BGI-College生信入門系列——3、資料庫
一、為何需要生物資料庫？
上期在介紹GenBank格式時舉了新冠病毒基因組的例子，僅一個S基因就長達3822 nt（nucleotide，這裡指核苷酸數），基因組全長接近3萬個鹼基。
LOCUS NC_045512 29903 bp ss-RNA linear VRL 18-JUL-2020
...
gene 21563..25384
/gene="S"
/locus_tag="GU280_gp02"
/gene_synonym="spike glycoprotein"
/db_xref="GeneID:43740568"
...一頁A4紙大概能記錄1.5萬個鹼基
北京大學圖書館以800萬冊的藏書量坐擁國內高校Top1 按照一本書500頁A4紙計算，一個人的基因組約等於200本書，北京大學圖書館紙質書的數量近乎於4萬人的基因組。
這還僅僅是一個物種的一小部分，成千上萬的物種都有基因組資料，有的基因組甚至是人類基因組的數十倍，如重樓百合有150 Gb大小的基因組（表1）， 人均每分鐘英文字元的閱讀量不足1千個[1] 。
如此算來，即便你晝夜不停地讀，也要超過285年才能讀完一個重樓百合的基因組序列。此外還有大量的註釋資訊，需要藉助大型計算機才能儲存下這些龐大的資料資源。
基於計算機資源構建的生物資訊資料庫可以更好地管理、更新和讀取分析基因組資料
表1. 代表性物種的基因組大小
| 物種 | 基因組大小 |
|---|---|
| 新冠病毒 | ~30 Kb |
| 大腸桿菌 | ~5 Mb |
| 酵母 | 12 Mb |
| 秀麗隱杆線蟲 | ~100 Mb |
| 果蠅 | 120 Mb |
| 人 | 3 Gb |
| 小麥 | ~17 Gb |
| 重樓百合 | 150 Gb |
二、資料庫的分類
根據儲存資料的型別，可劃分為核酸資料庫、蛋白質資料庫和專用資料庫
表2. 常用的生物資料庫
| 分類 | 資料庫名稱 | 備註 |
|---|---|---|
| 核酸資料庫 | GenBank | 核酸資料庫 |
| ENA | 核酸資料庫 | |
| DDBJ | 核酸資料庫 | |
| WormBase | 線蟲資料庫 | |
| FlyBase | 果蠅資料庫 | |
| miRBase | microRNA資料庫 | |
| 蛋白質資料庫 | PDB | 蛋白結構資料庫 |
| Swiss-Prot/TrEMBL | 蛋白序列資料庫 | |
| PIR (Protein Information Resource) | 蛋白序列資料庫 | |
| Pfam | 蛋白結構域資料庫 | |
| STRING | 蛋白互作資料庫 | |
| CATH | 蛋白結構分類資料庫 | |
| PRINTS | 蛋白保守基序資料庫 | |
| SCOP | 蛋白結構分類資料庫 | |
| Prosite | 蛋白序列特徵資料庫 | |
| 專用資料庫 | KEGG | 代謝通路資料庫 |
| GO (GeneOntology) | 基因本體資料庫 | |
| Pubmed | 文獻資料庫 | |
| OMIM | 人類孟德爾遺傳資料庫 |
表3. 常用生物資料庫ID
| 資料來源 | 資料型別 | 示例 |
|---|---|---|
| GenBank | DNA sequences | AF071988.1 U12345.1 |
| ENA | Projects Studies | PRJEB12345 ERP123456 |
| BioSamples Samples | SAMEA123456 ERS123456 |
|
| Experiments | ERX123456 | |
| Runs | ERR123456 | |
| Analyses | ERZ123456 | |
| Assemblies | GCA_123456789.1 | |
| Assembled/Annotated Sequences | A12345.1 AB123456.1 AB12345678 ABCD01123456 ABCDEF011234567 |
|
| Protein Coding Sequences | ABC12345.1 ABC1234567.1 |
|
| Ensemble Genome Broswer | Genome | ENSG00000221914 物種字首對照表 |
| UniProtKB/Swiss-Prot | Proteins with accurate, consistent and rich annotation | A2BC19 P12345 A0A023GPI8 |
很多編號看起來挺複雜，還不趕緊收藏一下本帖以備不時之需~
三、資料庫的使用
下面簡單介紹一下NCBI資料庫的使用
Web blast
Nucleotide BLAST
核酸序列比對，query sequence為核酸序列，目標database為核酸資料庫（NT）
blastx
核酸序列比對蛋白序列，query sequence為核酸序列，目標database為蛋白序列資料庫（NR）
tblastn
蛋白序列比對核酸序列，query sequence為蛋白質序列，目標database為核酸資料庫
Protein BLAST
蛋白序列比對，query sequence為蛋白序列，目標database為蛋白序列資料庫
舉個例子
當你做PCR成功擴增出目的片段時，為了驗證產物，得到產物的序列資訊後應該進行核酸序列比對（Nucleotide blast）以確認產物是正確的，而非汙染造成的假陽性。
此外，如果所擴增的片段編碼蛋白質，還可以進行核酸序列比對蛋白序列（blastx）來檢視相應的蛋白功能資訊。
尋找同源蛋白
我們知道蛋白質在生物體的生命活動中承擔著豐富而複雜的功能，而結構相同或相似的蛋白質一般具有相同的功能，其中有一部分我們可以基於序列相似性來判定這些蛋白的同源性
既然可以用序列相似性來判定兩個蛋白是否為同源蛋白，那判定的閾值是多少呢？
研究表明，兩個序列相似性達到50%及以上的蛋白，在同源建模時結構相差大約在1埃（0.1 nm）
當相似性低於30%時，僅通過序列資訊預測獲得的蛋白結構，其準確性難以保證[1]
也就是說30%就是我們用序列相似性評判蛋白質是否同源的一個閾值
其它資料庫——國家基因庫CNGBdb
除了NCBI的資料庫，你還可以在國家基因庫平臺使用千種植物基因組專案（The 1000 Plants Project）和萬種鳥類基因組專案（The Bird 10000 Genomes Project）等專案的資料庫
參考文獻
[1] Chung SY, Subbiah S. A structural explanation for the twilight zone of protein sequence homology.Structure. 1996;4(10):1123-1127. doi:10.1016/s0969-2126(96)00119-0