1 Bioinformatyczne bazy danych cz. IGrzegorz Koczyk © 2003
2 Bazy danych informacji biologicznejZoorganizowane zbiory dużych ilości danych biologicznych. Z reguły połączone z oprogramowaniem do manipulacji tymi danymi: przeszukiwania odzyskiwania dołączania Cechy dobrej bazy danych Łatwy dostęp Możliwość precyzyjnego uzyskiwania pożądanych informacji
3 Bazy danych informacji biologicznejBioinformatyczne bazy danych Primary zautomatyzowane zbieranie rekordów bezpośrednio z badań NCBI, DDBJ, EMBL Secondary poświęcone konkretnemu organizmowi (TAIR) lub danym (UniGene, dbSNP) tworzone automatycznie (NCBI UniGene) lub nadzorowane (NCBI RefSeq)
4 „Jeden wpis, jeden plik” – FASTAPojedyńczy plik reprezentuje pojedyńczą sekwencję. Przykład: FASTA Accession.Version >gi| |gb|CF |CF TaRGA.C2 [...] ACAATTGGTTTATGCCCATGAGGAGAAAGACAAGAAAGACAACAAGGAAGGTCACTTCGACCTGGTTATGTGGGTCCATGTCTCTCAGAGTTTTAGTGTGGGCGACATCTTCAAGGAGTTGTATGAGGCAGCTTCAGAGCCTAAGGTTGCATGCCCTCAATTTCATAACCTGAATGCCTTGGAAAAGGAATTGGAGAGGAAACTAGATGGAAAAAGATTCCTTCTAGTACTAGATGATGTCTGGTGCAACAAGGATGTCGGTAACGAGGAGCTACCAAAGTTACTTACTCCACTGAAGAAAGGAAAGAGAGGAAGCAAGATCCTAGTGACAACTCGAAGTAAATTTCCATTGTCGGATCAAGGTCCCGGTGTGCGGCATACTGCAATGCCAATAAATGAGGTTAATGATACTGCCTTCTTCGAGCTATTCATGCACTATGCCCTCGAAGAAGGCCAAGACTGGAGCCTGTTCAAGACCATTGGTGAGGAGATTGCAGAAAAGCTG Numer GI
5 Struktura przechowywanych danychBaza danych KLUCZ unikalny identyfikator Rekord bazy danych (sekwencja, publikacja) Rekord = Wpis Adnotacje (geny, nazwiska autorów) Pole = Adnotacja podtyp POWIĄZANIE (niekoniecznie z wpisem tej samej bazy) Adnotacje (geny, nazwiska autorów) Kolejne poziomy adnotacji ....
6 „Jeden wpis, jeden plik” – model „flat file”Pojedyńczy plik reprezentuje pojedyńczy wpis (np. sekwencję). Przykład: GenBank Flat File Format LOCUS NC_ bp DNA circular PLN 06-AUG-2003 DEFINITION Arabidopsis thaliana chloroplast, complete genome. ACCESSION NC_000932 VERSION NC_ GI: KEYWORDS . SOURCE chloroplast Arabidopsis thaliana (thale cress) ORGANISM Arabidopsis thaliana Eukaryota; Viridiplantae; Streptophyta; Embryophyta; Tracheophyta; Spermatophyta; Magnoliophyta; eudicotyledons; core eudicots; rosids; eurosids II; Brassicales; Brassicaceae; Arabidopsis. REFERENCE 1 (sites) AUTHORS Sato,S., Nakamura,Y., Kaneko,T., Asamizu,E. and Tabata,S. TITLE Complete structure of the chloroplast genome of Arabidopsis thaliana JOURNAL DNA Res. 6 (5), (1999) MEDLINE PUBMED FEATURES Location/Qualifiers source /organism="Arabidopsis thaliana" /organelle="plastid:chloroplast" /mol_type="genomic DNA" /cultivar="Columbia" /db_xref="taxon:3702" Accession.Version Identyfikator GenBank Powiązanie z bazą PubMed Powiązanie z wpisem taksonu
7 „Jeden wpis, jeden plik” – model „flat file”FEATURES Location/Qualifiers source /organism="Arabidopsis thaliana" /organelle="plastid:chloroplast" /mol_type="genomic DNA" /cultivar="Columbia" /db_xref="taxon:3702" gene complement(join( , )) /locus_tag="ArthCp001" CDS complement(join( , , )) /codon_start=1 /transl_table=11 /product="ribosomal protein S12" /protein_id="NP_ " /db_xref="GI: " /translation="MPTIKQLIRNTRQPIRNVTKSPALRGCPQRRGTCTRVYTITPKK PNSALRKVARVRLTSGFEITAYIPGIGHNLQEHSVVLVRGGRVKDLPGVRYHIVRGTL DAVGVKDRQQGRSKYGVKKPK„ BASE COUNT a c g t ORIGIN 1 atgggcgaac gacgggaatt gaacccgcga tggtgaattc acaatccact gccttaatcc 61 acttggctac atccgcccct acgctactat ctattctttt ttgtattgtc taaaaaaaaa 121 aaaaaataca aatttcaata aaaaataaaa aaaggtagca aattccacct tatttttttt 181 ctaataaaaa atatatagta attttttatt atttattatt attatttatt attaatataa 241 taaataaagt aaaatatgat actctataaa aatttgctca tttttataga aaaaaacgag Adnotacja (feature) Adnotacja niższego poziomu (qualifier) Adnotacja (base count) Sekwencja
