生物信息學第三章

1、第三章 生物信息學資源與數(shù)據(jù)挖掘工具,§3.1 引言近20年來，有關分子生物學的大規(guī)模合作研究項目（如人類基因組計劃）已在世界范圍內開展起來。這些跨單位、跨地區(qū)甚至跨國的科研協(xié)作均需在保證實驗數(shù)據(jù)可靠性和完整性的前提下，及時實現(xiàn)信息資源共享。各種分子生物學數(shù)據(jù)庫業(yè)已建立并仍在不斷發(fā)展之中，它們也已成為相關研究中的主要數(shù)據(jù)來源和數(shù)據(jù)交換手段?，F(xiàn)階段已建立的分子數(shù)據(jù)庫種類繁多，內容廣泛。這些數(shù)據(jù)庫中收錄的信息大致包括：

2、,基因與基因組序列蛋白質編碼序列質譜與蛋白質組資料大分子結構大分子特殊活性及其他特性小分子及結晶分析等幾方面的數(shù)據(jù)以及參考文獻等還有不少專門管理分子數(shù)據(jù)庫的數(shù)據(jù)庫或索引網(wǎng)站（搜索引擎）。隨著網(wǎng)絡技術的普及，分子生物學信息系統(tǒng)大多數(shù)都實現(xiàn)了網(wǎng)絡化。,越來越多的生物學數(shù)據(jù)庫中的信息量呈爆炸性增長,生物學文獻是相關研究的產(chǎn)物，其增長趨勢也是十分驚人的。例如，用“protein”來檢索MEDLINE(通過PubMed的查詢界面)中

3、的文獻（摘要），其數(shù)量增長如圖,PubMed 檢索次數(shù)增長迅速,另一方面，文獻的內容和熱點也在不斷變化之中，特別是在交叉學科領域發(fā)展得更快。例如，Andrade和Bork（2000）對涉及“genetics”和“disease”的學術刊物進行了計量分析，這些均為OMIM(online mendelian inheritance in man, http : //www. ncbi. n1m. nih. gov/omim/）中高引用率的刊

4、物（引用數(shù)每年100篇以上）。,近年來，生物學資料的快速增長使信息科學有了用武之地，而復雜的分子生物信息又對傳統(tǒng)的數(shù)據(jù)處理技術提出了新的挑戰(zhàn)?；虻耐暾磉_圖譜，這些基因涉及細胞周期、孢子形成和營養(yǎng)變化、對熱擊壓力和氧化壓力的應答等，數(shù)據(jù)集則包含2500000個獨立的和相關的信息，當然也含有不少的“噪聲”。,這些大規(guī)模、復雜數(shù)據(jù)的分析工作不可能由人工手算，也很難用傳統(tǒng)的圖像處理技術和生物統(tǒng)計方法來完成。因而，一批新的信息處理技術被引入

5、到這一領域并逐漸發(fā)揮重要作用。這些技術可統(tǒng)稱為“生物信息學的數(shù)據(jù)挖掘(data mining)工具”(在1999年底召開的“Data Mining in Bioinformatics”國際學術討論會)目前，數(shù)據(jù)挖掘和知識發(fā)現(xiàn)(knowledge data discovery, KDD)工具除包括常規(guī)數(shù)據(jù)分析技術外，還有專家系統(tǒng)(expert system)、機器學習(machine learning)、神經(jīng)網(wǎng)絡(neural net

6、work)和遺傳算法(genetic algorithm)等。,§3.2 生物信息學資源,3.2.1基因組信息基因組信息主要來源于各類核苷酸序列數(shù)據(jù)庫。國際上最重要的公共核苷酸序列數(shù)據(jù)庫有3個： GenBank(美國http: //www.ncbi.nlm.nih.gov/) DDBJ(日本http://www.ddbj.nig.ac.jp/)和 EMBL(歐洲http://w

7、ww. embl-heidelberg.de/)。目前，這3個數(shù)據(jù)庫已建立數(shù)據(jù)交換協(xié)議，每日同時更新核酸序列資料。對用戶而言，在任意一個數(shù)據(jù)庫中查詢數(shù)據(jù)（或向任意一個數(shù)據(jù)庫投送數(shù)據(jù)）基本上是等價的。這里，我們以GenBank為例，介紹核苷酸序列數(shù)據(jù)庫,3.2.1.1 GenBank的建立與發(fā)展GenBank的全稱為“GenBank Genetic Sequence Data Bank”，由美國衛(wèi)生和人類服務部(U.S. Depar

8、tment of Health＆Human Services)注冊。該項目在20世紀80年代初由美國Intelli Genetics(IG)公司和Los Alamos國家實驗室( LANL)共同資助及組織實施。隨后得到美國國立衛(wèi)生研究院(NIH )、國家醫(yī)學實驗室(NLM)、農(nóng)業(yè)部(USDA)、國家科學基金會(NFS)及能源部(DOE)等機構的持續(xù)資助。目前，GenBank由美國國家生物技術信息中心(National Center

9、for Biotechnology Information，NCBI)管理運行。NCBI-GenBank的主頁，用戶可以直接通過該頁面檢索GenBank數(shù)據(jù)庫。,建立GenBank的主要目標是收集世界范圍內已發(fā)表的和自行投送的核苷酸序列以及相關的文獻資料。其主要作用是為大規(guī)模的核苷酸序列數(shù)據(jù)建立檔案，以利于長期保存，為國際分子生物學及相關研究提供良好的技術與知識平臺。NCBI-GenBank大致經(jīng)歷了如下幾個階段：1988-1989年

