Molekulárně biologické databáze Pro zajímavost… Důležité… 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. RCSB PDB Protein Data Bank | Home 19. 4. 2010 64623 RCSB PDB Protein Data Bank | Home 20. 4. 2011 72550 cewolf;jsessionid=F23DE30F3C784FD0F3DF931DBA35D349?img=1160965150&width=750&height=1500&iehack= RCSB PDB Protein Data Bank | Home 3. 4. 2012 80550 RCSB PDB Protein Data Bank | Home 2. 4. 2013 89393 Éra reverzní genetiky 800px-Rabbit_Grasshoper_Mutant-01611-nevit Klasická genetika Fenotyp Genotyp 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. • Databáze je určitá uspořádaná množina informací (dat) uložená na paměťovém médiu. 180px-Wikipedia-logo 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 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/ 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 2011: 1330 databází Molekulárně biologické databáze •http://www3.oup.co.uk/nar/database/a/ 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 2012: 1380 databází The Current Issue Molekulárně biologické databáze •http://www3.oup.co.uk/nar/database/a/ Database 2013 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 2013: 1512 databází EBI/NCBI/CIB •Instituce zabývající se shromažďováním, správou a poskytováním dat a informací a vývojem analytických nástrojů. http://www.ncbi.nlm.nih.gov/ EBI Evropský institut pro bioinformatiku http://www.ebi.ac.uk/ Center for Information Biology CIB Centrum pro informační biologii http://www.nig.ac.jp/ National Center for Biotechnology Information NCBI Národní centrum pro biotechnologické informace 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) 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 week = 20.4.2011 This week the EMBL Database contained 301,588,430,608 nucleotides in 199,575,971 entries EMBL •EMBL Nucleotide Sequence Database (EMBL-Bank) – součást ENA (European Nucleotide Archive). • • ENA logo http://www.ebi.ac.uk/ena/home image The map shows 18,628,656 entries distributed over 57,974 locations. The dots on the map have different colours according to the taxonomy of the specimens: Eukaryota Bacteria Archaea Other Mixed 2010 image The dots on the map have different colours according to the taxonomy of the specimens: Eukaryota Bacteria Archaea Other Mixed The map shows 18,628,656 entries distributed over 57,974 locations. 2010 image The map shows 18,710,024 entries distributed over 62,882 locations. The dots on the map have different colours according to the taxonomy of the specimens: Eukaryota Bacteria Archaea Other Mixed 2012 EMBL „entry“ Translation = proteinová databáze Formát EMBL databáze Formát EMBL databáze ftp://ftp.ebi.ac.uk/pub/databases/embl/doc/usrman.txt Formát EMBL databáze ftp://ftp.ebi.ac.uk/pub/databases/embl/doc/usrman.txt Formát EMBL databáze ftp://ftp.ebi.ac.uk/pub/databases/embl/doc/usrman.txt 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 http://www.insdc.org/ INSDC http://www.insdc.org/documents/feature-table#7.1.1 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 - „Curated“ databáze založená na Univerzitě v Ženevě v roce 1986. Spravovaná Švýcarským institutem pro bioinformatiku (SIB - Swiss Institute of Bioinformatics). • •Vysoká úroveň 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 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/interpro/ • 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/Tools/pfa/iprscan/ • •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 http://emdatabank.org/ 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/gquery/ Vyhledávací systémy 120px-Entrez http://www.ncbi.nlm.nih.gov/books/NBK3837/ •Textové vyhledávání v databázích • EBI– SRS • Sequence Retrieval System • http://srs.ebi.ac.uk/ other_srs http://www.ebi.ac.uk/ebisearch/aboutus.ebi •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