Molekulárně biologické databáze Pro zajímavost, nebude součástí zkoušky… Důležité, pravděpodobně bude u zkoušky… Molekulárně biologická data Molekulárně biologická data Mass spectrometer (MALDI-TOF MAS) MALDI-TOF Identifikace proteinů Sekvenace proteinů Molekulárně biologická data 2_Bruker%20600%20no%20bckg%20webpage NMR spektroskopie Proteinová krystalografie gfp Molekulárně biologická data •Výkonné technologie: • Automatické sekvencování • MALDI-TOF • NMR spektroskopie • Proteinová krystalografie • • •Výrazný nárůst množství biologických dat. cewolf;jsessionid=D3CF60D8CFFD7BA7CD0BF7B2542B064C?img=280111689&width=750&height=1500&iehack= RCSB PDB Protein Data Bank | Home 13. 1. 2009 55271 Éra reverzní genetiky Klasická genetika Fenotyp Genotyp Produkce velkého množství dat Automatické DNA sekvencování Genotyp Fenotyp Reverzní genetika Bi7201 Základy genomiky, podzimní semestr Molekulárně biologická data •Nutnost organizovaného ukládání a skladování dat. •Nutnost prohlížení a analyzování uložených dat. 180px-Wikipedia-logo Databáze je určitá uspořádaná množina informací (dat) uložená na paměťovém médiu. V širším smyslu jsou součástí databáze i softwarové prostředky, které umožňují manipulaci s uloženými daty a přístup k nim. Analytické nástroje •Vyhledávácí software • Nutnost snadného, rychlého a specifického vyhledání informací. •Srovnávání dat (sekvencí) • Sequence alignment – „seřazení“ sekvencí. Rozdělení molekulárně biologických databází •Databáze: • Primární • Sekundární • Strukturní EDRPIKFSTEGATSQSYKQFIEALRERLRGGLIHDIPVLPDPTTLQERNRYITVELSNSDTESIEVGIDVTNAYVVAYRAGTQSYFLRDAPSSASDYLF TGTDQHSLPFYGTYGDLERWAHQSRQQIPLGLQALTHGISFFRSGGNDNEEKARTLIVIIQMVAEAARFRYISNRVRVSIQTGTAFQPDAAMISLENNW DNLSRGVQESVQDTFPNQVTLTNIRNEPVIVDSLSHPTVAVLALMLFVCNPPNIVEKSKICSSRYEPTVRIGGRDGMCVDVYDNGYHNGNRIIMWKCKD RLEENQLWTLKSDKTIRSNGK Ribosome-inactivating protein, subdomain 1 Ribosome-inactivating protein, subdomain 2 Ricin B-like lectins abrin Rozdělení molekulárně biologických databází •Databáze: • Primární • Sekundární • Strukturní Primární databáze obsahují anotované sekvence NA nebo proteinů. EDRPIKFSTEGATSQSYKQFIEALRERLRGGLIHDIPVLPDPTTLQERNRYITVELSNSDTESIEVGIDVTNAYVVAYRAGTQSYFLRDAPSSASDYLF TGTDQHSLPFYGTYGDLERWAHQSRQQIPLGLQALTHGISFFRSGGNDNEEKARTLIVIIQMVAEAARFRYISNRVRVSIQTGTAFQPDAAMISLENNW DNLSRGVQESVQDTFPNQVTLTNIRNEPVIVDSLSHPTVAVLALMLFVCNPPNIVEKSKICSSRYEPTVRIGGRDGMCVDVYDNGYHNGNRIIMWKCKD RLEENQLWTLKSDKTIRSNGK Rozdělení molekulárně biologických databází •Databáze: • Primární • Sekundární • Strukturní Sekundární databáze obsahují informace odvozené z primárních databází ve formě charakteristických vzorů sekvencí, tj. funkčních nebo strukturních motivů získaných srovnáním primárních dat (sekvencí). EDRPIKFSTEGATSQSYKQFIEALRERLRGGLIHDIPVLPDPTTLQERNRYITVELSNSDTESIEVGIDVTNAYVVAYRAGTQSYFLRDAPSSASDYLF TGTDQHSLPFYGTYGDLERWAHQSRQQIPLGLQALTHGISFFRSGGNDNEEKARTLIVIIQMVAEAARFRYISNRVRVSIQTGTAFQPDAAMISLENNW DNLSRGVQESVQDTFPNQVTLTNIRNEPVIVDSLSHPTVAVLALMLFVCNPPNIVEKSKICSSRYEPTVRIGGRDGMCVDVYDNGYHNGNRIIMWKCKD RLEENQLWTLKSDKTIRSNGK Ribosome-inactivating protein, subdomain 1 Ribosome-inactivating protein, subdomain 2 Ricin B-like lectins Rozdělení molekulárně biologických databází •Databáze: • Primární • Sekundární • Strukturní Abrin Obsahují struktury proteinů (nukleových kyselin) a jejich anotace. Rozdělení molekulárně biologických databází •Databáze: • Primární • Sekundární • Strukturní • • Genomové zdroje Rozdělení molekulárně biologických databází •Databáze: • Specializované • Univerzální Specializované databáze obsahují informace o určité proteinové rodině nebo skupině proteinů, případně o určitém organismu. [USEMAP] Rozdělení molekulárně biologických databází •Databáze: • Specializované • Univerzální Univerzální databáze obsahují informace o proteinech (NA) ze všech organismů. [USEMAP] •Univerzální databáze: • „Skladiště“ sekvencí – sequence repository • „Manuálně“ spravovaná – curated database Rozdělení univerzálních proteinových databází Rozdělení univerzálních proteinových databází •„Skladiště“ sekvencí – sequence repository • Kromě sekvencí obsahují málo nebo žádné dodatečné informace. • Záznamy generovány automaticky. • Proteiny mohou být zastoupeny několika různými záznamy (sekvencemi) = „nadbytečnost“ (redundance) sekvencí. • • • Rozdělení univerzálních proteinových databází •Manuálně spravované – curated databases • Záznamy obsahují dodatečné informace. • Informace jsou před vložením do databáze validovány experty. • Všechny záznamy o stejné proteinové sekvenci jsou sdružovány do jediného = non-redundant dataset. • Rozdělení molekulárně biologických databází •Databáze: • Primární • Sekundární • Strukturní • • Genomové zdroje • Složené databáze Složené databáze •Složené (composite) databáze: • Slučují data z několika primárních databází. • Eliminace redundantních dat. • Různá priorita zdrojových databází podle kvality validace a anotace (eliminace redundantních dat z databáze s nižší prioritou). Molekulárně biologické databáze •http://www3.oup.co.uk/nar/database/a/ The Current Issue Genomics Databases (non-vertebrate) Metabolic and Signaling Pathways Human and other Vertebrate Genomes Human Genes and Diseases Microarray Data and other Gene Expression Databases Proteomics Resources Other Molecular Biology Databases Organelle databases Plant databases Immunological databases Nucleotide Sequence Databases International Nucleotide Sequence Database Collaboration Coding and non-coding DNA Gene structure, introns and exons, splice sites Transcriptional regulator sites and transcription factors RNA sequence databases Protein sequence databases Structure Databases 1170 databází EBI/NCBI/CIB •Instituce zabývající se shromažďováním, správou a poskytováním dat a informací a vývojem analytických nástrojů. EBI Evropský institut pro bioinformatiku http://www.ebi.ac.uk/ [USEMAP] National Center for Biotechnology Information NCBI Národní centrum pro biotechnologické informace http://www.ncbi.nlm.nih.gov/ Center for Information Biology CIB Centrum pro informační biologii http://www.cib.nig.ac.jp/ EBI EBI – Evropský institut pro bioinformatiku •Založen roku 1992 jako součást European Molecular Biology Laboratory - EMBL. •Sídlo v Hinxtonu ve Velké Británii. NCBI - Národní centrum pro biotechnologické informace •Založeno v roce 1988 jako oddělení Národní lékařské knihovny (National Library of Medicine – NLM) v USA. •Součást National Institutes of Health – NIH. CIB – Centrum pro