10、：NCBI處于草創(chuàng)時期，隸屬于NIH的國家醫(yī)學圖書館。一批分子生物學家、數(shù)學家、計算機科學家與技術人員開始合作建立新的數(shù)據(jù)模型，開發(fā)檢索工具，以適應GenBank數(shù)據(jù)量的快速增長。1990年：開始應用BLAST。BLAST是一種快速檢索相似性序列的工具。,1991年：開始應用Entrez。Entrez是一個整合的數(shù)據(jù)查詢系統(tǒng)。1992年：GenBank正式移到NCBI;表達序列標簽(expressed sequence tag, E

11、ST)技術開始應用，NCBI-dbEST數(shù)據(jù)庫系統(tǒng)建立。1993年：開始應用Internet和3-D Entrez。GenBank由CD-ROM轉換為網(wǎng)絡系統(tǒng)，以適應形勢的發(fā)展。 1994年：NCBI-GenBank網(wǎng)頁建立。序列標簽位點(sequence tagged site, STS是對由其特定引物序列所界定的一類標記的統(tǒng)稱)和電子PCR (e-PCR)技術開始應用(computational procedure that i

12、s used to identify sequence tagged sites(STSs), within DNA sequences. e-PCR looks for potential STSs in DNA sequences by searching for subsequences that closely match the PCR primers)。,1995年：開始應用BankIt。BankIt是基于互聯(lián)網(wǎng)的DNA序列

13、投送軟件；開發(fā)整合序列和圖譜的基因組數(shù)據(jù)庫；開始應用分類瀏覽器（taxonomy browser），將物種、系統(tǒng)發(fā)育信息與Entrez結合使用。1996年：開始應用UniGene數(shù)據(jù)庫(該數(shù)據(jù)庫將GenBank中屬于同一條基因的所有片斷拼接成完整的基因進行收錄)和GeneMap' 96系統(tǒng)，整合STS圖譜、序列和UniGene簇數(shù)據(jù)，為基因組分析提供基礎；開始應用Sequin軟件，便于大規(guī)模、批量投送序列數(shù)據(jù)。,,1997年：

14、PubMed界面實現(xiàn)了Entrez軟件系統(tǒng)與MEDLINE數(shù)據(jù)庫的結合；Entrez Structures數(shù)據(jù)庫、VAST（vector alignment search tool）算法和Cn3D結構瀏覽器開始用于蛋白質分析；Gapped BLAST和PSI-BLAST開始用于快速序列相似性檢索；COG（clusters of orthologous group）方法和系統(tǒng)開始用于基因組分析。1998年：建立HTGS（高通量基因組序列

15、）組，以適應人類基因組計劃的進程；開始應用PHI-BLAST序列檢索工具；已經(jīng)貯存兩千億以上的堿基對，其中超過一半來自人類基因組計劃。1999年：隨著人類基因組計劃接近完成，NCBI將重點轉移到人類基因組分析。新的應用軟件和數(shù)據(jù)庫系統(tǒng)包括LocusLink, RefSeq和OMIM等。,3.2.1.2 GenBank數(shù)據(jù)庫下面介紹GenBank數(shù)據(jù)庫。GenBank是最早的DNA序列數(shù)據(jù)庫。目前GenBank數(shù)據(jù)庫中的數(shù)據(jù)按照每年約

16、60％的速率增長。截止到2005年GenBank數(shù)據(jù)庫中的核酸序列總長度達560億個堿基，核酸序列數(shù)超過5200萬條。對于每個序列，相關數(shù)據(jù)包括序列名稱、序列、位點、關鍵字、來源、生物種類、參考文獻、注釋、序列中具有重要生物學意義的位點等。隨著分子生物學技術的不斷發(fā)展，數(shù)據(jù)的增長速度將會不斷提高。,GenBank的數(shù)據(jù)來源主要有兩條途徑。一是由序列發(fā)現(xiàn)者直接提交。幾乎所有的國際權威生物學刊物都要求作者在文章發(fā)表之前將所測定的序列提交給E

17、MBL、GenBank或DDBJ，得到數(shù)據(jù)庫管理系統(tǒng)所簽發(fā)的登錄注冊號。二是從生物醫(yī)學期刊上收錄已經(jīng)發(fā)表的序列資料。 GenBank中最常用的是序列文件。序列文件的基本單位是序列條目，包括核苷酸堿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(wǎng)絡提供該數(shù)據(jù)庫文件。下面介紹序列文件結構M90100,3.2.1.3 GenBank的分類學檢索分類學檢索是GenBank兩類檢索方式中的一種(另一種為序列相似性檢索)，比較簡

18、單，尤其適用于相關學科（如分子生態(tài)學、分子系統(tǒng)學）。例如，我們要查詢水生植物睡蓮科（Nymphaeaceae)的序列資料,可以在NCBI主頁的查詢框中直接鍵入“Nymphaeaceae”,檢索結果為所有序列的清單，包括GenBank收錄號(accession number)、物種拉丁學名(scientific name)和基因／序列名稱(name of gene or sequence)以及序列完整與否等信息。,例如，我們可以找到查詢流

