Bioinformatyczne bazy danych

Bioinformatyka jest nauką integrującą różne dziedziny wiedzy

Czym jest bioinformatyka?

Gruca (2010)

Czym jest bioinformatyka?

Bioinformatyka obejmuje technologie wykorzystujące komputery do przechowywania, pozyskiwania i rozpowszechniania danych dotyczących takich makrocząsteczek biologicznych jak DNA, RNA czy białka oraz do manipulowania tymi danymi.

Luscombe i in. (2001)

Bioinformatyka jest interdyscyplinarną dziedziną nauki obejmującą:- rozwój metod obliczeniowych służących do badania struktury, funkcji i ewolucji genów, białek i całych genomów,- rozwój metod wykorzystywanych do zarządzania i analizy informacji biologicznej gromadzonej w toku badań genomicznych oraz badań prowadzonych z zastosowaniem wysokoprzepustowych technik eksperymentalnych.

Higgs, Attwood (2005)

Trochę historii…

1950 – metoda sekwencjonowania białek metodą degradacji Edmana

1965 – Zuckerkandl i Pauling – „Evolutionary divergence and convergence in proteins”; „Molecules as documents of evolutionary history”

1965 – Margaret Dayhoff – „Atlas of Protein Sequence and Structure”

1970 – pierwsze użycie terminu „bioinformatyka” jako badanie procesów informacyjnych w systemach biologicznych

1970 – opracowanie pierwszego algorytmu komputerowego do porównywania sekwencji białkowych (Needleman, Wunsch)

1971 – PDB (Protein Data Base) – baza krystalograficzna

1977 – sekwencjonowanie DNA (Sanger, Maxam, Gilbert)

1977 – sekwencja genomu bakteriofaga ΦX174

1977 – pierwszy pakiet programów komputerowych do analizy sekwencji DNA(Staden R. Sequence data handling by computer Nucleic Acids Res. 4, 4037-4051)

Gauthier et al. Briefings in Bioinformatics, 2018, 1–16

1979 – Los Alamos Sequence Database

1981 – EMBL Data Library (European Molecular Biology Laboratory) – pierwsze centralne depozytorium sekwencji nukleotydowych

1982 – GenBank – druga publiczna baza danych sekwencji nukleotydowych

1984 – DDBJ (DNA Data Bank of Japan)

1984 – PIR (Protein Information Resource) – pierwsza publiczna baza danych sekwencji białkowych

1985 – FASTP – program do porównywania sekwencji białkowych

1988 – FASTA – program do porównywania sekwencji nukleotydowych

1988 – Utworzenie NCBI (National Center for Biotechnology Information)

1990 – udostępnienie narzędzia BLAST (Basic Local Alignment Search Tool)

Przełom XX i XXI wieku – początek ery sekwencjonowania pełnych genomów

1995 genom Haemophilus influenzae1997 genom E. coli1997 genom drożdży S. cerevisiae1998 genom nicienia Caenorhabditis elegans1999 genom muszki owocowej2001 genom człowieka2005 genom szympansa

Rozwój metagenomiki, która zajmuje się uzyskiwaniem i analizą sekwencji genomowych całych populacji a nie pojedynczych osobników.

Trwające i zakończone duże projekty sekwencjonowania genomów:Mikrobiom przewodu pokarmowego człowieka – prawie 568 miliardów par zasad.Projekt sekwencjonowania 1000 genomów (ilość wygenerowanych danych przekroczyła 4TB)Projekt sekwencjonowania 100 000 genomów (Wielka Brytania)Projekt sekwencjonowania 100 000 genomów bakterii patogennychProjekt sekwencjonowania genomów 1000 guzów z 33 rodzajów nowotworów (próbki od 11 000 osób)

Biologiczne Bazy Danych

Baza danych to komputerowe archiwum wykorzystywane do przechowywania i organizowania danych w taki sposób, żeby zawarte w nich informacje można było w prosty sposób pobierać, wykorzystując różne kryteria wyszukiwania (Xiong, 2006).

Trzy kategorie biologicznych baz danych:Pierwszorzędowe (pierwotne) • Surowe dane biologiczne, archiwa sekwencji lub dane strukturalne wprowadzane do baz przez naukowców (GenBank, PDB)Drugorzędowe (wtórne) • Informacje przetworzone komputerowo, lub poprawione ręcznie na podstawie oryginalnych informacji z pierwszorzędowych baz danych (SWISS-PROT, PIR, Ref-Seq)

Specjalistyczne (Ribosomal Database Project, HIV Database, OMIM - Online Mendelian Inheritance in Man)

Ile jest biologicznych baz danych?

