Базы данных, содержащие информацию о биологических структурах и последовательностях

Идентификаторы записей в базах данных. Как уже упоминалось, для каждой записи в БД должна существовать возможность уникальной идентификации. В качестве уникального имени обычно используется идентификатор или инвентарный помер. Подобная двойственность является следствием того, что на ранних этапах становления биоинформатики, когда число последовательностей было невелико, имена последовательностям старались давать в удобочитаемой форме, закладывая в аббревиатуру указание на биологическую функцию последовательности. Так, в идентификаторах БД EMBL и Genbank первые две (три) буквы указывают на биологический вид организма, а оставшиеся — на функцию.

Однако с увеличением объема БД и возрастанием скорости добавления последовательностей подобная схема именования перестала удовлетворять потребности научного сообщества из-за отсутствия возможности автоматической генерации имен. На смену (в дополнение) к идентификаторам пришли инвентарные номера — уникальные символьные (буквы и цифры) последовательности.

Следует иметь в виду, что три наиболее известные базы данных EMBL, GenBank и SwissProt используют общую схему нумерации последовательностей, т. е. единый инвентарный номер однозначно идентифицирует последовательность в этих трех базах данных.

Основные базы данных последовательностей биологических полимеров. База данных Genbank содержит аннотации последовательностей ДНК различных организмов. Каждая запись включает ряд полей, список которых несколько отличается для прокариотических и эукариотических последовательностей. Так, для записей, характеризующих прокариотические гены, свойственны следующие описания:

• • LOCUS — название локуса (произвольное имя), длина нуклеотидной последовательности, тип молекулы (ДНК) и ее топология (линейная, кольцевая);
• • DEFINITION — содержит короткое описание гена;
• • ACCESSION — номера (идентификаторы) данного объекта в других БД;
• • VERSION — перечислены синонимы и предыдущие идентификаторы;
• • KEYWORDS — список терминов, характеризующих запись;
• • SOURCE — общее название организма, являющегося источником данной последовательности;
• • ORGANISM — полная таксономическая идентификация организмаисточника;
• • REFERENCE — ссылки на статьи, связанные с выделением и определением функций последовательности;
• • COMMENT — комментарии, не подходящие по формату другим полям.

Специальное поле FEATURES содержит секции с подробными описаниями специальных элементов последовательности (табл. 4.1).

Таблица 4.1

Элементы поля FEATURES.

Записи, характеризующие эукариотические гены, обладают следующими отличиями:

• присутствуют записи для отдельных экзонов генов (описание содержится в поле DEFINITION);

• ноле SEGMENT также отражает мозаичную структуру генов, показывая связи данной записи с остальными записями, относящимися к данному гену;

Отличия секций поля FEATURES приведены в табл. 4.2.

Таблица 4.2

Дополнительные элементы поля FEATURES, характерные для эукариотических генов

Вторая важная БД, о которой стоит упомянуть, — база белковых последовательностей SWISS-Prot (wvvw.expast.org/sprot). Данная БД, в отличие БД Genbank и ЕшЫ, ориентирована именно на белковые последовательности, в том числе и последовательности, «транскрибированные in silico» (см. подпараграф 3.2.1). Также база SWISS-Prot содержит подробные аннотации известных последовательностей и тесно интегрирована с другими БД. Например, если для последовательности из SWISS-Prot доступна структурная информация, то данные об этой последовательности будут содержать и ее PDB-идентификатор (см. далее). Формат записей в SWISS-Prot состоит из следующих полей:

• • ID/АС (accession number) — название записи и инвентарный номер. Иногда в данном поле могут присутствовать несколько различных номеров;
• • DT — даты создания/обновления информации о записи;
• • DE — поле описания (description) перечисляет все известные имена данного белка;
• • GN {gene) — название гена (генов), кодирующих данный продукт;
• • OS/OC/OX — содержат название организма, таксономическую классификацию и уникальный таксономический идентификатор организма, являющегося источником данной последовательности. Секция ссылок (RN/RP/RX/RA/RT/RL) включает все литературные ссылки, использованные для аннотации данной записи;
• • СС — блок комментариев. Состоит из текста, разделенного на различные «темы» и описывающие: функцию белка, его внутриклеточную локализацию, посттрансляционные модификации, возможные связи с различными заболеваниями и т. д.;
• • поле DR содержит кросс-ссылки на идентификаторы данного белка в других Бд (например, PDB);
• • KW — поле, включающее ключевые слова {keywords), характеризующие данную запись.