19、水號為1的序列，GenBank收錄號為A627251，物種名稱為白睡蓮(Nymphaea alba)，序列為葉綠體全基因組序列。選擇該條目，可以進一步獲得該序列的詳細數(shù)據(jù)，包括物種的系統(tǒng)位置、序列作者及地址、論文標題／項目名稱、發(fā)表刊物／直接投送、以及序列（本例中序列長度為159930bp)。,3.2.1.4 向GenBank投送序列,GenBank序列投送工具包括Sequin, BankIt和VecScreen(如圖所示）。下面僅以S

20、equin為例，說明序列投送過程中應注意的幾個問題。1. 序列格式常用FASTA格式，如： ＞eIF4E[organism＝Drosophila melanogaster][strain=Oregon R] Drosophila… CGGTTGCTTGGG'I'I'I'I'ATAACATCAGTCAGTGACAGGCATTTCCAGAGTTGCCCTGT… 或

21、蛋白質序列 ＞4E – I [gene＝eIF4E] [protein=eukaryotic initiation factor 4E-I] MQSDFHRMKNFANPKSMFKTSAPSTEQGRPEPPI'SAAAPAEAKDVKPKEDPQETGEPA… ＞4E – II [gene＝eIF4E] [protein＝eukaryotic initiation factor 4E-II]

22、 MVVLETEKTSAPSTEQGRPEPPTSAAAPAEAKDVKPKEDPQETGEPAGNTATTTAPAG…用于系統(tǒng)發(fā)育研究等的序列，還可用PHYLIP, NEXUS、MACAW和FASTA＋GAP、等格式,2.提交步驟采用Sequin的用戶界面。進入“Start New Submission”,可逐項選擇或輸入作者信息(Submitting Authors)、格式表單(Sequence Format)、有機體名稱和序列

23、類型(Organism and Sequences)、基因和蛋白質信息(Gene and Protein Information)等。輸入完畢，Sequin將按GenBank的格式顯示你所輸入的信息?！癉isplay Format”容許你選擇圖形或序列形式。在“Annotate”和“Edit”菜單及界面中注釋、更新和修改所投送的序列。欲了解Sequin的其他功能以及或有其他疑問，可參閱網(wǎng)頁上提供的“Sequin Quick Gui

24、de”。,3.2.2 蛋白質信息蛋白質序列和結構分為三個層次，相應的數(shù)據(jù)庫也可分為3大類,一級,氨基酸序列,AVILDRYFH,一級數(shù)據(jù)庫,二級,基序,[AS]-[IL]2-X[DE]-R-[FYW2-H,二級數(shù)據(jù)庫,三級,結構域,AVILDRYFH,a,b,c,結構數(shù)據(jù)庫,,,,,,,,,,,圖3-14 蛋白質信息的三個層次和相應的數(shù)據(jù)庫,2.2.2.1蛋白質一級數(shù)據(jù)庫 一級數(shù)據(jù)庫主要以下列幾個為代表：PIR(Prote

25、in Information Resource)( http://pir. georgetown. edu/)由于蛋白質序列測定技術先于DNA序列測定技術問世，蛋白質序列的搜集也早于DNA序列。蛋白質序列數(shù)據(jù)庫的雛形可以追朔到60年代。60年代中期到80年代初，美國國家生物醫(yī)學研究基金會(National Biomedical Research Foundation，簡稱NBRF)Dayhoff領導的研究組將搜集到的蛋白質序列和結構信

26、息以“蛋白質序列和結構地圖集”(Atlas of Protein Sequence and Structure)的形式發(fā)表，主要用來研究蛋白質的進化關系。1984年，“蛋白質信息資源”(Protein Information Resource，簡稱PIR)計劃正式啟動，蛋白質序列數(shù)據(jù)庫PIR也因此而誕生。與核酸序列數(shù)據(jù)庫的國際合作相呼應，1988年，美國的NBRF、日本的國際蛋白質信息數(shù)據(jù)庫(Japanese Internationa

27、l Protein Information Database，簡稱JIPID)和德國的慕尼黑蛋白質序列信息中心(Munich Information Center for Protein Sequences，簡稱MIPS)合作成立了國際蛋白質信息中心(PIR-International)，共同收集和維護蛋白質序列數(shù)據(jù)庫PIR。PIR數(shù)據(jù)庫按照數(shù)據(jù)的性質和注釋層次分四個不同部分，分別為PIR1、PIR2、PIR3和PIR4。PIR1中的

28、序列已經(jīng)驗證，注釋最為詳盡；PIR2中包含尚未確定的冗余序列；PIR3中的序列尚未加以檢驗，也未加注釋; 而PIR4中則包括了其它各種渠道獲得的序列，既未驗證，也無注釋。例子,SwissProt另一個重要的蛋白質序列數(shù)據(jù)庫則是SwissProt。該數(shù)據(jù)庫由瑞士日內瓦大學于1986年創(chuàng)建，目前由瑞士生物信息學研究所(Swiss Institute of Bioinformatics，簡稱SIB)和歐洲生物信息學研究所 EBI共同維護和

29、管理。瑞士生物信息研究所下屬的蛋白質分析專家系統(tǒng)(Expert Protein Analysis System,，簡稱ExPASy)的Web服務器除了開發(fā)和維護SwissProt數(shù)據(jù)庫外，也是國際上蛋白質組和蛋白質分子模型研究的中心，SwissProt數(shù)據(jù)庫中的所有序列條目都經(jīng)過有經(jīng)驗的分子生物學家和蛋白質化學家通過計算機工具并查閱有關文獻資料仔細核實。SIB和EBI共有70多人的研究隊伍，專門從事蛋白質序列數(shù)據(jù)的搜集、整理、分析、

