Biologiczne bazy i modele danych

Przełom XX i XXI wieku to okres dynamicznego rozwoju programów sekwencjonowania genomów:

1995 genom Haemophilus influenzae

1997 genom E. coli

1997 genom drożdży S. cerevisiae

1998 genom nicienia Caenorhabditis elegans

1999 genom Muszki owocowej

2000 genom rzodkiewnika A. thaliana

2001 genom człowieka

2005 genom szympansa

2007 pierwszy indywidualny genom człowieka

i wiele innych…………..

Nadeszła era METAGENOMIKI, która zajmuje się uzyskiwaniem i analizą sekwencji genomowych całych populacji a nie pojedynczych organizmów

Termin "bioinformatyka" po raz pierwszy pojawił się w 1989 roku

Bioinformatyka jest nauką interdyscyplinarną, która integruje: biologię

molekularną, informatykę, matematykę, genetykę, genomikę oraz

biochemię

Bioinformatyka rozwiązuje problemy nagromadzone w wyniku

intensywnego rozwoju nauk przyrodniczych przy użyciu metodologii nauk

informatycznych: używa metod komputerowych w celu uzyskania

odpowiedzi na pytania biologiczne

Oxford English Dictionary definiuje bioinformatykę jako: " Naukę

zbierania i analizowania złożonych biologicznych danych takich jak kod

genetyczny".

Bioinformatyka

(ang. bioinformatics, biocomputing)

Bioinformatyka

Podstawowym zadaniem bioinformatyki jest rozpoznawanie in silico reguł kierujących zarządzaniem informacją genetyczną przez komórkę dzięki wzorom obserwowanym w ogromie danych sekwencyjnych

• przetwarzanie „surowych” danych o sekwencjach, tworzenie baz danych i zarządzanie bazami danych

• poszukiwanie, analiza i interpretacja informacji z biologicznych baz danych (analiza sekwencji DNA i białek)

• tworzenie nowych algorytmów i metod statystycznych do analizy danych biologicznych: struktury, funkcji, ewolucji genów, białek i całych genomów

• symulacje komputerowe w biochemii i biologii molekularnej

• inne techniki informatyczne związane z naukami biologicznymi

Po co tworzyć biologiczne bazy danych?

•Napływ nowego rodzaju danych biologicznych (sekwencji DNA) wymusił rozwój metod ich analiz i klasyfikacji, pozwalających na ich katalogowanie np. pod względem informacji zakodowanych w DNA i charakteryzowanie związków funkcjonalnych między nimi. Dzięki temu możliwe są analizy porównawcze sekwencji – obecnie kluczowe podejście w procesie opisywania nowo poznanych genomów

•Przedstawianie danych sekwencyjnych w szerszym biomedycznym kontekście który z kolei prowadzi do integracji danych z zakresu biologii molekularnej z innymi dziedzinami (bazami): biologią komórki, metabolomiką, medycyną itd.

Podział baz danych przyrodniczych i biomedycznych

Kiedy powstały pierwsze biologiczne (sekwencyjne) bazy danych?

Historycznie bazy danych nukleotydowe są młodsze niż bazy danych sekwencji białkowych

1965 Dayhoff i wsp. Opublikowali Atlas of Protein Sequences and Structures, w którym zawarli wszystkie znane wtedy sekwencje białkowe (pojemność 1 dyskietki)

1980 roku powstała baza danych EMBL, potem pojawił się GenBank (1982) a następnie DDBJ.

Ile jest baz danych (na koniec 2017):Ok. 1600 + 82 nowych związanych z biologią molekularną

Bazy danych stają się wysoce specjalistyczne:• odziaływania typu białko-białko• niekodujące RNA, microRNA oraz ich docelowe miejsca działania w

komórkach,• geny związane z chorobami

Metabazy: kojarzą ze sobą rekordy z wielu typów baz

The National Center for Biotechnology Information (NCBI)

Zasoby NCBI to nie tylko baza danych GenBank

Czym jest GenBank, co zawiera, jaka jest struktura rekordów zapisanych w tej bazie?

GenBank jest powszechnie dostępną, internetową sekwencyjną bazą

danych, zawierającą sekwencje nukloetydowe, zarządzaną przez

National Center for Biotechnology Information (NCBI) w USA.

Jest częścią przedsięwzięcia jakim jest międzynarodowa współpraca w

tworzeniu bazy danych zawierającej sekwencje nukleotydowe

(International Nucleotide Sequence Database Collaboration - INSDC).

