Базы данных геномов

геномика база филогенетический В настоящее время в сети Интернет существуют сотни баз данных, которые доступны для обзора и поиска данных по молекулярной биологии и другим смежным дисциплинам. Каждая из них имеет свой формат хранения данных, различную степень избыточности, взаимосвязи с родственными или аналогичными базами данных. Каждая база данных имеет также свои средства доступа к информации — различные поисковые программы, программные средства визуализации, пополнения базы. Крупнейшие хранилища первичных структур ДНК и аминокислотных последовательностей (такие, как EMBL, GenBank, DDBJ, SWISS-PROT, Ensembl и др.) пополняются аннотированными последовательностями непосредственно исследователями, расшифровавшими их, с помощью автоматизированной системы пополнения баз данных по сети Интернет. Конечно, впоследствии эти данные проверяются персоналом администраций баз данных и существенно пополняются. Вторым основным источником информации во всех базах является специальная научная литература. Многие базы данных, работающие над коллекционированием однородной информации, координируют свои усилия, осуществляя международное разделение труда, это можно проиллюстрировать примером сотрудничества трех всемирных коллекций последовательностей нуклеотидов EMBL (Европа), GenBank (США), DDBJ (Япония).

GenBank

GenBank — база данных генетических последовательностей, поддерживаемая NIH, аннотированная коллекция всех общедоступных последовательностей ДНК, РНК и белков, снабженных литературными ссылками, различной биологической информацией. Обновляется каждые два месяца. Является частью International Nucleotide Sequence Database Collaboration, которая объединяет три крупнейшие коллекции нуклеотидных последовательностей: DDBJ (NIG), EMBL (EBI) и GenBank (NCBI). Три организации осуществляют разделение труда и ежедневно обмениваются новой информацией. Большинство журналов требуют предварительной посылки последовательностей в любую из этих трех баз данных до опубликования статьей о них. В статьях, посвященных очередной порции секвенированных последовательностей, должен упоминаться лишь номер последовательности в базе данных. NCBI постоянно совершенствует и создает новые средства для помещения новых последовательностей в базу, средства эффективного поиска в базе.

Крупнейшая интегрированная поисковая система ENTREZ для нуклеотидных и аминокислотных последовательностей, библиографии (PubMed), полных геномов (Genomes), а также трехмерных структур белков (MMDB) создана и поддерживается NCBI. При этом поиск ДНК и белков не ограничивается только ресурсами GenBank, но и другими доступными по сети хранилищами информации.

Адрес: http://www.ncbi.nlm.nih.gov/Genbank/GenbankOverview.html.

EMBL — the EMBL Nucleotide Sequence Database.

База данных нуклеотидных последовательностей Европейской Молекулярно-Биологической Лаборатории пополняется большей частью непосредственно авторами, определившими первичную структуру фрагмента ДНК или РНК и, кроме последовательности нуклеотидов, содержит разнообразную информацию о каждом фрагменте, включая литературные ссылки, перекрестные ссылки на документы других баз данных, таблицы особенностей и др. Существует с 1982 года. База данных — продукт сотрудничества EMBL (ФРГ), GenBank (США) и DDJP (Япония), каждая из этих трех групп собирает свою порцию информации из всех возможных мировых источников, ежедневно обмениваясь новыми и обновленными документами друг с другом. Удобна своей географической близостью для доступа на территории Европы. В России есть сайт, на котором хранится ежедневно обновляемая копия базы (http://www.genebee.msu.su/, отв. Скулачев В.П.). Адрес: http://www.ebi.ac.uk/embl/.

HGMD — Human Gene Mutation Database.