30、注釋、發(fā)布，力圖提供高質量的蛋白質序列和注釋信息。SwissProt數(shù)據(jù)庫的每個條目都有詳細的注釋，包括結構域、功能位點、跨膜區(qū)域、二硫鍵位置、翻譯后修飾、突變體等。該數(shù)據(jù)庫中還包括了與核酸序列數(shù)據(jù)庫EMBL/GenBank/DDBJ、蛋白質結構數(shù)據(jù)庫PDB以及Prosite、PRINTTS等十多個二次數(shù)據(jù)庫的交叉引用代碼。特別值得一提的是，ExPAsy專門聘請了由200多位國際知名生物學家組成的網(wǎng)上專家評審團，并將SwissPro

31、t數(shù)據(jù)庫中的蛋白質分成200多個類別，每個類別由1位或2位評審專家負責，通過計算機網(wǎng)絡進行審核。ExPASy網(wǎng)站上列出了這些評審專家的姓名、電子郵件地址和他們所負責評審蛋白質種類。用戶若對某個蛋白質條目有疑義，可以直接和相應的評審專家取得聯(lián)系。,SwissProt采用了和EMBL核酸序列數(shù)據(jù)庫相同的格式和雙字母標識字。這種雙字母的標識字對于數(shù)據(jù)庫的管理維護比較方便，但用戶在使用時卻不很方便，特別對數(shù)據(jù)庫格式不很熟悉的用戶，尤為如此。近

32、年來，隨著計算機網(wǎng)絡和信息技術的發(fā)展，ExPASy開發(fā)了面向生物學家的、基于瀏覽器的用戶界面，特別是用可視化方式表示氨基酸特征表，使用戶對序列特性一目了然，如二硫鍵、跨膜螺旋、二級結構片段、活性位點等。截止1998年6月，SWISS-PROT數(shù)據(jù)庫包含約7萬條序列，這些序列涵蓋了5千多個不同種屬，其中大部分來自于幾種主要模式生物，如人、啤酒酵母、大腸桿菌、小鼠、大鼠等。SWISS-PROT數(shù)據(jù)庫的結構與其它蛋白質序列數(shù)據(jù)庫不同。給出S

33、WISS-PROT數(shù)據(jù)庫中一個序列條目的實例。圖中每一行由兩個字母起始，用來說明每一行所代表的信息。其中第一行以“ID”開始，最后一行以雙斜杠“//”結束。ID行表示該序列的名稱是OPSD_SHEEP，共有348個氨基酸殘基。SWISS-PROT數(shù)據(jù)庫的ID包含一定信息，如本例中“OPSD”表示蛋白質名稱縮寫，而“SHEEP”表示該蛋白質分子來自于哪個物種，中間用下劃線分隔。即這一蛋白序列是來源于綿羊的視紫紅質(rhodopsin)。,

34、SWISS-PROT采用AC（accession number）作為表示某個特定序列的代碼，具有唯一性和永久性。在文獻中引用某個序列時，應以AC為準，而不是以序列名稱或ID為準。本例中，代碼AC為P02700。下面的DT行提供了蛋白質序列提交到數(shù)據(jù)庫的時間，及最近一次修改的時間等信息。描述行（DE）可以有一行或幾行，提供了對該蛋白質的簡單說明。此例中，說明該蛋白質為視紫紅質。下面的幾行中提供了有關該蛋白質的基因名（GN）、物種來源

35、（OS）和分類學位置（OC）等信息。接下來是與該蛋白質相關的基本注釋信息，包括文獻信息、與測序有關的信息、以及對該蛋白質序列分析得到的與結構或突變相關的信息等。這些注釋為用戶提供了非常有價值的信息?；咀⑨屝畔⒑?，是說明行(CC)。在CC行中按主題進行區(qū)分，其中，F(xiàn)UNCTION說明該蛋白質的功能，PTM說明翻譯后修飾，TISSUE SPECIFICITY說明組織專一性，SUBCELLULAR LOCATION說明亞細胞定位，SIM

36、ILARITY,說明了與該蛋白質序列具有相似性或相關的某個蛋白質家族，等等。本例中，由這些注釋信息可以知道視紫紅質是一種存在于視桿細胞中的膜可視蛋白，屬于視蛋白家族和1型G蛋白偶聯(lián)受體（GPCR）超家族。在說明行后的是數(shù)據(jù)庫交叉引用（DR）行，提供了與其它生物信息數(shù)據(jù)庫之間的鏈接，包括一級序列數(shù)據(jù)庫、序列模塊數(shù)據(jù)庫、特殊數(shù)據(jù)庫等。本例中，該蛋白質序列具有與另一個蛋白質序列數(shù)據(jù)庫PIR的鏈接、與GPCR專門數(shù)據(jù)庫的鏈接，以及與蛋白質序列

37、模體數(shù)據(jù)庫PROSITE的鏈接和與蛋白質結構域數(shù)據(jù)庫ProDom的鏈接。在DR行之后，是關鍵字行(KW)和特征表行(FT)。特征表包括對該序列特性的進一步注釋，包括跨膜螺旋等超二級結構單元、配體結合位點、翻譯后修飾位點等。特征表的每一行有一個關鍵字（如TRANSMEM）、特征序列的氨基酸殘基位置（如37-61），以及注釋信息的性質（如POTENTIAL）等。本例中，視紫紅質的跨膜區(qū)域是由計算機預測得到的，尚未得到實驗證據(jù)，因此僅用PO