W ramach tej współpracy trzy instytucje: DNA DataBank of Japan (DDBJ),

European Molecular Biology Laboratory (EMBL) oraz GenBank codziennie

wymieniają i uzupełniają własne zasoby zgromadzonych sekwencji

nukleotydowych poszczególnych genów

EBI

GenBank

DDBJ

EMBL

EMBL

Entrez

SRS

getentry

NIG

CIB

NCBI

NIH

•Wprowadzanie•Aktualizacja •Aktualizacja

•Wprowadzanie

•Wprowadzanie•Aktualizacja

•Dane wymieniane codziennie pomiędzy trzema współpracującymi bazami sekwencji nukleotydowch : GenBank, DNA Database of Japan (DDBJ), European Molecular Biology Laboratory Database (EMBL)

Sekwencyjne bazy danych - podział

1. Pierwotne Bazy Danych - Primary Databases

(bezpośrednie wyniki eksperymentów, z nielicznymi interpretacjami – dane pozornie „nieuporządkowane”- dość powierzchowne

Bezpośrednie wprowadzanie pojedynczych rekordów -Oryginalne wprowadzenia - “submissions”(BankIt, Sequin)

Surowe dane sekwencyjne pochodzące z Centrów Genomowych

Obsługa bazy organizuje, ale nie dodaje dodatkowych informacji

2. Pochodne (wtórne) bazy danych - Derivative Databases(uporządkowane zbiory danych) – integracja danych z wielu pierwotnych baz nadaje im dodatkowe ważne informacje

Nadzorowane przez ludzi Składanie, dodawanie i korekta danych z baz pierwotnych Np.: SWISS-PROT, PIR, NCBI RefSeq, mRNA, bazy danych

rodzin białkowych Pochodne komputerowe

Np.: UniGene Łączone

Np.: NCBI Genome Assembly

GenBank jest tzw. pierwotną bazą danych

Struktura rekordów (plików) w bazach danych

•Jest ściśle określona dla poszczególnych baz danych

•Musi być w formacie czytelnym dla człowieka i komputera

•Zawiera absolutnie unikalny element, które precyzyjnie określa dany rekord – kod (numer) dostępu

•Rekordy w bazach danych są tworzone w oparciu o obowiązujący w danej bazie model danych

Model danych NCBI:

•Rekord bazy GenBank jest rekordem „opartym na DNA”

•Pozostałe dane tego modelu tj. translacja regionu kodującego w DNA (o ile występuje) – sekwencja białka, cytowania bibliograficzne, struktury trójwymiarowe białka, powiązania taksonomiczne oraz ewentualne powiązania do map genomów stanowią element dodatkowy, który jak najpełniej stara się opisać sekwencję DNA

Korzyści takiego modelu danych:

•Możliwość integracji programów do przeszukiwania baz danych i samych baz danych

•Możliwość wygodnego śledzenia informacji od sekwencji DNA, jej lokalizacji na mapie chromosomowej do kodowanego białka, jego trójwymiarowego obrazu oraz opublikowanej na dany temat literatur

•Powiązania plików (białko, cytowanie, struktura) z sekwencją DNA wzbogaca model danych i ułatwia potencjalne nowe odkrycia

•Łatwość rozszerzania modelu o kolejne powiązania w miarę ich powstawania bez konieczności nieustannej konwersji formatów

Rekord GenBank

LOCUS AF062069 3808 bp mRNA INV 02-MAR-2000

DEFINITION Limulus polyphemus myosin III mRNA, complete cds.

ACCESSION AF062069

VERSION AF062069.2 GI:7144484

KEYWORDS .

SOURCE Atlantic horseshoe crab.

ORGANISM Limulus polyphemus

Eukaryota; Metazoa; Arthropoda; Chelicerata; Merostomata;

Xiphosura; Limulidae; Limulus.

REFERENCE 1 (bases 1 to 3808)

AUTHORS Battelle,B.-A., Andrews,A.W., Calman,B.G., Sellers,J.R.,

Greenberg,R.M. and Smith,W.C.

TITLE A myosin III from Limulus eyes is a clock-regulated phosphoprotein

JOURNAL J. Neurosci. (1998) In press

REFERENCE 2 (bases 1 to 3808)

AUTHORS Battelle,B.-A., Andrews,A.W., Calman,B.G., Sellers,J.R.,

Greenberg,R.M. and Smith,W.C.

TITLE Direct Submission

JOURNAL Submitted (29-APR-1998) Whitney Laboratory, University of Florida,

9505 Ocean Shore Blvd., St. Augustine, FL 32086, USA

REFERENCE 3 (bases 1 to 3808)

AUTHORS Battelle,B.-A., Andrews,A.W., Calman,B.G., Sellers,J.R.,

Greenberg,R.M. and Smith,W.C.

