Katedra informačních technologií Masarykova Univerzita Brno
Jaro 2009
IV107Bioinformatikal -Přednáška 4
IV107 Bioinformatika I
Přednáška 5
Bioinformatické databáze
Databáze GenBank Databáze UniProt Protein Data Bank Gene Ontology KEGG
Příště
□            rS1
:l=   -O^O
IV107 Bioinformatika I -
Přednáška 4
Předchozí týden
►  Struktura genu
«- prokaryotického «- eukaryotického
►  Porovnání sekvencí
-  globální (Needleman-Wunsch)
-  semi-globální
-  lokální (Smith-Waterman)
Bioinformatické databáze
Databáze GenBank Databáze UniProt Protein Data Bank Gene Ontology KEGG
Příště
□             rS1
:l=   -O^O
Outline
IV107Bioinformatikal -Přednáška 4
Bioinformatické databáze
Databáze GenBank Databáze UniProt Protein Data Bank Gene Ontology KEGG
Příště
Bioinformatické databáze Databáze GenBank Databáze UniProt Protein Data Bank Gene Ontology KEGG Analýza proteinových sekvencí, strukturních a funkčních dat
□             rS1
M=   -O^O
Typy dat v databázích
19%
IV107Bioinformatikal -Přednáška 4
Bioinformatické databáze
Databáze GenBank Databáze UniProt Protein Data Bank Gene Ontology KEGG
Příště
nucleotide sequence
I RNA sequence/structure
I    mkroarray/gene expression    \   | molecular biology
| nonhurnan genomes [~j human genes/diseases B proteomfcs data □ pathways/interactions | plant data
□  human/vertebrate genomes
□  protein sequences B structural data
□  organelle data
| immunological data
http://www.agr.kuleuven.ac.be/vakken/i287/bioinformatica.htm
□        g
:|=   -O^O
IV107 Bioinformatika I -
Přednáška 4
Nárůst databáze GenBank
Bioinformatické databáze
Databáze GenBank
Se+07		■	1	"genbanLgrbwtfutxt" using 3:5		
8e*07						
7e+07						
6e*07						
5e*07						
4e+07						
3e*07						
2e*07				i		
le+07				.   i   ' t t i		
0 1				. ...i.		
	80	1985	1880	1885             2000             2005	2010	
:a Bank Gene Ontology KEGG
□             rS1               -
M=   -O^O
IV107 Bioinformatika I -
Přednáška 4
GenBank
Genetic Sequence Data Bank
February 15 2008
NCBI-GenBank Flat File Release 164.0
National Center for Biotechnology Information
►  85759586764 bases
►  82853685 sequences ftp://ftp.ncbi.nih.gov/genbank/gbrel.txt
Bioinformatické databáze
Databáze GenBank
. m Prot Protein Data Bank Gene Ontology KEGG
□             rS1
M=   -O^O
Součásti databáze GenBank
►  INV, VRT, MAM, PLN, PRI, ROD, BCT, VRL
►  PAT (Patents)
►  HTGS (High Throughput Genomic Sequences)
►  GSS (Genome Survey Sequences)
►  ETS (Expressed Sequence Tags)
►  STS (Sequence Tagged Sites)
IV107Bioinformatikal -Přednáška 4
Bioinformatické databáze
Databáze GenBank
.-uprat Protein Data Bank Gene Ontology KEGG
Příště
Analýza proteinových sekvencí, strukturních a funkčních dat
►   -š|=   -OQ.O
IV107 Bioinformatika I -
Prednáška 4
Příklad záznamu v databázi GenBank
LOCUS     SCU49845   5028 bp   DNA
DEFINITION Saccharomyces cerevisiae TCPl-beta gene,
Axl2p
(AXL2) and Rev7p (REV7) genes, complete ACCESSION  U49845 VERSION   U49845.1 Gl:1293613 KEYWORDS
SOURCE    Saccharomyces cerevisiae (baker's yeast) ORGANISM Saccharomyces cerevisiae
