNA系統 ,是由北京海鑫高科技有限公司和遼寧省公安廳刑事科學研究所共同研究的項目。該項目也列入了國家”十五“科技課題和公安廳的”金盾計畫“。
針對近幾年拐賣兒童案件逐年上升的趨勢,公安部又組織開發建立了全國公安機關“打拐”DNA資料庫,使許多被拐賣的孩子和家裡親人得以團聚。