2020 – 1637 publiczne bazy danych 2017 – 17372012 – 1380…2001 – 281

Sekwencyjne Bazy Danych – Bazy Sekwencji Nukleotydowych

GenBank

Dwa kluczowe źródła bioinformatyczne – NCBi i EBI

http://www.ebi.ac.uk/

https://www.ncbi.nlm.nih.gov/

Metabazy: bazy danych kojarzące ze sobą rekordy z wielu typów baz

Uzyskiwanie danych z wielu baz (45) poprzez system Entrez(Global Cross-database NCBI search)

Podstawowe informacje o ostatniej wersji GenBank

Genetic Sequence Data BankJune 15 2020

NCBI-GenBank Flat File Release 238.0

Distribution Release Notes

427 823 258 901 bases, from 217 222 233 reported sequences (klasyczny GenBank)

(329 835 282 370 bases, from 213 383 758 reported sequences – June 15 2019)

8 501 494 606 348 bases, 1 787 640 846 sequences, for set-based (WGS/TSA/TLS) records

Pierwsza upubliczniona wersja GenBank (Release 3; December 1982) zawierała606 sekwencji o łącznej długości 680,338 zasad

Release 100, 15 April 1997 1274747 sequences, 842864309 bases

GENBANK AND WGS STATISTICS

GENBANK AND WGS STATISTICS

GenBankWGS

W październiku 2017 roku w bazie Sequence Read Archive (SRA) znajdowały się sekwencje o łącznej długości 14 x 1012 nukleotydów

Pułapki związane z korzystaniem z pierwotnych baz danych

- nie można traktować danych sekwencyjnych jako absolutnie niezmiennych i ostatecznych

- każda sekwencja w bazach jest wynikiem eksperymentu, czyli mniej lub bardziej dokładnego procesu sekwencjonowania (np. zanieczyszczone sekwencje pełnych genomów eukariotycznych sekwencjami pochodzenia bakteryjnego)

- problem wysokiej redundancji (nadmiarowości) danych

Pułapki związane z korzystaniem z pierwotnych baz danych.Rozwiązanie problemów:

RefSeq: drugorzędowa (wtórna) baza danych sekwencji -nieredundantna baza danych, w której połączono sekwencje identyczne z tych samych organizmów oraz fragmenty tej samej sekwencji w jeden rekord-sekwencje białkowe stworzone z jednej sekwencji DNA są ze sobą wyraźnie połączone jako powiązane rekordy-warianty sekwencji pochodzące z tego samego organizmu, charakteryzujące się bardzo niewielkimi różnicami, które mogą wynikać z błędów w sekwencjonowaniu traktuje się jako wyraźnie powiązane rekordy

Xiong (2006)

Analiza przykładowych rekordów bazy GenBank

U49845AF165912L00727

NM_001017963NC_012532.1

Numery dostępu sekwencji nukleotydowych w bazie GenBank:1 litera + 5 cyfr2 litery + 6 cyfrNp. sekwencje bezpośredniozgłaszane do bazy posiadają następujący prefiks:D, AB, LC DDBJ

V,X,Y,Z,AJ,AM, ENAFM,FN,HE,HF,HG,FO,LK,LL,LM,LN,LO,LR,LS,LT

U,AF,AY,DQ,EF, GenBankEU,FJ,GQ,GU,HM,HQ,JF,JN,JQ,JX,KC,KF,KJ,KM,KP,KR,KT,KU,KX,KY,MF,MG,MH,MK

Nag

łów

ek

Tab

ela

ce

ch

Sekwencja

wyświetlanie sekwencjiw formacie FASTA

Format FASTApowrót do formatu GenBank

> identyfikator sekwencji w formacie FASTA (pierwszy wiersz

zawierający opis sekwencji lub jej nazwę)

>sekwencja_1GCACCCGAGGGCCGGTTCCCCTCACAAAGACCAAG>sekwencja_2GTCAAGCGTCATTCTGCTGCCAAGCAACGTTGGAA>sekwencja_3AGCGCAAGGCGCAGATTGCCGCGATACGCCGGTCATCCGGCGATCTCGT...>sekwencja_n

RefSeq

The NCBI Handbook (2012)

Podział sekwencji zgodnie z ich typem lub pochodzeniem

Gruca (2010)

Sprawdź sekwencje o poniższych numerach dostępowych w sekwencyjnych bazach danych EMBL (ENA) i DDBJ:

AF165912L00727

NM_001017963NC_012532.1

Zapoznaj się z opcją wyświetlania rekordu w formie graficznejEMBL / NCBI.

