初探生物信息数据库——生信原理第一次实验报告（华农）

初探生物信息数据库——生信原理第一次实验报告（华农）

1 实验目的

熟悉NCBI数据库Entrez检索系统，会使用关键词检索NCBI、UnitProtKB、PubMed等数据库，能理解检索结果页面各条目含义。

2 实验题目与解答

2.1 水稻抗病基因Xa21

2.1.1 详细题目

水稻抗病基因Xa21有多少条序列具有全长CDS，分别由多少碱基构成？编码多少个氨基酸？选择修改时间最早的一条序列，指出该基因exon和intron的位置。该基因编码的蛋白质有多少个氨基酸残基？该蛋白质可能位于细胞中哪个位置？是否有三维结构信息？

2.1.2 解答过程

2.1.2.1 高级检索Xa21

为了找到水稻基因Xa21有多少条续流具有全长CDS，我们需要在高级搜索中将Organism限定为rice，此外在也需要将Xa21和complete CDS添加到Title中。

图1 在高级搜索中添加关键词及限定关键词类型

2.1.2.2 分析碱基构成及编码氨基酸个数

由检索结果（图二）可知，共有三条序列具有全长CDS，从每一条序列名称的第二行可以看到其碱基数，点击protein选项可以查看其氨基酸个数。

图2 Xa21的检索结果

图3 点击Protein选项后的蛋白质GeneBank数据

三条具有全长CDS的序列的碱基数以及编码氨基酸数目如下表：

表1 三条序列的碱基和氨基酸数目

Accession	碱基数	氨基酸数
AB212798	4623	1025
AB212799	4623	1025
U37133	3921	1025

2.1.2.3 查找修改时间最早的序列的相关信息

在检索结果页面将排序方式改为“Sort by Data Modified”,找到最后一条即修改时间最早的那条序列，其Accession是U37133查看其GeneBank数据，得知其外显区区在1-2677和3521-3921，内含子区在2678-3520。编码氨基酸残基由上文可知是1025个。

图4 U37133的外显子与内含子区数据

为了获取其编码蛋白的亚细胞定位和三维结构信息，我们在UniProt数据库中检索其Accession，在其检索结果的“Sequence”中也可以知道共有1025个氨基酸残基，在“Subcellular Location”中可以知道该蛋白位于细胞膜上，在“Structure”中可以看到AlphaFold预测的三维结构。

图5 在UniProt中检索U37133

图6 U37133的序列信息

图7 U37133的亚细胞定位  图8 U37133的三维结构（AlphaFold）

2.2 检索特定序列并批量下载FASTA序列

2.2.1 详细题目

检索注册号在AF123456－AF123478之间并且序列长度在1500到1800 bp之间的核苷酸数据，共有多少条？如何批量下载它们FASTA的序列？

2.2.2 解答过程

2.2.2.1 高级检索

我们将关键词的类型设置为Accession和Sequence Length，并添加关键词进行高级检索。

图9 问题二高级检索

2.2.2.2 批量下载FASTA格式文件

点击“Send to”，并如图9一样设置，点击“Create File”即可下载。

图10 批量下载FASTA格式文件

3. 讨论

这次实验学习了如何在NCBI上查找核苷酸数据，并且在UniProt上查找蛋白质的相关信息，可以看到这次查找的蛋白质没有已经测定的三维结构，而是用AlphaFold预测得到的，这在三年前是不能实现的，我不禁人工智能对生命科学的贡献感到又一次震撼，在之后的学习生活中，我会好好学习计算机知识，并争取为生命科学做出大贡献！