Содержит информацию обо всех опубликованных повреждениях генов, приводящих к наследственным заболеваниям у человека. Документы базы аннотируют все гены, находящиеся в ядре. Гены митохондриального генома и соматические мутации исключены. Мутации, выявленные на уровне белкового сиквенса, не входят в базу чтобы избежать ошибок из-за отсутствия анализа на уровне ДНК. Молчащие мутации, не приводящие к изменению аминокислотной последовательности тоже исключены. С марта 1999 года включены данные о полиморфизме, связанном с болезнями. Данные берутся из тех же самых журналов, что и данные о мутациях (>250). Сопровождается Институтом медицинской генетики (University of Wales, Cardiff, UK).Адрес: http://archive.uwcm.ac.uk/uwcm/mg/hgmd0.html.

KEGG — Kyoto Encyclopedia of Genes and Genomes.

Попытка компьютеризировать все современное знание в молекулярной и клеточной биологии в терминах информационных путей. Это база знаний по систематическому анализу функций генов. Создается институтом химических исследований (Kyoto University, Japan) в рамках японской программы по геному человека. Содержит 6 баз данных — метаболических путей (PATHWAY), генов (GENES) и лигандов (LIGAND), экспериментальных данных по экспрессии генов (EXPRESSION и BRITE), по белкам (SSDB) и обширные возможности для работы со всеми крупными мировыми информационными ресурсами. Базы данных KEGG представляют данные в виде графических диаграмм, включающих большинство метаболических путей и некоторые из наиболее известных регуляторных путей. Кроме того, информация о путях представлена в виде таблиц ортологов, которые содержат как гены-ортологи, так и паралоги из различных организмов. Обновляются базы ежедневно.

Адрес: http://www.genome.ad.jp/kegg/.

UniGene

База данных, которая содержит кластеры похожих последовательностей. Каждый кластер представляет один ген и содержит попутную информацию, например, название ткани, где этот ген экспрессирован. Кроме хорошо известных генов в базу данных включены сотни тысяч новых концов экспрессирующихся последовательностей (EST — expressed sequence tags). Служит для поиска генов в новых последовательностях, а также для определения реагентов при секвенировании генов и их экспрессии. Кластеризация осуществляется автоматически.

Адрес: http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=unigene.

PROSITE — PROtein SITEs and patterns dictionary.

База данных различных паттернов функциональных и регуляторных участков. С помощью этой коллекции можно определить, принадлежит ли, и к какому именно, семейству белков новая последовательность пользователя, или какой важный домен она содержит. Версия 17.21 этой базы, датированная сентябрем 2002 года содержит 11 148 единиц хранения, которые описывают 1568 различных паттернов, правил и матриц.

Адрес: http://www.expasy.ch/prosite/.

GenBank (http://www.ncbi.nlm.nih.gov/Genbank/).

База данных нуклеотидных последовательностей более чем из 70,000 организмов (для кодирующих последовательностей приведена трансляция). GenBank-участник (вместе с EMBL и DDBJ) консорциума баз данных (базы данных обмениваются данными ежедневно и потому эквивалентны; описания и номера всех последовательностей одинаковы).

Для представления последовательностей в GenBank предложено два инструмента (перед отправкой полезно провести поиск векторных последовательностей с помощью VecScreen (http://www.ncbi.nlm.nih.gov/ VecScreen/) — инструмента, позволяющего идентифицировать в предложенной последовательности компоненты векторов, линкеров или адаптеров. Разработан для предотвращения загрязнения публичных баз данных векторами и т. п):

• а) BankIt (http://www.ncbi.nlm.nih.gov/BankIt/) — Интернет-представление одной или нескольких последовательностей.
• б) Sequin (http://www.ncbi.nlm.nih.gov/Sequin/) — Интернет-представление для длинных последовательностей, полных геномов, результатов популяционных и филогенетических исследований.

Разделы GenBank:

ESTs — expressedsequencetags; короткие (300−500), просиквенированные один раз кДНК последовательности. Также включают последовательности кДНК из RACE и differentialdisplay экспериментов.

GSSs — genomesurveysequences; короткие, просиквенированные один раз геномные последовательности, ограниченные экзоном последовательности, cosmid/BAC/YAC концы и т. п.