informační biologii •Založeno jako oddělení Národního genetického institutu ( , NIG) v Japonsku. http://www.nig.ac.jp/ Primární databáze NA •EMBL - Evropský institut pro bioinformatiku • • •GenBank - Národní centrum pro biotechnologické informace • • •DDBJ - Národní genetický institut (NIG) NCBI logo 国立遺伝学研究所 EMBL •EMBL Nucleotide Sequence Database (EMBL-Bank) byla založena roku 1980 jako první databáze nukleotidových sekvencí. •Obsahuje sekvence RNA a DNA. •Zdroje sekvencí: vloženy přímo autory, genomové projekty, patenty • EMBL This morning the EMBL Database contained 244,322,213,780 nucleotides in 153,137,008 entries. This morning = 21.1.2009 EMBL EMBL growth_nucl growth_entries Total nucleotides (current 244,322,213,780) Number of entries (current 153,137,008) image The map shows 16,892,540 entries distributed over 11,882 locations. The dots on the map have different colours according to the taxonomy of the specimens: Eukaryota Bacteria Archaea Other Mixed EMBL „entry“ Translation = proteinová databáze Formát EMBL databáze Formát EMBL databáze http://www.ebi.ac.uk/embl/Documentation/User_manual/usrman.html Formát EMBL databáze http://www.ebi.ac.uk/embl/Documentation/User_manual/usrman.html Formát EMBL databáze http://www.ebi.ac.uk/embl/Documentation/User_manual/usrman.html GenBank NCBI logo •Založena roku 1982 v rámci institutu NCBI. • http://www.ncbi.nlm.nih.gov/Sitemap/samplerecord.html http://www.ncbi.nlm.nih.gov/Sitemap/samplerecord.html http://www.ncbi.nlm.nih.gov/Sitemap/samplerecord.html pic2_a The DNA Data Bank of Japan •Původně zahrnovala data především z japonských výzkumů. •V součastnosti úzká spolupráce s ostatními databázemi. • INSDC INSDC http://www.insdc.org/ Primární databáze proteinů •Univerzální databáze: • „Skladiště“ sekvencí – sequence repository • Manuálně spravovaná – curated database • •Příklad: GenBank versus RefSeq Primární databáze proteinů GenPept - GenBank Gene Products Data Bank RefSeq - Reference Sequence •PIR-PSD - Protein Information Resource Protein Sequence Database. • •Nejstarší univerzální „curated“ databáze proteinů. •Komplexní, non-redundant data, rozčleněna podle proteinových rodin a nadrodin, doplněna funkčními, strukturními a bibligrafickými daty. Primární databáze proteinů http://pir.georgetown.edu/ Swiss-PROT + TrEMBL •Swiss-Prot - „Cutared“ databáze založená na Univerzitě v Ženevě v roce 1986. Spravovaná Švýcarským institutem pro bioinformatiku (SIB - Swiss Institute of Bioinformatics). • •Vysoká úrověň anotace vkládáno více sekvencí než je možno manuálně anotovat a zařadit do databáze. • •TrEMBL – Počítačově anotovaná data, odvozená z kódujících úseku sekvencí v DDBJ/EMBL/GenBank, která ZATÍM nejsou zařazena v Swiss-Prot. Swiss-Prot Logo Swiss-PROT + TrEMBL •Anotace: Funkce • Katalytická aktivita • Podjednotky • Domény • Biotechnologické využití • Sekvenční homologie • Posttranslační modifikace • Reference atd. Swiss-Prot Logo http://www.expasy.org/sprot/ Složené databáze •Databáze: • Primární • Sekundární • Strukturní • • Genomové zdroje • Složené databáze Složené databáze •Složené (composite) databáze: • Slučují data z několika primárních databází. • Eliminace redundantních dat. • Různá priorita zdrojových databází