Eukaryota; Fungi; Ascomycota; Saccharomy Saccharomycetes;
Saccharomycetales; Saccharomycetaceae; S
Bioinformatické databáze
Databáze GenBank Databáze UniProt Protein Data Bank Gene Ontology KEGG
prrste
□          g           -           =      _g=.f)Q,o
Vyhledávání v sekvenčních databázích
►  textové (klíčová slova)
►  sekvenční (BLAST)
IV107Bioinformatikal -Přednáška 4
Bioinformatické databáze
Databáze GenBank
. m Prot Protein Data Bank Gene Ontology KEGG
□        ö
:|=   -O^O
Príklad záznamu v databázi UniProt
		
Sntry   name		LM07   HUMAN
Primary   accession    nuniiŕer		
		
Secondary   accession    numbers		015462   095346   QSJiíCl    09UQ1J5   Q9Y6A7
Entecfiated    Into    Swiss-Prot	on	March    .  i,    203<l
Sequence   «as   last   modified	□n	[Hatch   15,    2QG4    (Sequence   version   2í
ftnnotatier.!.   ™re    I^r   modi f	ed   on	July   25,    2G06    |Ent£y   version   3*]
Synonyms
ĽIM   domain    only   protein    7
LOM P
F-box   only   protain   20
tlame:     LM07
ľ Synonyms:     FEX2C,    FBXO20,
[  1)    NUCLEOTIDE    SEC'JEHCE    | MRNA]       (ISOFORM    33,    AND   TISSUE    SPECIFICITY. rrSSUE-^r^ji,     artd    EW i p Kecal     tjload    i^Jccyte;
š£ä£ílfeÍH£u.   -■'   UäÍLS&IÚjEľšS.   e-*    Sandberg    T.,    §JJ£afeílS£Ä5JSE.   J ■T ■ •    Syr jakogfci.    S-.
i'ľ-:.. vi.:     L-. ,     '.'.r. \_. ;■.:.. _, ■';.■-     a . ,     ,'.;_,: ._.:. .:'..J;.,^' "J   :„:               ■ ,      Vi-XJ- ■!:.' -i""-     i' - r    -ľ-     '-"'        ■ r -;Ä.-.-?.9.v                                                                                                                   '                    ■     ■ ' ■'■■'■     - -■'■'■■ . Bailay-Wilaan    J.,    Jj^o   S .-II. S . ,    ^in^   T.,    t±±l uSlT ^^UisSSiSSi.  ° . - P - ; "A  genomic   map   oí   a   (i-Mb   region   at   13q2í—q22    implicated    in   cancer development:     identification    and   characterization    oé   candidate    cjenes."; Hum.   Genet.    110:111-121{2003} .___________________________________________________
http://www.uniprot.org/
□             rS1
IV107Bioinformatikal -Přednáška 4
Databáze UniProt Protein Data Bank Gene Ontology KEGG
Příště
:|=   -O^O
Příklad záznamu v databázi UniProt
Key	From	To	Length	Description	FTId
CHAIN	1	1683	1683	LIM domain only protein 7.	PROJ0000758
DOMAIN	54	168	115	CH.	
DOMAIN	1042	1128	87	PDZ.	
DOMAIN	1612	1678	67	LIM zinc-bindmg.	
10     20     30     40     50     60 MKKIRICHIF TFYSWMSYDV LFQRTELGAL EIWRQLICAH VCICVGWLYL RDRVCSKKDI
70     80     90     100     110     120 ILRTEQNSGR TILIKAVTEK NFETKDFRAS LENGVLLCDL INKLKPGVIK KINRLSTPIA
130     140     150     160     170     180 GLDNINVFLK ACEQIGLKEA QLFHPGDLQD LSNRVTVKQE ETDRRVKNVL ITIYWIGRKA
IV107 Bioinformatika I Přednáška 4
Bioinformatické databáze
Databáze GenBank Databáze UniProt Protein Data Bank Gene Ontology KEGG
Příště
=        3   =    ^)Q,0
IV107 Bioinformatika I -
Přednáška 4
PDB
An Information Portal to Biological MacromoJecular Structures
I   POB&ialisíitsffl
soLasa.