8 Wady modelu„flat file”brak możliwości ograniczenia zapytania do pewnych pól (bez przeglądania całych plików) powolne zapytania, powolne dołączanie nowych wpisów (ponownie konieczność przeglądania całych plików) jednoczesność (co będzie jak kilka osób zmodyfikuje jednocześnie ten sam wpis) spójność (jak sprawdzać czy wprowadzane wartości są prawidłowe – np. czy powiązania wskazują na istniejące zapisy)
9 Indeksowanie identyfikator #1 Arabidopsis thaliana Triticum aestivumHordeum vulgare identyfikator #3 Mus musculus Canis lupus Indeks umożliwia dotarcie do kluczy wpisów zawierających żądaną adnotację / słowo kluczowe (tu: nazwę taksonu) – bez przeszukiwania całej bazy. Xenopus laevis Homo sapiens
10 NCBI Entrez – system naczyń połączonych Zintegrowany system dostępu do informacji (sekwencje, struktury, literatura...)
11 Powiązania, a sąsiedztwoPowiązania to statyczny, zakodowany we wpisie związek pomiędzy nim a innymi wpisami (w tej samej bazie lub innych). Sąsiedztwo to dynamiczny związek pomiędzy wpisem, a podobnymi do niego wpisami. Przykłady sąsiedztw: - podobne sekwencje (BLAST) - podobne struktury (VAST) - podobne artykuły (word weighting)
12 NCBI Entrez – system naczyń połączonychWord weight PubMed abstracts Phylogeny Taxonomy 3 -D Structure 3-D Structure VAST Genomes Nucleotide sequences Protein sequences BLAST BLAST
13 (domyślnie zapytanie odnosi się do wszystkich zindeksowanych pól)Zapytania w Entrez Pojedyńcze zapytanie tworzy się dodając do słowa kluczowego informację do jakiego zindeksowanego pola ma się odnosić. wheat [Organism] wheat (domyślnie zapytanie odnosi się do wszystkich zindeksowanych pól) W przypadku zapytania o liczby lub daty, zakres podaje się oddzielając wartości „:”. 1980/01/01:2000/01/01[Publication Date]
14 Zapytania w Entrez - spójnikiwheat [Organism] AND (Feuillet [Author] OR Keller[Author]) NOT 1980/01/01:2000/01/01[Publication Date] Poszczególne zapytania cząstkowe łączone są przy pomocy spójników (operatorów logicznych) AND obydwa warunki muszą być spełnione (spójnik domyślny) OR przynajmniej jeden z warunków musi być spełniony NOT dany warunek nie ma być spełniony (interpretowane jako AND NOT)
15 Zapytania w Entrez - nawiasywheat [Organism] AND (Feuillet [Author] OR Keller[Author]) NOT 1980/01/01:2000:/01/01[Publication Date] a to już coś innego: wheat [Organism] AND Feuillet [Author] OR Keller[Author] NOT 1980/01/01:2000:/01/01[Publication Date] zapytania interpretowane są od lewej do prawej wszystkie spójniki są równej wagi (nie ma pierwszeństwa) nawiasy powodują traktowanie zawartości jako odrębnego zapytania
16 Zapytania w Entrez – ciągi wyrażeń„Triticum aestivum” [Organism] Ciąg słów jest interpretowany, jako całość tylko jeśli stanowi poprawną wartość w indeksie. W innym wypadku, cudzysłowy NIE WYMUSZAJĄ interpretowania ciągu jako całości ! Zapytanie w postaci ciągu liczb (tylko i wyłącznie liczb) jest interpretowane jako lista unikalnych identyfikatorów wpisów, połączona spójnikiem OR. Wszystkie wpisy o podanych identyfikatorach zostaną odzyskane z bazy !
17 Dane literaturowe - PubMedStreszczenia i cytacje z ponad 4500 periodyków Większość wpisów pochodzi z anglojęzycznych źródeł lub posiada angielskie streszczenia.