podle kvality validace a anotace (eliminace redundantních dat z databáze s nižší prioritou). Swiss-PROT + TrEMBL OWL (Swiss-PROT + PIR + Genbank + NRL-3D) UniProt overview 2002- spolupráce mezi EBI, SIB a PIR http:/www.uniprot.org logo [USEMAP] Sekundární databáze NA a proteinů Sekundární databáze obsahují informace odvozené z primárních databází ve formě charakteristických vzorů sekvencí, tj. funkčních nebo strukturních motivů získaných srovnáním primárních dat (sekvencí). •Vyhledávání „vzoru“ charakteristického pro určitou skupinu proteinů. • •Možnost predikce funkce proteinů. • Sekundární databáze NA a proteinů •Databáze mohou obsahovat: • Proteinové DOMÉNY odvozené ze známých struktur • Proteinové sekvence seřazené do SEKVENČNÍCH RODIN • CHARAKTERISTICKÉ MOTIVY odvozené z těchto sekvenčních rodin. abrin •Sekundární proteinové databáze: • PROSITE, Pfam, PRINTS, ProDom, SMART, TIGRFAMS • V současné době sdruženy do integrované klasifikační databáze proteinů InterPro • • http://www.ebi.ac.uk/InterProscan/ • • Sekundární databáze NA a proteinů •Sekundární proteinové databáze: • PROSITE, Pfam, PRINTS, ProDom, SMART, TIGRFAMS • V současné době sdruženy do integrované klasifikační databáze proteinů InterPro • • http://www.ebi.ac.uk/InterProscan/ • •Sekundární databáze NA • TRANSFAC • • • • • Sekundární databáze NA a proteinů Strukturní databáze •http://www3.oup.co.uk/nar/database/a/ Strukturní databáze proteinů PDB - Protein Data Bank • •Databáze obsahuje experimentálně získané struktury proteinů, nukleových kyselin a komplexů informačních biomakromolekul. http://www.rcsb.org/pdb/ PDB formát •PDB formát – původní formát databáze. •1997 – mmCIF (macromolecular Crystallographic Information File). •Záznamy jsou v databázi uloženy v obou formátech a volně stažitelné. •PDB formát – rozeznáván téměř všemi programy pro práci se strukturami. PDB formát Abrin Strukturní databáze NA NDB - Nucleic Acid Database http://ndbserver.rutgers.edu/ Genomové zdroje EBI, NCBI – genomové databáze Vyhledávací systémy •Nutnost organizovaného ukládání a skladování dat. •Nutnost prohlížení a analyzování uložených dat. 180px-Wikipedia-logo Databáze je určitá uspořádaná množina informací (dat) uložená na paměťovém médiu. V širším smyslu jsou součástí databáze i softwarové prostředky, které umožňují manipulaci s uloženými daty a přístup k nim. •Textové vyhledávání v databázích • NCBI – Entrez http://www.ncbi.nlm.nih.gov/Entrez/ Vyhledávací systémy 120px-Entrez http://www.ncbi.nlm.nih.gov/Entrez/tutor.html •Textové vyhledávání v databázích • EBI– SRS • Sequence Retrieval System • http://srs.ebi.ac.uk/ other_srs •Vyhledávání podobností sekvencí • Textové vyhledávání může selhat (nedostatečná anotace). • Vyskytuje se shodná nebo podobná sekvence v databázi? (Identifikace možné funkce na základě homologie.) •Specializované nástroje (algoritmy) pro „seřazení“ (alignment) sekvencí. Vyhledávací systémy Shrnutí •Výrazný nárůst množství biologických dat vede k nutnosti jejich organizovaného skladování a analyzování (databáze). • •Instituce pro správu dat a vývoj nástrojů pro analýzu: EBI/NCBI/CIB • •Základní rozdělení databází: primární/sekundární/strukturní databáze • •Textové vyhledávací systémy: Entrez/SRS