-' ---:j
HĽ*7tt»*«"Bäi *
■newlrsfi-1&of9i)
■  Result? ID List
■  Refill b Ulis äE-arth
■  1 Sil jelUIiflftwaíUnp Hi:li!öS*     &  1X62
■  Sebci Alt
yl r.irbuHV1 terminal LIM rli
|   ilMtiiífiH'M    SlrLiclural Priílsín
P™""'         MA Mi 1     Mskculv- C Tcnnľrf ün Dsmaiti Protón 1     Fimn
W"            CEn, x.«-. NflQfl&hlnw, T., Hayastrf. F.. Ypftoyama. S,
E  1X-1K     BESIEH       í"'ipfcFirtriicturecfUHdoma[riTrLIM-&rrte[Fi3
Aut*w*            ne  f. t Ml*?, Y„ Inoue, M.. Kigawa, T,. --In. .m. ľi  M,, Ter-si))-, ľ.. YokOVaTI",
El   1X41        Pí fr 15       solnrif.li itriiniirf-of I [M rlfniiaiii in F-nur jtnrl p lin|l 1 IM ckm-iihíh^ protein y
Her F-. Mulu, Y,, IiioHe. M.. Klgawa, 1.   ShJro-u?!!. H,. lerada, "t.. *f okpyama,
Bioinformatické databáze
Databáze GenBank Databáze UniProt Protein Data Bank
□             rS1               -
:|=   -O^O
Záznam v PDB
HEADER    HYDROLASE(0-GLYCOSYL)                                          20-JAN-92   1HEW
COMPND    LYSOZYME (E - C - 3 - 2 - 1 - 17) COMPLEXED WITH THE INHIBITOR
COMPND       2 TRI-N-ACETYLCHITOTRIOSE
SOURCE    HEN (GALLUS GALLUS) EGG WHITE
AUTHOR    J.C.CHEETHAM..P. J. ARTYMIUK..D .C .PHILLIPS
REVDAT       1   31-JAN-94 1HEW    0
JRNL                 AUTH   J.C.CHEETHAM..P. J.ARTYMIUK..D.C.PHILLIPS
JRNL                 TITL   REFINEMENT OF AN ENZYME COMPLEX WITH INHIBITOR
JRNL                 TITL 2 BOUND AT PARTIAL OCCUPANCY. HEN EGG-WHITE
JRNL                 TITL 3 LYSOZYME AND TRI-N-ACETYLCHITOTRIOSE AT 1.75
JRNL                 TITL 4 ANGSTROMS RESOLUTION
JRNL                 REF    J.MOL.BIOL.                                          V. 224   613 1992
JRNL                 REFN   ASTM JMOBAK  UK ISSN 0022-2836                                       (
REMARK       1
REMARK       1 REFERENCE 1
REMARK       1  AUTH   L.N.JOHNSON,J.C.CHEETHAM,P.J.MC *LAUGHLIN,
REMARK       1  AUTH 2 K.R .ACHARYA..D ,BARFOKD,D .C .PHILLIPS
REMARK       1  TITL   PROTEIN-OLIGOSACCHARIDE INTERACTIONS: LYSOZYME,
REMARK       1  TITL 2 PHOSPHORYLASE, AMYLASES
REMARK       1  REF    CURR.TOP.MICROBIOL.IMMUNOL.   V. 139     81 1988
REMARK       1  REFN   ASTM CTMIA3  GW ISSN 0070-217X
□      ö
IV107Bioinformatikal -Přednáška 4
Bioinformatické databáze
Databáze GenBank Databáze UniProt Protein Data Bank
1HEW	2
1HEW	3
1HEW	4
1HEW	5
1HEW	6
1HEW	7
1HEW	8
1HEW	9
1HEW	10
1HEW	11
1HEW	12
1HEW	13
1HEW	14
1HEW	15
1HEW	16
1HEW	17
1HEW	18
1HEW	19
1HEW	20
1HEW	21
1HEW	22
►   -=l=   -00,0
REMARK
REMARK
REMARK
REMARK
SEQRES
SEQRES
SEQRES
SEQRES
SEQRES
SEQRES
SEQRES
SEQRES
SEQRES
SEQRES
HET
HET
HET
FORMÚL
THE THREE SUGAR UNITS OF THE
IN THE UPPER THREE SITES (A
SITE CLEFT-  NAG MOLECULES,
BOUND IN SITES A, B, AND C,
129  LYS VAL PHE GLY ARG
129  ARG HIS GLY LEU ASP
129  ASN TRP VAL CYS ALA
129  THR GLN ALA IHR ASN
129  TYR GLY ILE LEU GLN
129  ASP GLY ARG THR PRO
129  PRO CYS SER ALA LEU
129  VAL ASN CYS ALA LYS
129  MET ASN ALA TRP VAL
129  THR ASP VAL GLN ALA
201      15     N-ACETYL-
202      14     N-ACETYL-:
203      14     N-ACETYL NAG    3(C8 H15 Nl 06)
INHIBITOR MOLECULE ARE BOUND         1HEW
TO C) OF THE LYSOZYME ACTIVE           1HEW
NUMBERED 203, 202, AND 201, ARE     1HEW
