生物信息学初学——山大公开课笔记

2019年8月20日，南京闷热

课程内容

生物数据库；序列比较；分子进化系统发生；蛋白质结构预测与分析；基因组学与蛋白组学；序列算法；统计基础；数据挖掘；编程基础与网页制作

生物信息学研究对象

核酸
测序及应用；基因序列注释；基因预测；核酸序列比对；核酸数据库；比较基因组学；宏基因组学；基因进化；RNA结构预测；等
蛋白质
蛋白质数据库；蛋白质序列比对；二/三级结构预测；相互作用分析；分子动力学模拟；分子对接；蛋白质组学；等
其他
代谢网络模拟；数据挖掘分析；序列算法开发；计算进化生物学；生物多样性研究；等

课程提纲

生物数据库 序列比较 分子进化系统发生 蛋白质结构预测与分析 基因组学和蛋白组学 序列算法 统计基础 数据挖掘 编程基础及网页制作

第一节：生物数据库

Nucleic Acids Research中有NAR Database Summary Paper Category List 2015年底累计收录数据库1685个，世界上大约超过2000个，但不一定都是活的。
分类

1. 核酸数据库：
   一级数据库：直接测序获得的，或衍射获得的结构数据库（NCBI GenBank；EMBL ENA；Ensenbl；DDBJ；等）
   二级数据库：由一级数据库加工分析后（WormBase；FlyBase；UniGene）
2. 蛋白质数据库：
   一级数据库：蛋白质序列/结构数据库（Swissprot；TrEMBL；PDB；PIR）
   二级数据库：CATH；STRING；SCOP；PRINTS；Pfam；proSite
3. 专用数据库：ZINC；KFLGG；PubMed；OMIM

第二节：文献数据库PubMed（生物医学文献，来源于MEDLINE、生命科学领域学术杂志及在线专业书籍）

Pubmed ID:
Date——DP；Title——TI；Page——PG；Abstract——AB；Laboratory address——AD；Authors——AU
搜索：dUTPase [TI\AB] Beijing [AD]
Advance
使用“”使词语作为整体；使用AND,OR,NOT，e.g.: dUTPase[TI] AND bacteria[TI] NOT Smith[AU]

第三节：一级核酸数据库

国际核酸序列数据库（INSDC）三大核酸数据库：几乎拥有相同的数据
NCBI GenBank：美国国家生物技术信息中心（NCBI）隶属于美国国立卫生研究院（NIH）
NCBI中的Nucleotide即为GenBank数据库；
GenBank中包含的一个序列的具体信息如下：
一、原核基因：
（1）LOCUS: 基因座名、核酸序列长度、分子类别、拓扑类型、更新日期
（2）DEFINITION: 简短定义
（3）ACCESSION: 检索号（在数据库中是唯一且不变的，ACCESSION与LOCUS不一定相同）可理解为LOCUS是一个同学的真实姓名，ACCESSION是学号，同一个学生在不同学校中有不同的学号，而学生姓名是唯一的。
（4）VERSION: “检索号.版本号”，在数据库中，若某条序列的数据发生改变，即使是单碱基的改变，它的版本号都将增加，而检索号保持不变。
（5）KEYWORDS: 用于关键词搜索
（6）SOURCE: 基因序列所属物种的俗名
（7）REFERENCE: 基因序列来源的科学文献
（8）COMMENT: 自由撰写的内容
（9）FEATURES: 描述核酸序列中各个已确定的片段区域，包含很多子条目，如来源（source），启动子（promoter）等
CDS(Coding Segment):
/protein_id: 该蛋白质序列在各种蛋白数据库中对应的检索号。
/translation=“MKK…”（是计算机使用翻译密码本根据核酸序列翻译出的蛋白质序列，不是实验真实获得）
（10）ORIGIN: 核酸序列，以“//”作为整条记录的结束符
二、真核基因：
一个完整的基因是被分成若干片段，分别储存在数据库中的，
SEGMENT 2 of 4 （一共需要四个片段，一个片段对应一条数据库记录，才能拼凑出一个完整的基因。当前这条记录是所有四个片段里的第二个，一个片段里可能包含不止一个外显子。）
FEATURES
gene 指出拼出完整基因所需的所有四个片段的检索号，以及具体位置。
mRNA 指出所有外显子在四个片段中的具体位置，串联起来就是成熟mRNA

ENA：欧洲核苷酸序列数据集（ENA）有欧洲分子生物学研究室（EMBL）维护
查看人的基因组：

1. 人的基因组有33亿碱基分布在23个染色体上。
2. 已获得人的全基因组序列
3. 添加注释，做一个详细的FEATURES表
   Ensemble：欧洲生物信息学研究所（EBI）和英国桑格研究院（Sanger Institute）合作开发。收录了各种动物基因组，特别是与人类亲缘关系近的动物（脊椎动物）。这些基因组的注释都是通过配套开发的软件自动添加的。
   Human基因组数据是2013年重测序获得的
   
   
   点击view karyotype查看染色体
   
   JCVI微生物宏基因组数据库 http://www.jcvi.org/
   美国基因组研究所（TIGR）致力于微生物基因组的研究，也有部分植物基因组项目。它是J.Craig Venter Institute的一部分，自1995年成立之初，至今已拥有超过700个基因组。TIGR是NCBI基因组资源的有力补充，不仅拥有已完成测序的基因组，还有测序中的基因组信息。
   Comprehensive Microbial Resource(CMR): 开放的微生物基因组信息库（几年前下线了）
   HMP（Human Microbiome Project, HMP):由美国国立卫生研究所（NIH）建立的人类微生物组学计划，包括人类鼻腔、口腔、皮肤、胃肠道和泌尿生殖道的宏基因组样本数据和分析流程。
   NIH的HMP由四个测序中心共同完成。

DDBJ：日本DNA数据库，有日本国立遗传学研究所维护（NIG）

第四节：二级核酸数据库

NCBI下属的三个数据库：
RefSeq数据库：参考序列数据库，是通过自动及人工精选出的非冗余数据库，包括基因组序列、转录组序列和蛋白质序列。
dbEST数据库：表达序列标签数据库，包含来源于不同物种的表达序列标签（EST）
Gene数据库：为用户提供基因序列注释和检索服务，收录了来自5300多个物种的430万条基因记录。

ncRNAdb: 提供非编码RNA的序列和功能信息。包含来源于99种细菌，古细菌和真核生物的3万多条序列 http://biobases.ibch.poznan.pl/ncRNA/
miBase: 已发表的microRNA序列和注释。可分析microRNA在基因组中的定位和挖掘microRNA序列间的关系。
http://www.mirbase.org/