TITLE Direct Submission

JOURNAL Submitted (02-MAR-2000) Whitney Laboratory, University of Florida,

9505 Ocean Shore Blvd., St. Augustine, FL 32086, USA

REMARK Sequence update by submitter

COMMENT On Mar 2, 2000 this sequence version replaced gi:3132700.

Rekord GenBanku

Podstawową jednostką informacji bazy danych GenBank jest prosty plik tekstowy GBFF

(GenBank Flat File)

GBBF składa się z 3 podstawowych części:

1. Nagłówek

FEATURES Location/Qualifiers

source 1..3808

/organism="Limulus polyphemus"

/db_xref="taxon:6850"

/tissue_type="lateral eye"

CDS 258..3302

/note="N-terminal protein kinase domain; C-terminal myosin

heavy chain head; substrate for PKA"

/codon_start=1

/product="myosin III"

/protein_id="AAC16332.2"

/db_xref="GI:7144485"

/translation="MEYKCISEHLPFETLPDPGDRFEVQELVGTGTYATVYSAIDKQA

NKKVALKIIGHIAENLLDIETEYRIYKAVNGIQFFPEFRGAFFKRGERESDNEVWLGI

EFLEEGTAADLLATHRRFGIHLKEDLIALIIKEVVRAVQYLHENSIIHRDIRAANIMF

SKEGYVKLIDFGLSASVKNTNGKAQSSVGSPYWMAPEVISCDCLQEPYNYTCDVWSIG

ITAIELADTVPSLSDIHALRAMFRINRNPPPSVKRETRWSETLKDFISECLVKNPEYR

PCIQEIPQHPFLAQVEGKEDQLRSELVDILKKNPGEKLRNKPYNVTFKNGHLKTISGQ

BASE COUNT 1201 a 689 c 782 g 1136 t

ORIGIN

1 tcgacatctg tggtcgcttt ttttagtaat aaaaaattgt attatgacgt cctatctgtt

3781 aagatacagt aactagggaa aaaaaaaa

//

Rekord GenBanku, cd.

GBFF jest formą w jakiej wymieniane są dane pomiędzy GenBank, EMBL, DDBJ

2. Tabela cech

3. Sekwencja

LOCUS AF062069 3808 bp mRNA INV 02-MAR-2000

Struktura rekordu w GenBanku

Nazwa Locus

(dawniej oznaczała

faktyczną nazwę locus

którego dotyczył np.

HUMBG)

Długość

sekwencji

Typ cząsteczki

mRNA (= cDNA)

rRNA

snRNA

DNA

GB Division

(dawniej miało znaczenie

taksonomiczne)

Data wprowadzenia

lub modyfikacji

1. Nagłówek: część rekordu charakterystyczna dla bazy danych

Pierwszy wiersz nagłówka we wszystkich GBFF to wiersz LOCUS

VERSION AF062069.2 GI:7144484

ACCESSION AF062069

DEFINITION Limulus polyphemus myosin III mRNA, complete cds.

wiersz definicji - tytuł

podsumowuje informację

biologiczną rekordu

Accession Number (kod dostępu)

Zapisywany jako 1+5 albo 2+6

Numer gi (kolejny numer rekordu

w bazie danych) (znika z rekordów od

09-2016)

Wersja Accession,

Historia aktualizacji

Nagłówek c.d.

Słowa Kluczowe

KEYWORDS .

SOURCE Atlantic horseshoe crab.

ORGANISM Limulus polyphemus

Eukaryota; Metazoa; Arthropoda; Chelicerata; Merostomata;

Xiphosura; Limulidae; Limulus.

Nagłówek c.d.

Nazwa zwyczajowa Nazwa gatunkowa

Powiązania taxonomiczne

według GenBanku

REFERENCE 1 (bases 1 to 3808)

AUTHORS Battelle,B.-A., Andrews,A.W., Calman,B.G., Sellers,J.R.,

Greenberg,R.M. and Smith,W.C.

TITLE A myosin III from Limulus eyes is a clock-regulated phosphoprotein

JOURNAL J. Neurosci. (1998) In press

REFERENCE 2 (bases 1 to 3808)

AUTHORS Battelle,B.-A., Andrews,A.W., Calman,B.G., Sellers,J.R.,

Greenberg,R.M. and Smith,W.C.

TITLE Direct Submission

JOURNAL Submitted (29-APR-1998) Whitney Laboratory, University of Florida,

9505 Ocean Shore Blvd., St. Augustine, FL 32086, USA

REFERENCE 3 (bases 1 to 3808)

AUTHORS Battelle,B.-A., Andrews,A.W., Calman,B.G., Sellers,J.R.,

Greenberg,R.M. and Smith,W.C.

