笔记 14 生物信息学数据库

14.1 数据结构

  • 列代表特征 行代表条目
  • 每个条目有一个唯一性特征
  • 数据表可通过列链接成为关系数据库

14.2 Pubmed 搜索

  • PubMed search tags
    • [AD] – Affiliation (company or school)
    • [ALL] – All fields (eliminates defaults)
    • [AU] or [AUTH] – Author
    • [1AU] – First author
    • [ECNO] – Enzyme Commission Numbers
    • [EDAT] – Entry date (YYYY/MM/DD)
    • [ISS] - Issue # of journal
    • [JOUR] - Journal (Title, Abbreviation , ISSN)
    • [LA] – Language
    • [PDAT] – Publication date (YYYY/MM/DD)
    • [PT] – Publication type
    • [SUBS] – Substance name
    • [TIAB] – Title/Abstract
    • [TW] – Text words
    • [UID] – Unique identifiers (primary keys)
    • [VOL] or [VI] – Volume of journal
  • MeSH terms [MH][MAJR][SH]
    • 被 MeSH 索引的关系数据库
    • 保守性检索 有层级关系
  • 时间段搜索 冒号分割 YYYY/MM/DD:YYYY/MM/DD
  • 序列长度搜索 [SLEN] 可以是蛋白 可以是核酸
  • 蛋白分子量搜索 [MOLWT]
  • 物种搜索 [ORGN]
  • Nucleotide 序列蛋白数据库
  • MMDB 3D结构数据库
  • Genome 基因组数据库
  • OMIM 人类孟德尔遗传数据库 用来探索等位基因问题
  • 分类数据库 用来界定分类
  • GEO 基因芯片的实验数据
  • SNP 基因指纹数据库

14.3 动态规划

  • 用于序列比对
  • 对角线得分 按总分评价比对结果
  • 可全局 可局部
  • 序列比对指标是特异性与相似性
  • 特异性指精确匹配比率
  • 相似性指精确匹配加化学相似性比率 结构相近则相似
  • FASTA 慢准 BLAST 快
  • 三种情况 匹配 不匹配 间隔
  • 间隔罚分

14.4 得分矩阵

  • 考虑突变的比对
  • 蛋白的自然突变率矩阵PM1
  • 矩阵自相乘得到外推矩阵 PM10 PM250 取对数为打分矩阵
  • 取不同矩阵源于研究目的对多样性的判断

14.5 E 值

  • 表示序列的同源性 比对得分的稀有性
  • 两个参数 数据库大小(N) 比对得分(S) E = N/S
  • 数据库越大越可能随机碰到相同序列 得分越高越可能同源
  • E值很小说明同源性很高 E值很大什么说明不了
  • 一般阈值1e-04

14.6 PSI-BLAST

  • 先用BLAST在一定E值上建库
  • 计算新库的氨基酸概率 再与全库比对得分 得到统计显著性
  • 可以发现BLAST未发现的序列 建立蛋白家族

14.7 蛋白

  • Profiles 定量描述
  • Patterns 定性描述
  • Signature 蛋白保守序列
  • motif 少于20个氨基酸 指示二级结构
  • Domains 超过40个氨基酸 蛋白的球状区
  • 共同点 保守
  • 正则表达式表示保守区
    • E-X(2,4)-[FHM]-X(4)-{P}-L
    • E后随意两个，三个，四个然后FHM其中一个，然后随意四个，然后一个不是P，最后为L
    • 可以精确可以模糊
    • 没有E值

14.8 蛋白结构预测

  • 分子量 道尔顿（Da）描述质量
  • 等电点 蛋白不带电的pH值
    • 小于7 酸性 中性带负电
    • 大于7 碱性 中性带正点
  • 网站计算
  • 蛋白定位 分泌 胞内 核内
    • MITOPRED 预测线粒体蛋白

14.9 细菌基因组

  • 细菌是环形DNA 真核是线性染色体
  • 细菌不加工mRNA
  • 细菌一段mRNA上有多个顺反子 也就是多个编码DNA序列
  • 操纵子在mRNA编码的上游或下游调控转录
  • GLIMMER与FGENESB用来预测一段序列的转录情况

14.10 病毒

  • 三种 RNA DNA 逆转录病毒 突变快
  • RNA病毒三种 双链 正链 负链
  • 逆转录基因组简单 Gag Pol Env
  • 凝集素等决定病毒亚型

14.11 单核苷酸多态性（SNP）

  • 至少1%种群中存在的DNA单核苷酸变化
  • 后果
    • 编码区改变影响表型
    • 不改变蛋白序列的编码区可能影响mRNA加工
    • 启动子或调控区可能影响表达
    • 其他区没有影响 可作为染色体标记- 类型
    • 不改变氨基酸
    • 改变氨基酸
    • 非编码区
  • 数据库

14.12 真核基因预测

  • CDS是mRNA的子集
  • CDS可能比mRNA外显子少
  • 基因预测只能发现编码区外显子
  • 有些转录变化不改变蛋白序列：UTR区与同义密码子

14.13 DNA指纹

  • 重复 突变会影响限制性片段长度
  • VNTR 用来排除嫌犯
  • PCR 用来扩增相关片段
  • CODIS 区域在美国用来鉴定身份

14.14 Ensembl

  • 外显子基因组学数据库
  • 可选择人类 鼠 斑马鱼等常见物种