38、TENTIAL表示。,最后一部分是蛋白質序列，即SQ行。為減少存儲空間，氨基酸編碼以單字母表示，每行60個殘基。SWISS-PROT數(shù)據(jù)庫中的序列數(shù)據(jù)與蛋白質前體對應，如果想要獲得成熟蛋白質的序列，可以參考特征表所提供的信息，即根據(jù)特征表所提供的信號區(qū)（SIGNAL），轉運區(qū)（TRANSIT）或前肽（PROPEP）等信息來推斷成熟蛋白質或多肽序列。此外，CHAIN和PEPTIDE兩個關鍵字用來表示成熟蛋白質的位置。TrEMBLNRL

39、-3DMIPS (http://www·mips. biochem. mpg·de/)： 由德國慕尼黑蛋白質序列信息中心建立，為PIR-International的成員之一。序列檢索采用FASTA，結果存于MIPS數(shù)據(jù)庫中。 在一級數(shù)據(jù)庫中，還有一類稱為復合型蛋白質序列數(shù)據(jù)庫（composite protein sequence database）。這些數(shù)據(jù)庫的特點是綜合性強、更新快、冗余小，主要代

40、表有：,NRDB NRDB是由NCBI創(chuàng)建的，是NCBI的BLAST搜索程序的默認蛋白質序列數(shù)據(jù)庫。該數(shù)據(jù)庫由GenPept（由GenBank 編碼序列自動翻譯而成數(shù)據(jù)庫）、PDB序列數(shù)據(jù)庫、SWISS-PROT數(shù)據(jù)庫、SPupdate（每周更新的SWISS-PROT數(shù)據(jù)庫）、PIR和GenPeptUpdate(每天更新的GenPept)數(shù)據(jù)庫復合而成。因此該數(shù)據(jù)庫是一個較完全的，包含最新信息的數(shù)據(jù)庫。該數(shù)據(jù)庫中已將那些與某一序列完全

41、相同的序列信息剔除, 因此不包含重復信息。但嚴格地說，盡管NRDB數(shù)據(jù)庫被稱作非冗余數(shù)據(jù)庫，其仍包含冗余信息。此外，由于該數(shù)據(jù)庫是通過簡單的比較方法生成的，因此會帶來一些問題，例如，一次數(shù)據(jù)庫中的錯誤序列被引入該數(shù)據(jù)庫。,OWL OWL是一個非冗余的蛋白質序列數(shù)據(jù)庫，是由Leeds大學和Warrington的Daresbury實驗室合作開發(fā)的（Bleasby等，1994）。OWL數(shù)據(jù)庫由四個主要的一級序列數(shù)據(jù)庫復合而成，即SWISS-

42、PROT、PIR、GenBank（由其編碼序列翻譯而成的氨基酸序列）和NRL-3D。在構建OWL數(shù)據(jù)庫的過程中，考慮到每個數(shù)據(jù)庫所包含序列信息的情況，賦予它們不同的優(yōu)先級，SWISS-PROT數(shù)據(jù)庫的優(yōu)先級最高。在對數(shù)據(jù)的處理上，不僅刪除與某一序列完全相同的序列條目，也剔除與某一序列相差個別氨基酸殘基的序列條目。因此，OWL數(shù)據(jù)庫是一個具有較小冗余度的蛋白質序列數(shù)據(jù)庫。盡管如此，與NRDB相同，OWL數(shù)據(jù)庫也會有一些錯誤，即在該數(shù)據(jù)庫

43、中仍然包括來自一次數(shù)據(jù)庫的錯誤序列，例如由GenBank中錯誤序列翻譯而得的錯誤的氨基酸序列。此外，OWL數(shù)據(jù)庫更新較慢。英國的EMBnet國家節(jié)點上提供有針對于OWL的BLAST搜索服務。,MIPSX MIPSX是由德國Max-Planck研究所創(chuàng)建的復合數(shù)據(jù)庫(Mewes等，1998)。MIPSX由以下數(shù)據(jù)庫整合而成：PIR、MIPS一級序列數(shù)據(jù)庫（MIPSOwn）、MIPS/PIR一級序列數(shù)據(jù)庫（PIRMOD）、MIPS一級翻譯

44、序列數(shù)據(jù)庫（MIPSTrn）、MIPS酵母數(shù)據(jù)庫（MIPSH）、NRL-3D、SWISS-PROT、EMTrans（由EMBL翻譯得到的序列）、GBTrans（由GenBank翻譯得到的序列）、Kabat和PseqIP。,SWISS-PROT + TrEMBL EBI將SWISS-PROT和TrEMBL數(shù)據(jù)庫合并，構成一個較全面的并且只有最低限度冗余的數(shù)據(jù)庫（Bairoch和Apweiler，1998）。用戶可以使用EBI網(wǎng)絡服務器上

