GenBank

GenBank是一个由美国国家生物技术信息中心（NCBI）维护的公共数据库，它包含了大量的DNA序列数据，以及一些蛋白质序列数据，下面是一些GenBank的基础知识：

  • GenBank数据格式 GenBank数据格式
  • GenBank数据类型 GenBank数据类型

UniProt

UniProt是一个由三个数据库组成的联合数据库，它包含了大量的蛋白质序列数据，下面是一些UniProt的基础知识：

  • UniProt数据格式 UniProt数据格式
  • UniProt数据类型
    1. UniProtKB（UniProt Knowledgebase）：这是最大的组成部分，包含了已知的蛋白质序列和相关信息。它提供了详细的注释、功能预测和分类信息。
    2. UniRef（UniProt Reference Clusters）：这是一组聚类的蛋白质序列，根据相似性进行聚类。每个聚类都有一个代表性序列，以减少数据库的冗余。
    3. UniParc（UniProt Archive）：这是一个归档数据库，用于存储已知的蛋白质序列的副本。它可以用于验证和追踪蛋白质序列的来源。

Example: 生物序列数据检索

利用实验学方法（如RNA-Seq），发现了潜在参与调控细胞有丝分裂的某个基因，测序结果如下（genotype）：

CCCCTGCCTGGCAGCCCTTTCTCAAGGACCACCGCATCTCTACATTCAAGA ACTGGCCCTTCTTGGAGGGCTGCGCCTGCACCCCGGAGCGGATGGCCGA GGCTGGCTTCATCCACTGCCCCACTGAGAACGAGCCAGACTTGGCCCAGT GTTTCTTCTGCTTCAAGGAGCTGGAAGGCTGGGAGCCAGATGACGACCCC ATAGAGGAACATAAAAAGCATTCGTCCGGTTGCGCTTTCCTTTCTGTCAAGA AGCAGTTTGAAGAATTAACCCTTGGTGAATTTTTGAAACTGGACAGAGAAAG AGCCAAGAACAAAATTGCAAAGGAAACCAACAATAAGAAGAAAGAATTTGAG GAAACTGCGGAGAAAGTGCGCCGTGCCATCGAGCAGCTGGCTGCCATGGA TTGAGGCCTCTGGC

问题：

  1. 这是哪个基因？
  2. 编码的蛋白质序列是怎样的？
  3. 有没有保守的功能结构域（domain）？
  4. 它的功能是怎样的？
  5. 它在真核生物中保守吗？
  6. 有没有三级结构信息？

基因本体的结构

  • 基因本体被组织为层次性的有向非循环图(Directed acyclic graph, DAG)
  • 每个术语
    • 可以有一个多个父亲术语
    • 0个，1个或多个孩子术语
  • 术语通过两类关系连接
    • is-a
    • part-of

父子关系 父子关系

注意

从孩子术语到上层的父亲术语的路径必须是真实的。

基因本体的维护

  • 废弃 (Obsolete): 术语被去除或重新定义
  • 基因本体的ID永不删除
  • 对每一个废弃的术语，需要说明为何该术语废弃

Human BIRC5

  • BIRC5: Baculoviral IAP Repeat Containing 5
  • 也被称为Survivin
  • 一个抑制凋亡的蛋白质
  • 在癌症中过表达
  • 在正常细胞中表达较低
  • 在有丝分裂中起重要作用