18 Dane literaturowe - Books około 30 tytułów, gł. tematyka biomedyczna między innymi: „Molecular Biology of the Cell” „Molecular Cell Biology” „Introduction to Genetic Analysis” „Genomes”
19 Dane literaturowe – PubMed Central archiwum artykułów, dostępnych bez opłaty ponad 50 periodyków (+47 pozycji BioMed Central), w tym: Plant Cell Plant Physiology PNAS Nucleic Acids Research
20 PubMed - zapytania Pierwotnie słowa nieokreślone co do pola są sprawdzane względem trzech indeksów: Terminów biomedycznych z MeSH (słownik hierarchiczny = same terminy i słowa oznaczające ich synonimy oraz podkategorie) Nazw znanych periodyków np. („New England Journal of Medicine”) odpowiada skrótowi „N Engl J Med” Autorów - o ile zapisany ciąg pasuje do formatu:
21 PubMed – znaleźć artykuł[TI] Article Title [DP] Publication Date [TA] Journal Title [VI] Volume [UID] Unique Identifier [IP] Issue [PG] Pagination
22 PubMed – znaleźć autoraAuthor [AD] Affiliation PubMed – znaleźć słowo [TI] Title [AB] Abstract [TIAB] Title/ Abstract [TW] Text Word
23 Narzędzia pomocnicze Limits (ograniczenia) pozwala ograniczyć przeszukiwanie do określonego(zindeksowanego) pola Preview/Index (podgląd) pozwala przejrzeć zindeksowane pola i ich możliwe wartości History przechowuje poprzednie rezultaty – można się do nich odwoływać Clipboard (schowek) pozwala przeglądać zachowane cytacje Details pozwala przejrzeć szczegóły zapytania i wynikłe błędy
24 Powiązania z innymi wpisamiPowiązania z wpisami innych baz, oraz powiązania zewnętrzne (LinkOut) Poszukiwanie pokrewnych artykułów (ważenie słów kluczowych = word weighting)
25 PubMed - Limits Ograniczenie do typu publikacji, np. JournalOgraniczenie zapytania do wybranego pola Data publikacji
26 PubMed – Preview/IndexWstępnie przetwarza zapytanie (pokazuje ilość znalezionych wpisów) Wyświetla kolejną partię możliwych wartości pola
27 Można używać dawnych zapytań, jako terminówPubMed - History Można używać dawnych zapytań, jako terminów
28 PubMed - Details Modyfikacja zapytania,widoczne końcowe łączenie terminów Modyfikacje wprowadzone przez Entrez
29 PubMed - Clipboard Możliwości: Text, File, Clipboard
30 Dane sekwencji - bazy Początkowy format baz danych był formatem flat-file. Równolegle funkcjonowało kilka inicjatyw. EMBL DDBJ GenBank SRS Entrez getentry
31 GenBank – pierwotna baza danych NCBIpełne uaktualnienia co dwa miesiące uaktualnienia przyrostowe codziennie obecnie dostępna tylko przez Internet ftp://ncbi.nlm.nih.gov
32 Ograniczenie do określonego typu cząsteczki (np. rRNA)Nucleotide - Limits Sposób pokazywania wpisów „składanych” Ograniczenie do określonego typu cząsteczki (np. rRNA) Ograniczenie do określonej bazy danych np. sekwencji referencyjnych RefSeq
33 Protein – Limits Wybór lokalizacji (jądro, organelle)
34 Zbiorcze zapytania (Batch Entrez)
35 Zapytania w bazach sekwencji - polaSkrót Pełna nazwa Opis [ACCN] Accession unikalny kod Accession przyporządkowany rekordowi [ALL] All wszystkie terminy znajdujące się w dowolnym polu bazy [AUTH] Author autorzy powiązanych publikacji [ECNO] EC/ RN Number numery klasyfikacji enzymów (EC lub CAS) [FKEY] Feature Key adnotowane na wpisach sekwencji „features” [FILT] Filter przefiltrowane podzbiory danej bazy
36 Zapytania w bazach sekwencji - polaSkrót Pełna nazwa Opis [GENE] Gene Name standardowe/potoczne nazwy genów w bazie [ISS] Issue numer periodyku w którym opublikowano dane [JOUR] Journal nazwa (skrócona) lub ISSN periodyku [KYWD] Keyword słowa kluczowe ze słowników GenBanku, EMBL, DDBJ, SWISS-Prot, PIR, PRF lub PDB. [MDAT] Modification Date daty ostatniej modyfikacji rekordów (YYYY/MM/DD)
37 Zapytania w bazach sekwencji - polaSkrót Pełna nazwa Opis [MOLWT] Molecular Weight waga białka (pole 6-cyfrowe, uzupełniane zerami) [ORGN] Organism nazwa taksonu do którego odnosi się wpis [PAGE] Page numery pierwszych stron powiązanych publikacji [PROP] Properties własności sekwencji białkowej lub nukleotydowej (typ molekuły, pododdział GenBanku itp.) [PROT] Protein Name nazwy białek zawartych w bazie
38 Zapytania w bazach sekwencji - polaSkrót Pełna nazwa Opis [PDAT] Publication Date daty powiązanych publikacji w formacie YYYY/MM/DD [SQID] SeqID String unikalne identyfikatory wszystkich wpisów [SLEN] Length długość sekwencji [SUBS] Substance Name nazwy substancji powiązanej z wpisem (rejestr CAS lub nazwa MEDLINE) [TITL] Title word słowa znalezione w liniach definicji rekordów (organizm, nazwa genu/produktu, symbol genu, typ molekuły...)