45、的SRS序列檢索系統(tǒng)查詢SWISS-PROT和TrEMBL數(shù)據(jù)庫。與上面所提到的數(shù)據(jù)庫相比，該數(shù)據(jù)庫只有較少的錯誤，但它還稱不上是真正的非冗余的數(shù)據(jù)庫。據(jù)1997年年中估計，其中包含了SWISS-PROT 和 TrEMBL中的30%的重復序列。顯然，為了盡可能地減少錯誤率和冗余度，需要進行大量工作，包括開發(fā)專門的數(shù)據(jù)庫處理系統(tǒng)等。,3.2.2.2二級數(shù)據(jù)庫 二級數(shù)據(jù)庫是建立在一級數(shù)據(jù)庫基礎上的蛋白質信息資源，也稱為蛋白質模式數(shù)據(jù)

46、庫（protein pattern database），主要涉及蛋白質基序、指紋等方面的信息。圖3-15示出了基序和指紋的基本概念以及建立二級數(shù)據(jù)庫的3類主要方法，即單基序法（single motif methods）、多基序法（multiple motif methods）和全域對位排列法（fulldomain alignment methods）。目前，主要的二級數(shù)據(jù)庫及其信息來源（一級數(shù)據(jù)庫）見表3-1。可以發(fā)現(xiàn)，SWISS-P

47、ROT是最基本的蛋白質源數(shù)據(jù)庫。,表3-1若干二級數(shù)據(jù)庫的內容與信息來源,*來自SWISS-PROT,1、構建二次數(shù)據(jù)庫的方法和意義原則：通過多序列比對，將同源序列收集在一起，以得到保守區(qū)域。這些保守區(qū)域或基序(motifs)通常具有一定生物學意義，反映了蛋白質分子的一些重要結構和功能。定義：進行多序列比對時，由于有多個親緣關系不等的序列包括在內，因此就需要插入一些空位(gap)，使比對序列形成正確匹配。隨著空位的插入，一些具有保守

48、性的匹配區(qū)域形成，這些保守區(qū)域通常有10-20個氨基酸，并對應著蛋白質分子中重要的結構或功能區(qū)域。這些區(qū)域的特性可用來對蛋白質家族的成員進行鑒別。這些區(qū)域通常稱為序列模體，或稱序列模塊、序列片段等。意義：序列模體數(shù)據(jù)庫可用于蛋白質家族的識別。以一個未知的序列作為檢測序列，搜索上述序列模體數(shù)據(jù)庫，來確定該序列是否具有可能的特殊相似序列模式，由此推斷該序列是否屬于一個已知蛋白質家族。如果一個蛋白質家族的結構和功能已知，搜索模體數(shù)據(jù)庫可以快

49、速推斷該檢測序列是否具有該家族的功能。在單一序列模體中，序列信息可以用一個包含確定和可選殘基的表達式表示，如C-Y-X2-[DG]-G-X-[ST]，這種對序列模體的描述方式稱做正則表達式或序列模式。用于描述一組具有保守區(qū)域的序列模體叫序列指紋圖譜，這些序列模體中殘基出現(xiàn)的次數(shù)可以用頻率矩陣表示。由頻率矩陣和打分表可以生成權重矩陣，由此得到序列模塊(BLOCKS)。利用序列匹配信息和空位信息可以生成序列譜。來自匹配序列譜的概率模型稱做

50、隱馬氏模型（HMMs),,,,,,,,,,,,,,,,,,,,,,,,,,cydeggiscyedggiscyeedditcyngdggscyrgdgnt,,,C-Y-x2-[DG]-G-x-[ST]正則表達式,插入,,頻率矩陣,,加權矩陣,,,圖3-15 建立二級數(shù)據(jù)庫的原理與方法 (a),,,,,,,,,,,,,,,,,,,,,,,,,,cydeggiscyedggiscyeedditcyngdggscyrgdg

51、nt,,,XXXXXXXXXXXXXXX,,,,,,XXXXXXXXXXXXXXX,,,XXXXXXXXXXXXXXX,,XXXXXXXXXXXXXXX,,XXXXXXXXXXXXXXX,,,,鑒定矩陣(PRINT),,加權矩陣(BLOCKS),多基序法,圖3-15 建立二級數(shù)據(jù)庫的原理與方法 (b),)精確的正規(guī)表達(Prosite,,模糊的正規(guī)表達(IDENTIFY),全域對位排列法,概形,,隱馬爾可夫模型(P

52、fam),單基序法,序列模體,,,序列指紋圖譜,2. 二次數(shù)據(jù)庫介紹PROSITE： PROSITE數(shù)據(jù)庫是第一個序列模體數(shù)據(jù)庫，由瑞士生物信息學研究所維護。開發(fā)PROTSITE數(shù)據(jù)庫的依據(jù)是：在蛋白質家族中，通過多序列對比方法，可以由若干同源蛋白質序列得到保守的序列模體區(qū)域，這些序列模體區(qū)域具有相同的特性，通常具有重要的生物學功能位點，如酶的活性位點、配體或金屬的結合位點等。因此，PROSITE數(shù)據(jù)庫實際上是蛋白質序列功能位點數(shù)據(jù)

53、庫，通過搜索序列模體數(shù)據(jù)庫，可以幫助確定一個新蛋白質序列屬于哪一個蛋白質家族，或者該序列可能包含何種結構域或功能位點。PROSITE數(shù)據(jù)庫用正則表達式(regular expression)表示序列模式，構建PROSITE數(shù)據(jù)庫時，采用了多序列比對和保守區(qū)域人工識別的方法。首先，通過多序列比對得到一定的候選序列模體，并把這些序列模體中的信息簡化為具有一定規(guī)則的表達式，即正則表達式。并以此為基礎，對SWISS-PROT數(shù)據(jù)庫進行搜索，得