HTGs — highthroughputgenomesequences от крупных сиквенсовых центров. Незавершенные и завершенные последовательности.

STSs — sequencetaggedsites; короткие (200−500) последовательности, уникальные для данного генома. Используются для картирования геномов.

RefSeq (http://www.ncbi.nlm.nih.gov/LocusLink/refseq.html).

База данных ссылающихся последовательностей. Неповторяющиеся последовательности геномной ДНК, мРНК и известных белков (в будущем — хромосом).

DbSNP (http://www.ncbi.nlm.nih.gov/SNP/).

База данных простых нуклеотидных полиморфизмов, небольших делеций/инсерций, полиморфных повторяющихся элементов и микросателлитных вариаций (как клинических, так и нейтральных). Содержит популяционные частоты распространённости.

UniGene (http://www.ncbi.nlm.nih.gov/UniGene/).

В этой базе данных ESTs и полноразмерные мРНК последовательности организованы в уникальные кластеры, представляющие известные или предполагаемые гены. Для кластеров представлена информация по картированию, экспрессии и другие ресурсы.

В настоящее время для четырёх организмов: Homosapiens, Musmusculus, Rattusnorvegicus, Daniorerio.

BLAST

Сравнение представленной последовательности с последовательностями в базе данных для выбора подобных последовательностей. В настоящее время реализована версия GappedQBLAST (2.0). QBLAST позволяет получать результаты BLAST по номеру запроса известному только Вам (можно несколько раз, результаты не слишком больших поисков хранятся в течении 24 часов). При повторных запросах есть возможность слегка менять форму представления результата. Эта версия:

• ? разрешает пробелы при сравнении последовательностей (так что результат не разбивается на несколько последовательностей);
• ? позволяет выполнять поиск по специфическим организмам;
• ? реализует PSI-BLAST (Positionspecificiterated поиск, http://www.ncbi.nlm.nih.gov/blast/psiblast.cgi), при котором статистически значимые выравнивания преобразуются в множественное выравнивание всех белков. По этому выравниванию генерируется матрица, которая может быть использована для следующих итераций.

БАЗА ДАННЫХ ENSEMBL

Общая информация

Ensembl — совместный проект EMBL — EBI и SangerCentre с целью создания программной системы для автоматической аннотации эукариотических геномов. Осуществляет (бесплатно) следующие возможности: поиск ДНК из человеческого генома, обзор хромосом, поиск белков и белковых семейств. Проект Ensembl стремится обеспечивать соответствие следующим критериям: точный, автоматический анализ данных генома; анализ и аннотациии основаны на текущих, своевременно обновляемых данных; доступность полученных данных для всех через сеть Интернет; предоставление данным другим лабораториям по биоинформатике. Основной акцент в базе данных Ensembl сделан на позвоночных геномах, но другие группы адаптировали систему для использования с растительными и грибковыми геномами.

Адрес: http://www.ensembl.org/.

Средства поиска и отображение информации

Поиск по базе данных Ensembl доступен непосредственно с главной страницы. Для осуществление поиска вводится искомая фраза (например, название гена) и выбирается организм, по базе которого необходимо произвести поиск. В результате поиска выводится список ссылок на наиболее релевантные поиску нуклеотидные последовательности, при этом каждая последовательность снабжена краткой информацией. Перейдя по ссылке «contigview», можно посмотреть расположение данной последовательности на хромосоме, однако это применимо только для генов, кодирующих белки. Структура отображения информации о нуклеотидной последовательности схожа с организацией такого сервиса в базе данных Uni-Prot: имеются поля содержащие определённую информацию о последовательности в своём формате, сформированные по группам.

Далее приводятся группы и поля используемые для описания нуклеотидной последовательноти.

Раздел Ensembl Gene Report состоит из следующих полей:

Gene — в данном поле приводится название гена, с указанием откуда взято данное название.