RESPECTIVELY -                                            1HEW
CYS GLU LEU ALA ALA ALA MET LYS     1HEW
ASN TYR ARG GLY TYR SER LEU GLY     1HEW
ALA LYS PHE GLU SER ASN PHE ASN    1HEW
ARG ASN THR ASP GLY SER THR ASP     1HEW
ILE ASN SER ARG TRP TRP CYS ASN    1HEW
GLY SER ARG ASN LEU CYS ASN ILE     1HEW
LEU SER SER ASP ILE THR ALA SER     1HEW
LYS ILE VAL SER ASP GLY ASN GLY     1HEW
ALA TRP ARG ASN ARG CYS LYS GLY     1HEW
TRP ILE ARG GLY CYS ARG LEU             1HEW
D-GLUCOSAMINE                                           1HEW
D-GLUCOSAMINE                                           1HEW
D-GLUCOSAMINE                                           1HEW 1HEW
IV107Bioinformatikal -Prednáška 4
Záznam v PDB
Bioinformatické databáze
Databáze GenBank Databáze UniProt Protein Data Bank
□        ö
:|=   -O^O
Záznam v PDB
HELIX	1	A	ARG	5	HIS	15
HELIX	2	B	LEU	25	GLU	35
HELIX	3	C	CYS	80	LEU	84
HELIX	4	D	IHR	89	ILE	98
HELIX	5	E	VAL	109	ASN	113
SHEET	1	SI	2 LYS	1	.  PHE	3
SHEET	2	SI	2 PHE	38	:  IHR	40
SHEET	1	S2	3 ALA	42	!  ASN	46
SHEET	2	S2	3 SER	5Í	)  GLY	54
SHEET	3	S2	3 GLN	57	'  SER	60
TURN	1	TI	MET	12	HIS	15
TURN	2	T2	LYS	13	GLY	16
TURN	3	T3	LEU	17	TYR	20
TURN	4	T4	ASN	19	GLY	22
TURN	5	T5	TYR	20	TYR	23
TURN	6	T6	SER	24	ASN	27
TURN	7	T7	LEU	25	TRP	28
TURN	8	T8	SER	36	ASN	39
1      O      SER           5 0         N
1      O      ILE           58         N
TYPE    III
TYPE    I
TYPE    II
DISTORTED TYPE II
TYPE   ľ
TYPE   III
TYPE   III
TYPE   Ilľ
ASN TYR
1HEW 1HEW 1HEW 1HEW 1HEW 1HEW 1HEW 1HEW 1HEW 1HEW 1HEW 1HEW 1HEW 1HEW 1HEW 1HEW 1HEW 1HEW
IV107Bioinformatikal -Prednáška 4
Bioinformatické databáze
Databáze GenBank Databáze UniProt Protein Data Bank
□        ö
:|=   -O^O
CRYSTl
ORIGXl
ORIGX2
ORIGX3
SCALE1
SCALE2
SCALE3
ATOM
ATOM
ATOM
ATOM
ATOM
ATOM
ATOM
ATOM
ATOM
ATOM
ATOM
ATOM
ATOM
ATOM
P 43 21 2
LYS LYS LYS LYS LYS LYS LYS LYS LYS VAL VAL VAL VAL VAL
26144			0.	3000
398	9	981	10	408
459	10	365	9	364
458	11	880	9	149
481	12	672	10	100
026	9	935	9	695
028	10	169	8	558
415	10	089	9	048
357	10	822	8	082
661	10	090	8	025
429	12	232	7	880
395	13	653	7	465
977	13	868	6	903
642	13	368	5	826
533	14	012	6	536
28	03
21	93
14	10
30	54
37	93
33	23
32	17
31	92
17	30
14	47
17	58
32	65
22	88
1HEW   113
1HEW   114
1HEW   115
1HEW   116
1HEW   117
1HEW   118
1HEW   119
1HEW   12 0
1HEW   121
1HEW   12 2
1HEW   12 3
1HEW   124
1HEW   12 5
1HEW   12 6
1HEW   12 7
1HEW   12 8
1HEW   12 9
1HEW   13 0
1HEW   131
1HEW   13 2
1HEW   13 3
IV107Bioinformatikal -Přednáška 4
Záznam v PDB
Bioinformatické databáze
Databáze GenBank Databáze UniProt Protein Data Bank
□        ö
:|=   -O^O
IV107 Bioinformatika I -
Přednáška 4
Gene Ontology
►  Funkce genů a proteinů zjišťujeme experimentálně
►  Slovní popis není jednoznačný
«- syntéza proteinů «- syntéza polypeptidů
-  translace
-  aktivita ribozomů
►  Ontológie je způsob jak do používaných termínů vnést systém
Bioinformatické databáze
Databáze GenBank Databáze UniProt Protein Data Bank Gene Ontology KEGG
Příště
□             rS1
:l=   -O^O
Gene Ontology
biological process
is_V        \js_a
physiological process            cellular process
cess            eel
\   Á