54、到的結果再經(jīng)人工檢驗以確定該序列模體匹配程度的優(yōu)劣。,有時，某個單一的序列模體不能有效地用來確定一個蛋白質家族的特性。在這種情況下，就要使用另外的模體來確定該家族所具有的保守特性。而要想對一個蛋白質家族的特性進行鑒別，就要盡可能地找到該家族所包含的一系列序列模體。（1）PROSITE數(shù)據(jù)庫結構PROSITE數(shù)據(jù)庫實際上包括兩個子庫，一個存放正則表達式數(shù)據(jù)，即PROSITE，另一個存放文獻摘要等文字說明，即PROSITE-DOC。PR

55、OSITE子庫的格式與SWISS-PROT數(shù)據(jù)庫格式類似，使用“ ID” , “AC”等雙字母識別字；而PROSITEDOC則以文本文件格式提供了對蛋白質家族特性的描述，并且給出了序列模體所具有的生物學作用及其相關的參考書目。,上面提到，PROSITE數(shù)據(jù)庫的結構與SWISS-PROT一樣，每一個條目都包含了標識符ID和編號AC，其中ID是該蛋白質家族名稱的縮寫，而編號則以字符和數(shù)字表示，如PS00238。 DE行是對蛋白質家族的簡單描

56、述，PA行是該數(shù)據(jù)條目的核心，列出該蛋白質家族的正則表達式，即序列模式(pattern)。隨后的NR行則給出構建該序列模式所用的SWISS-PROT數(shù)據(jù)庫的版本以及技術細節(jié)，包括具有這種序列模體的蛋白質數(shù)目，以及陽性、假陽性、假陰性等參數(shù)。了解這些信息，對正確使用PROSITE數(shù)據(jù)庫十分重要。若某個條目具有大量假陽性和假陰性，則表明該序列模式欠佳。圖3.3所示例子中NR行提供的信息知道，這個模式來自于第46版SWISS-PROT數(shù)據(jù)庫，

57、包含164201個蛋白序列，有192個序列與該模式匹配，其中191個為陽性的，是一個較好的模式。例子1例子2注釋行（CC）提供了該蛋白質家族的分類學信息，本例中為“真核生物”；給出這一模式在蛋白質中出現(xiàn)的次數(shù)，本例為2；同時給出功能位點的簡單說明,例如本例中結合位點的第5個殘基。DR行是與SWISS-PROT交叉的鏈接，列出具有該序列,模式的SWISS-PROT標識符ID，其中T表示陽性匹配。P表示部分匹配。若有假陽性或假陰性匹配，則

58、分別用F和N表示，與NR行中給出的信息相對應。3D行則是與蛋白質三維結構數(shù)據(jù)庫PDB的交叉鏈接。最后的DO行是與相應的PROSITEDOC的鏈接。PROSITEDOC數(shù)據(jù)庫的結構比較簡單，每一條目除采用PDOC后跟數(shù)字，如PDOC00211格式標識外，也列出相應的PROSITE數(shù)據(jù)庫ID號，以便交叉引用。其余部分則是對該蛋白質家族的描述，包括序列模式的說明，它們的生物學意義，并列出參考文獻的出處（圖3.4）。許多數(shù)據(jù)庫查詢系統(tǒng)SRS

59、提供了對PROSITE數(shù)據(jù)庫的檢索，而瑞士蛋白質分析專家系統(tǒng)ExPASy則以表格方式列出查詢結果。,PRINTSPROSITE數(shù)據(jù)庫的構建基于單個序列模體，而分析序列比對結果可以發(fā)現(xiàn)，許多蛋白質家族的特性是由幾個保守的序列模體共同確定。利用蛋白質分子中所有序列模體鑒別該蛋白質家族的特性，則是構建PRINTS序列指紋(fingerprint)圖譜數(shù)據(jù)庫的基本出發(fā)點。PRINTS數(shù)據(jù)庫起初由英國倫敦大學University College

60、 (UCL)的生物化學和分子生物學系開發(fā)，現(xiàn)在轉由曼徹斯特（Manchester）大學維護。顯然，利用多個序列模式共同識別蛋白質家族的特性，比只用單個序列模式具有更好的識別率。例如，某個蛋白質序列不能與指紋圖譜中所有序列模體匹配，但卻能與其中的大部分序列模體匹配，則有可能為我們提供一些信息，對該蛋白質分子的特性作出可能的推測。PRINTS數(shù)據(jù)庫列出局部多序列比對所得結果，比對時不允許有空位的插入，也不考慮不同殘基的權重。因此，PRIN

61、TS序列指紋圖譜數(shù)據(jù)庫的構建方法與PROSITE數(shù)據(jù)庫采用的正則表達式方法不同。在構建序列指紋圖譜過程中，通過多序列比對得到一組序列模體種子，并對這些種子進行,分析和篩選。然后通過反復的數(shù)據(jù)庫搜索，找出那些保守的序列模體。最后檢驗哪一個序列與序列指紋圖譜中的所有序列模體匹配，如果存在比最初對比結果多得多的匹配，那么這些新增的序列信息就要被添加到序列模體中；然后重新開始搜索數(shù)據(jù)庫，反復進行上述迭代過程，直到?jīng)]有新的序列指紋圖譜產(chǎn)生。最后，