Ensembl Gene ID — идентификатор гена в базе Ensembl, может изменяться от одного выпуска к другому.

Genomic Location — локализация гена на хромосоме, перейдя по ссылке, есть возможность более детального рассмотрения данного гена на хромосоме с помощью «ContigView».

Description — описание белка, закодированное данным геном, описание берётся из базы NCBI RefSeq или UniProt/TrEMBL, если в этих базах данные гены не описаны поле description остаётся пустым.

Prediction Method — в данном поле дано краткое резюме метода, используемого для предсказания генного набора (Ensembl genes, EST genes).

Transcripts — это поле содержит информацию об индивидуальных расшифровках транскрипта для данного гена вместе с символом гена и номером транскрипта в Ensembl. Ссылки [Transcript information], [Exon information] и [Protein information] позволяют получить более подробную информацию о транскиптах с помощью «TransView», «ExonView», и «ProteinView» страничек соответственно. На странице транскрипции данного гена («TransView») доступна информация об аминокислотной последовательности и соответствующей ей последовательности нуклеотидов, с возможностью отображения границ экзонов, номеров аминокислотных и нуклеотидных остатков, а также информации о нуклеотидных полиморфизмах (SNP) данной последовательности. Страница «ExonView» содержит информацию об интрон-экзонной структуре выбранной последовательности с возможностью отображения полных интронов, либо их частей, граничащих с экзонами.

Alignments — поле содержит ссылки на другие виды, с которыми этот ген может рассматриваться в геномном выравнивании.

Orthologue Prediction — содержит информацию об ортологической связи с генами других видов, также есть ссылка на гомологи гена с другими видами.

Раздел Gene DAS Report

Содержит единственное поле. «GeneDAS» — семантическое расширение к DAS протоколу, который позволяет обмениваться аннотациями через идентификаторы белка или гена. Ensembl «GeneView» действует как клиент для данного сервера, используя эти данные как дополнительные аннотации для генов описанных в Ensembl.

Раздел Transcript’s

Раздел состоит из серии таблиц суммирующих информацию о каждом транскрипте и его продукте трансляции относительного данного гена.

Раздел Transcript состоит из следующих полей:

Transcript — название, назначенное транскрипту, соответствует названиям данного транскрипта во внешних базах данных.

Transcriptinformation — информация о транскрипте — количество экзонов, длина транскрипта, длина аминокислотной последовательности, ссылки на страницы «Transcript info», «Exon information» и «Protein information».

AlternateTranscripts — другие транскрипты Ensembl с такой же кодирующей последовательностью (CDS).

SimilarityMatches — в данном поле находятся ссылки на информацию о выбранном транскрипте во внешних базах данных. Ссылки к UniProt/Swiss-Prot, NCBI RefSeq и UniProt/TrEMBL сделаны на основе подобия последовательности. Кроме того, для каждой ссылки на «внешний» транскрипт отображаются проценты идентичности, рассчитанные на уровне белка.

OligoMatches — поле содержит информацию и ссылки на биологические микрочипы, с помощью которых возможно идентифицировать данный транскрипт.

InterPro — в данном поле описываются консервативные области белка определённые базой данных InterPro путём трансляции представленных транскриптов.

ProteinFamily — указывается белковое семейство Enseml, с которым соотносится данный транскрипт.

TranscriptStructure — диаграмма, на которой показана экзон-интронная структура модели транскрипта в Ensembl. Любые нетранслируемые регионы транскрипта (5' и 3' UTRs) отображаются как окрашенные линии, в то время как кодирующий регион (CDS) окрашен в основной цвет. Черные стрелки указывают размер геномной области, занятой моделью транскрипта. Маленькая красная стрелка указывает ориентацию транскрипта относительно последовательности генома в стандартной записи.

ProteinFeatures — диаграмма показывает масштабный отрезок, соответствующуй числу аминокислот в белке, вместе с отрезками, представляющими местоположение консервативных областей белка из базы данных InterPro.