39 Zapytania w bazach sekwencji - polaSkrót Pełna nazwa Opis [UID] Uid unikalne identyfikatory publikacji powiązanych z wpisami [WORD] Text word dowolne zindeksowane słowo w opisie wpisu [VOL] Volume tomy periodyków związane z wpisami bazy
40 Bazy sekwencji – poznać wpis po artykule[JOUR] Journal Name [PDAT] Publication Date [AUTH] Author [VOL] Volume [UID] Unique Identifier [ISS] Issue [PAGE] Page
41 Bazy sekwencji –poznać wpis po opisie[TITL] Title (słowa w definicji rekordu) [SLEN] Sequence Length [MDAT] Modification Date [MOLWT] Molecular Weight (rekordy białek) [WORD] Text Word (dowolne słowo w opisie rekordu) [GENE] Gene [ECNO] EC/RN Number (rekordy białek) [ACC] Accession [PROT] Protein
42 GenBank divisions – gbdiv_XXX [PROPS]Tradycyjne (pseudo-taksonomiczne): BCT (bacteria) INV (invertebrate) MAM (other mammals) PHG (phages) PLN (plants, fungi, algae) PRI (primate) ROD (rodents) SYN (synthetic) UNA (unannotated) VRL (viral) VRT (other vertebrate) Podział ze względu na naturę sekwencji: PAT Patent EST Expressed Sequence Tags STS Sequence Tagged Sites GSS Genome Survey Sequences HTG High Throughput Genome HTC High Throughput cDNA CON Contig
43 Kilka uwag – Protein & Nucleotide- poszukiwanie „synonimów” (sekwencji identycznych) – BLAST bez maskowania - rekordy powiązane PDB i SWISSPROT nie są oryginalnymi rekordami i należy je dodatkowo sprawdzić w bazach macierzystych Molecular Information Agent (masowe przeszukiwanie >50 baz) Sekwencje genomowe ciąg nieznanych nukleotydów N dłuższy niż 100 wskazuje w rzeczywistości na przerwę nieznanej długości
44 RefSeq – baza sekwencji referencyjnych- poprawione transkrypty i białka. Homo sapiens Mus musculus Rattus norvegicus Drosophila melanogaster Danio rerio Arabidopsis thaliana ludzkie modelowe transkrypty i białka kontigi - „szkic” genomu ludzkiego i genom mysi zapisy genomów: genomy bakteryjne genomy organellarne genomy eukariotyczne Zapytanie przez: zakładkę Limits słowo kluczowe srcdb_refseq[PROPS]
45 Bioinformatyczne bazy danychDziękuję za uwagę
46 Rezerwowy slajd - „Jeden wpis, jeden plik” – model „flat file”Powiązanie z wpisem w bazie białek FEATURES Location/Qualifiers source /organism="Arabidopsis thaliana" /organelle="plastid:chloroplast" /mol_type="genomic DNA" /cultivar="Columbia" /db_xref="taxon:3702" gene complement(join( , )) /locus_tag="ArthCp001" CDS complement(join( , , )) /codon_start=1 /transl_table=11 /product="ribosomal protein S12" /protein_id="NP_ " /db_xref="GI: " /translation="MPTIKQLIRNTRQPIRNVTKSPALRGCPQRRGTCTRVYTITPKK PNSALRKVARVRLTSGFEITAYIPGIGHNLQEHSVVLVRGGRVKDLPGVRYHIVRGTL DAVGVKDRQQGRSKYGVKKPK„ BASE COUNT a c g t ORIGIN 1 atgggcgaac gacgggaatt gaacccgcga tggtgaattc acaatccact gccttaatcc 61 acttggctac atccgcccct acgctactat ctattctttt ttgtattgtc taaaaaaaaa 121 aaaaaataca aatttcaata aaaaataaaa aaaggtagca aattccacct tatttttttt 181 ctaataaaaa atatatagta attttttatt atttattatt attatttatt attaatataa 241 taaataaagt aaaatatgat actctataaa aatttgctca tttttataga aaaaaacgag Lokalizacja na sekwencji (wpisy GenBanku są skoncentrowane na sekwencji DNA [DNA-centric] ) Adnotacja (feature) Adnotacja niższego poziomu (qualifier) Adnotacja (base count) Sekwencja