62、結果被納入到PRINTS數(shù)據(jù)庫中。PRINTS數(shù)據(jù)庫的構建，最初基于非冗余蛋白質序列數(shù)據(jù)庫OWL，后來則以SWISS-PROT和SP-TrEMBL為主。圖3.5所示是PRINTS數(shù)據(jù)庫中一個條目，主要包括三方面信息。最上面的部分[圖3.5(a)]給出該序列指紋圖譜的代碼和名稱，通常用該蛋白質家族名稱縮寫作代碼，如本例中的OPSIN。PRINTS數(shù)據(jù)庫中的條目有一個惟一的編號，以PR后跟數(shù)字（如PR00237）的格式表示。此外，給出條目

63、中序列模體個數(shù)，本例中是3。日期行中給出該條目收入數(shù)據(jù)庫和最近更新的時間。此外，還給出了與其他生物學數(shù)據(jù)庫的交叉引用，可以使用戶對該蛋白質家族的其他信息有所了解。最后提供相關參考書目和對該家族特性的簡要介紹，以及如何構建指紋圖譜的方法等。有些條目還提供對這些保守的序列模體的結構和功能的描述。,第二部分[圖3.5(b)]給出組成該序列指紋圖譜的序列模體的參數(shù)，包括用來構建該指紋圖譜的序列數(shù)、每個序列模體的匹配情況等。本例中有73個序列與指

64、紋圖譜中所有序列模體匹配，有一個序列與兩個序列模體匹配。并用表格方式列出有關信息。本例所列信息表明一個序列與序列模體1不完全匹配。最后一部分[圖3.5(c)]給出用于生成序列指紋圖譜的種子序列模體，以及通過數(shù)據(jù)庫搜索生成的最終序列模體(為節(jié)省篇幅，圖中沒列出)。每一個序列模體都用該指紋圖譜條目的代碼標識，后跟一個數(shù)字，表示該序列模體屬于該指紋圖譜的第幾個。本例中OPSIN指紋圖譜的三個序列模體分別被命名為OPSIN1，OPSIN2和O

65、PSIN3。同時給出每個序列模體的長度和簡單說明，如迭代次數(shù)。作為種子的初始序列模體，迭代數(shù)為1。該部分還列出每個序列模體和組成該序列模體的序列片段在蛋白質序列數(shù)據(jù)庫中的識別號ID，本例所示為最初進行比對時SWISS-PROT數(shù)據(jù)庫中序列條目的識別號。同時列出它們在原始序列中的殘基位置，以及該序列片段與前一個指紋圖譜間的距離，即序列模體中相隔的氨基酸殘基數(shù)。對第一個序列模體來說，該距離值就是該序列模體與N一末端的距離。,與PROSITE

66、不同，PRINTS數(shù)據(jù)庫存放了原始的序列信息。這就意味著可以采用許多不同的打分方法來獲得序列模體，并可以給這些序列模體賦予不同的打分分數(shù)值。因此，PRINTS數(shù)據(jù)庫可以用來進一步構建三次數(shù)據(jù)庫（tertiary database）。PRINTS數(shù)據(jù)庫可以通過DbBrowser生物信息學網(wǎng)絡服務器來查詢，1999年，該數(shù)據(jù)庫從倫敦大學轉到曼徹斯特大學，由曼徹斯特大學生物信息學教學研究小組維護。PROSITE和PRINTS不僅提供了序列

67、模式信息，而且提供了蛋白質家族特性以及有關結構功能等文獻信息。這些信息對生物學家來說非常重要，因為他們不僅想找出未知序列是否與已知序列模體匹配，而且需要了解由這些序列模體構成的蛋白質家族的生物學意義。而下面幾種序列模塊數(shù)據(jù)庫均由計算機程序自動生成，因此，很少或沒有提供對蛋白質家族的說明，其中一些則引用了PRINTS和PROSITE數(shù)據(jù)庫的信息。,BLOCKS鑒于利用正則表達式對序列模體進行識別存在著一定局限性，有必要采用其他方法提高識

68、別率，構建其他序列模體數(shù)據(jù)庫。BLOCKS數(shù)據(jù)庫就是其中的一個。它是以PROSITE數(shù)據(jù)庫中蛋白質家族為基礎創(chuàng)建的，由美國西雅圖Fred Hutchinson癌癥研究中心(FHCRC）的Henikoff夫婦建立和維護。該數(shù)據(jù)庫中序列模塊（block)是通過自動檢測每個蛋白質家族中高度保守區(qū)域而產(chǎn)生。構建該數(shù)據(jù)庫的初始階段，首先找出三個保守的氨基酸殘基，它們不一定連續(xù)。并以此為基礎對SWISS-PROT數(shù)據(jù)庫進行搜索，找出相似性序列片段，

69、用來構建一組無空位的局部多序列比對模塊，并用兩個分值作為每個模塊中各序列片段間相似性程度的指標。其中第一個分值為真陰性占99.5％時對應的閾值，第二個是真陽性匹配分值的中值。為比較不同序列模塊的識別率，將第二個分值乘以1000再除以第一個分值，進行歸一化處理。這個歸一化的分值定義稱為強度（strength）。（1）BLOCKS數(shù)據(jù)庫結構圖3.6列出一個典型的BLOCKS數(shù)據(jù)庫序列模塊條目。該數(shù)據(jù)庫結構與PROSITE數(shù)據(jù)庫一致，即每