Пожалуй, самое важное ноле FT {features) содержит список доменов и важных сайтов последовательности с указанием номеров (интервалов) аминокислотных остатков: описания посттрансляционных модификаций, вариантов последовательностей (известные замены остатков), доменную структуру, повторы, элементы вторичной структуры и т. д.

Последнее поле SQ содержит саму аминокислотную последовательность белка.

Базы данных белковых структур. Если переходить к описанию БД пространственных структур молекул, то первая БД, о которой стоит рассказать, — Protein Data Bank. Данная база доступна в сети Интернет по адресу www.rcsb.org/pdb. Каждая запись в этой базе содержит информацию о пространственной структуре белка или белкового комплекса, или же комплекса белок — нуклеиновая кислота. Как это принято в БД, каждая запись обладает уникальным идентификатором, состоящим из четырех символов, каждый из которых может быть цифрой или буквой английского алфавита.

На начальных этапах наполнения базы, как и в случае с БД последовательностей, идентификаторы старались формировать «осмысленно». Так, запись о структуре инсулина имеет идентификатор 3INS, но на данный момент подобная практика не поддерживается. Если файл БД содержит информацию о нескольких различных молекулах одного комплекса, т. е. запись о нескольких полипептидных или полинуклеотидных последовательностях, то для обращения к конкретной цепи к идентификатору записи добавляется символ (буква или цифра), обозначающий последовательность. Упомянутая выше запись 3INS содержит цепи 3INSA, 3INSB, 3INSC и 3INSD. Связано это с тем, что узел кристаллической решетки, использовавшейся для рентгеноструктурного анализа, состоял из двух молекул инсулина, каждая из которых представлена двумя цепями.

Вторая БД, о которой хотелось бы рассказать, — DSSP (swift.cmbi.ru.nl/ gv/dssp), является производной от БД PDB. БД DSSP содержит информацию о вторичной структуре белковых комплексов из PDB. Необходимость создания такой базы была вызвана тем фактом, что информация о вторичной структуре полипептидных цепей, содержащаяся в файлах PDB, предоставляется авторами структурной информации о комплексе и при этом нет указаний, каким способом была получена (рассчитана) эта информация.

На сегодняшний день существует несколько способов расчета вторичной структуры на основании координат атомов. Наиболее известными являются метод Кабша и Сандера, а также метод STRIDE. БД DSSP ориентирована на метод Кабша и Сандера.

Базы данных классификаций белковых структур. К вторичным (производным) БД следует отнести и БД классификаций пространственных структур макромолекул. В случае белковых структур это БД SCOP (scop. mrc-lmb.cam.ac.uk/scop) и CATH (www.cathdb.info). Как правило, классификации белковых структур разбивают отдельные полипептидные цепи на структурные домены (компактные фрагменты третичной структуры белка), после чего домены объединяют в иерархическое дерево. Базовый элемент такого дерева — конкретный домен. Группы доменов, обладающие высокой степенью гомологии, объединяются в семейства (family согласно SCOP). Далее семейства, обладающие менее выраженной гомологией, объединяются в суперсемейства (superfamily — SCOP или homology согласно САТН). Суиерсемейства объединяют на уровне сходства пространственной структуры укладки молекулы, т. е. топологии агрегации элементов вторичной структуры белка, в пространстве (fold — SCOP, topology — по СЛТН).

В САТН выделяют также один уровень — архитектурный (architecture), объединяющий группу типологически близких укладок, и уже укладки (архитектуры) молекул формируют классы, обычно на основании наличия базовых типов вторичной структуры и характера их группирования.