• physiological p :ell cycle
w  v
ase           meio
\          ./part_of
ls-a\   *
a cellular physiological process
is a
cell cycle                       cell division
part of/        \l?-a
M phase           meiotic ceil cycle
cytokinesis
M phase of meiotic cell cycle
IV107Bioinformatikal -Přednáška 4
Bioinformatické databáze
Databáze GenBank Databáze UniProt Protein Data Bank Gene Ontology KEGG
Příště
Analýza proteinových sekvencí, strukturních a funkčních dat
:|=   -00,0
Gene Ontology
►  Molekulární proces
►   katalytická aktivita
►  transport
►  intermolekulární vazba
►  Biologický proces
►   přenos signálu
►  aktivace imunitního sytému
►   regulace genů
►  Buněčná složka
►   buněčné jádro
►   plazmatická membrána
IV107Bioinformatikal -Přednáška 4
Bioinformatické databáze
Databáze GenBank Databáze UniProt Protein Data Bank Gene Ontology KEGG
Příště
Analýza proteinových sekvencí, strukturních a funkčních dat
rS1            ~~                       -=  =   'O o, O1
141
Gene Ontology - kódy zdroje dat
Curator-assigned Evidence Codes
►  Experimental Evidence Codes
«- IDA: Inferred from Direct Assay
«- IPI: Inferred from Physical Interaction
-   IMP: Inferred from Mutant Phenotype
-   IGI: Inferred from Genetic Interaction IEP: Inferred from Expression Pattern
►  Computational Analysis Evidence Codes
-   ISS: Inferred from Sequence or Structural Similarity
-   IGC: Inferred from Genomic Context
-   RCA: inferred from Reviewed Computational Analysis
►  Author Statement Evidence Codes
-  TAS: Traceable Author Statement
«• NAS: Non-traceable Author Statement
►  Curator Statement Evidence Codes
-   IC: Inferred by Curator
ND: No biological Data available
►  Automatically-assigned Evidence Codes
-   IEA: Inferred from Electronic Annotation
►  Obsolete Evidence Codes
-   NR: Not Recorded
IV107Bioinformatikal -Přednáška 4
Bioinformatické databáze
Databáze GenBank Databáze UniProt Protein Data Bank Gene Ontology KEGG
Příště
□           rS1
1=   -00,0
Metabolické dráhy
lirteradion(5limLilal(xy] Wciadnn(mhtiloiy)
Miodilmiitianitiiiiviiii ,.!,■.,!;■■■:!
Slg lulling Modulus
= IfŕJ .;,■■                Clu'mukni r
ÜH IFW-T      ^ Toll-like ifteplof
y y   fli    e y   a. i
Í     J''    Í'-  BBflB     B
©     ©©íé© *€5    ©iSk y B                   B   .   B      B ý    I
^ j,1       TLR module B'.,
IRF3 module ™ě-
dbddbiqi     eo
SlfltT
IFN-ß/p module
■ flyiini STATI module   "■fJS^j
BB3niDDSIiB9DliBDDD D D D D O D
@©©©©J©©^®®©®®©®®©Í^Ě)í™)l@
http://www.genome.jp/kegg/
IV107 Bioinfbrmatika Přednáška 4
.1   V
1
Bioinformatické databáze
Databáze GenBank Databáze UniProt Protein Data Bank Gene Ontology KEG G
Příště
□               d5P
:l=    -O O» O
Příště Analýza proteinových sekvencí, strukturních a funkčních dat
IV107Bioinformatikal -Přednáška 4
Bioinformatické databáze
Databáze GenBank Databáze UniProt Protein Data Bank Gene Ontology KEGG
Příště
□        ö
:|=   -O^O
IV107 Bioinformatika I -
Přednáška 4
Dodatek
For Further Reading
Outline
Dodatek
□         gi           -           =       _=  =   -f)<\(y
IV107 Bioinformatika I -
Přednáška 4
Dodatek
For Further Reading
For Further Reading X
□             rS1
M=   -O^O