TITLE Direct Submission

JOURNAL Submitted (02-MAR-2000) Whitney Laboratory, University of Florida,

9505 Ocean Shore Blvd., St. Augustine, FL 32086, USA

REMARK Sequence update by submitter

COMMENT On Mar 2, 2000 this sequence version replaced gi:3132700.

Odnośniki literaturoweNagłówek c.d.

FEATURES Location/Qualifiers

source 1..3808

/organism="Limulus polyphemus"

/db_xref="taxon:6850"

/tissue_type="lateral eye"

CDS 258..3302

/note="N-terminal protein kinase domain;

C-terminal myosin heavy chain head; substrate for PKA"

/codon_start=1

/product="myosin III"

/protein_id="AAC16332.2"

/db_xref="GI:7144485"

/translation="MEYKCISEHLPFETLPDPGDRFEVQELVGTGTYATVYSAIDK

NKKVALKIIGHIAENLLDIETEYRIYKAVNGIQFFPEFRGAFFKRGERESDNEVWL

"

2. Tabela Cech – środkowy segment GBFF

Cecha: źródło biologiczne

-pochodzenie materiału

genetycznego,

Cecha: sekwencja

kodująca białko (jeśli DNA koduje

białko)

Jeśli DNA koduje białko pojawiają się dodatkowe

informacje tzw. kwalifikatory

-rodzaj kodu genetycznego

-faza (ramka )odczytu kodonów

odnośniki krzyżowe do bazy

danych sekwencji białkowych

BASE COUNT 1201 a 689 c 782 g 1136 t

ORIGIN

1 tcgacatctg tggtcgcttt ttttagtaat aaaaaattgt attatgacgt cctatctgtt

<opuszczona sekwencja>

3721 accaatgtta taatatgaaa tgaaataaag cagtcatggt agcagtggct gtttgaaata

3781 aagatacagt aactagggaa aaaaaaaa

//

3. Sekwencja

Początek podawania

sekwencji

Znak: koniec rekordu

Statystyka składu

sekwencji nt

Format EMBL

Numer dostępu

OPIS

Odnośniki literaturowe

Tabela cech:

Nazwa organizmu, taksonomia, ramka odczytu itp.

Odsyłacze (odnośniki krzyżowe) do rekordów innych baz powiązanych z tą sekwencją

>gi|205364858|gb|DQ836933.2| Rhizobium leguminosarum

bv. trifolii strain TA1 lipid A oxidase (lpxQ) gene, complete

cds

AAAAGCCATATGCCGTCGAGGGCAAGGTCAGCTGCGGCACCAAATAGCGCCGCAGCCGAAATTTACTCTT

ACCAGTGGAACGATACGCCGACGTTGACGGCATTCGTGAAGATGTTGGTCTTCAGGTCCACGCCGCTATC

GATCGGAACGTCGATGCGCGAATAGGTGCCCTTGTATTCGACGAAGGTCGACCAGCGCTCGGTCACCTTG

AAGTCGACGCCGGCCTGGGCCTGCAGCGTCACGCCGCCGAATTCATAAGCCCAGGTCTTGCCCTCAGGGC

GAATCACTTCGACATGCGGAATGTTCACGCCGATGCCGGCGCCGAGATAGGGCGTCCAGCGGCGGGTCGG

ATCCTGGAAGCGATAGAGACCGTTCACCGTGATGAGGTTCAGGCCGTCGGTGAATTCGAAATGCGACCAG

CCGGTCTTGGCCAGCGTATCGTCGTCGGCATAGACCTTGTCATGGGTATAATCGAGCGAGATACCCCAGT

TCGGTTTGTTGAAGTTCTCGAGCCACCAGGTGACGCGGCCGCCGTAATAAGGCGGGCTGCCGAAGGACTT

GCCTTCCCAGCCGGCGGTGAAATGCGTGCCGTCGGAGAGATCGACGCCGCTGTGTGGTGCGGTCTGATAG

CCGCCGTAGACGGAGAATTGCAGATCTTCCGCCGAGGCGGAAGCTGCCGAACAGATGGTGAAAAACGCGA

TGCCCGCAAGCAGTGAAGCGGAGGAACGCAGCGCATATGTCATTGAATAGCCCCGATATTGCAAATGTGT

CGACTCTTAGGCAGGTTTGCCAGCTTTTGGCCGCAAAGTCTAAGCAAAACAAAAGGCGCGTCAAATGCGC

Numer w bazieIdentyfikator bazy

danych: gb oznacza

GenBankKod dostępu

Opis rekordu i nazwa genu

Format Fasta – maksymalnie uproszczona wersja rekordu