Baza NCBI Gene

Znajdź geny przez:

Wolny tekst np. human muscular dystrophy

Niekompletną (częściową) nazwę i podanie więcej niż jednego gatunku np. transporter[title] AND ("Homo sapiens"[orgn] OR "Mus musculus"[orgn])

Numer chromosomu i symbol np. (II[chr] OR 2[chr]) AND adh*[sym]

Accession number np. M11313[accn]

Nazwę genu (symbol) np. PRNP[sym]

Publikację (PubMed ID) np. 11331580[PMID]

Ontologie Genów (GO) np. „retinol transporter activity"[GO]

Chromosom i gatunek np. X[CHR] AND human[ORGN]

Numery Enzyme Commission (EC) np. 5.1.1.1[EC]

Kwalifikatory wyszukiwaniaw bazie NCBI Nucleotide

Porady dotyczące korzystania z wyszukiwarki NCBI

• Operatory logiczne AND, OR i NOT powinny być zapisywane wielkimi literami. Domyślnie operator AND łączy dwa wprowadzone terminy.• Operatory logiczne działają od lewej do prawej. Jeśli dodasz nawiasy, wprowadzony do nich termin będzie potraktowany jako jedna jednostka.Porównaj wynik wyszukiwania Entrez Gene poniższymi frazami:

globin AND promoter OR enhancerglobin AND (promoter OR enhancer)

Zadania:1. Gen dla ludzkiego białka lysine demethylase zlokalizowany jest na chromosomie Y. Utwórz zapytanie do bazy NCBI Gene, które da jeden wynik dla właściwego genu.

2. W bazie NCBI Taxonomy znajdź identyfikator dla E. coli K12. Wykorzystując identyfikator i kwalifikator [taxid] znajdź w bazie NCBI Gene rekord dla genu repB, kodującego białko replikacyjne.

Baza ’Gene’ zadanie-Wyszukaj w bazie NCBI Gene ludzki gen BRCA1.Zapoznaj się z elementami rekordu w bazie ’Gene’-Podaj lokalizację chromosomową oraz liczbę eksonów genu BRCA1.-Podaj długość genu, mRNA i kodowanego białka wykorzystując dane z odpowiednich rekordów bazy RefSeq.-Sprawdź informacje dotyczące genu BRCA1 w bazie SNP (single nucleotidepolymorphism).-Korzystając z odpowiednich filtrów wyszukiwania sprawdź ile SNPów ma charakter mutacji ’frame shift’ a ile powoduje pojawienie się kodonu STOP.

Baza ’Nucleotide’ zadania:

1. Wyszukaj w bazie ’Nucleotide’ sekwencje o długości 1000 nt. Zawęź wyniki wyszukiwania do szympansa (użyj ’chimpanzee’ lub ’Pan troglodytes’)

2. Wyszukaj sekwencje nukleotydowe szczura w zakresie od 1500 do 2000 nukleotydów.

3. Znajdź sekwencje aminokwasowe białek krowy o ciężarze molekularnym od 5000 do 10000 Da.

4. Znajdź sekwencje aminokwasowe świni o długości 300 aminokwasów.

Narzędzie do zmiany formatu sekwencji

Emboss Seqret

http://www.ebi.ac.uk/Tools/sfc/emboss_seqret/

1. Wyszukaj w bazie GenBank sekwencję AF165912. Korzystając z opcji „Send” zapisz na komputerze plik z sekwencją w formacie GenBank (plik z rozszerzeniem .gb). Korzystając z narzędzia ’emboss seqret’ przekształć zapisaną sekwencję do formatu EMBL.

2. Wykorzystaj powyższe narzędzie do utworzenia pliku z sekwencją w formacie EMBL i GenBank z pliku w formacie .ab1(ćwiczenie 2 – sekwencja.ab1).

Pobieranie wielu sekwencji na podstawie ich numerów dostępowych

Batchentrez

https://www.ncbi.nlm.nih.gov/sites/batchentrez

Znajdź w bazie Pubmed artykuł opisujący ewolucję molekularną białkaOmpC bakterii z rodzaju Yersinia.

Otwórz pełną wersję artykułu. Poszukaj sekcji ’Supplementarymaterial’ i otwórz znajdujący się tam plik. Skopiuj wszystkie numerydostępowe sekwencji rozpoczynające się od ’KR’ dla gatunku Yersiniaintermedia. Utwórz plik tekstowy z pobranymi numerami. Wykorzystajutworzony plik do pobrania z bazy GenBank sekwencji w formacieFASTA.

Inny sposób to wykorzystanie kwalifikatora [accn].

Przeglądarki Genomów

NCBI Genome Data Viewerhttps://www.ncbi.nlm.nih.gov/genome/gdv/

ENSEMBLhttp://www.ensembl.org

USCShttps://genome.ucsc.edu/

Zapoznaj się z najnowszymi informacjami dotyczącymi genomu człowieka, korzystając z przeglądarki ENSEMBL i NCBI Genome Data Viewer.

Porównaj informacje z wydania GRCh 37 i GRCh 38

Guo i in. (2017) Genomics 109:83-90