一步一步教你使用NCBI大數(shù)據(jù)庫(kù)資源

1、實(shí)用文檔一步一步教你使用NCBI 數(shù)據(jù)庫(kù)資源隨著 ncbi 數(shù)據(jù)庫(kù)各種資源的涌現(xiàn)，NCBI 已經(jīng)成為科研工作者必不可少的資料查找，數(shù)據(jù)分析的工具。那么NCBI數(shù)據(jù)如何使用，新手入門一步一步教你認(rèn)識(shí)和使用 NCBI 數(shù)據(jù)庫(kù)。一 綜合數(shù)據(jù)庫(kù)NCBI 數(shù)據(jù)庫(kù)集美國(guó)國(guó)立生物技術(shù)信息中心(NationalCenter for Biotechnology Information)，即我們所熟知的 NCBI是由美國(guó)國(guó)立衛(wèi)生研究院(NIH) 于 1988 年創(chuàng)辦。創(chuàng)辦 NCBI的初衷是為了給分子生物學(xué)家提供一個(gè)信息儲(chǔ)存和處理的系統(tǒng)。除了建有 GenBank核酸序列數(shù)據(jù)庫(kù) ( 該數(shù)據(jù)庫(kù)的數(shù)據(jù)資源來(lái)自全球幾大 D

2、NA數(shù)據(jù)庫(kù)，其中包括日本 DNA數(shù)據(jù)庫(kù) DDBJ、歐洲分子生物學(xué)實(shí)驗(yàn)室數(shù)據(jù)庫(kù) EMBL以及其它幾個(gè)知名科研機(jī)構(gòu) ) 之外， NCBI 還可以提供眾多功能強(qiáng)大的數(shù)據(jù)檢索與分析工具。 目前，NCBI提供的資源有 Entrez 、Entrez Programming Utilities 、My NCBI、PubMed、PubMedCentral 、Entrez Gene、NCBI Taxonomy Browser 、 BLAST、 BLAST Link (BLink) 、Electronic PCR等共計(jì) 36 種功能，而且都可以在 NCBI 的主頁(yè) 上找到

3、相應(yīng)鏈接，其中實(shí)用文檔多半是由BLAST功能發(fā)展而來(lái)的。1 NCBI 最新進(jìn)展1.1 PubMed 搜索功能的增強(qiáng)去年， NCBI 對(duì) PubMed進(jìn)行了幾項(xiàng)改進(jìn)工作，改動(dòng)最大的是搜索界面和摘要瀏覽界面。其中，搜索界面中新增了“ Advanced Search ”選項(xiàng) ( 這實(shí)際上是對(duì)以往“Limits ”和“ Preview/Index ”功能的整合 ) ，并且增加了一個(gè)新的窗口，用戶可以在此窗口下通過(guò)“論文作者名” 、“論文所屬雜志名稱”、“論文出版日期”等限定條件進(jìn)行搜索。而且， “論文作者名”和“論文所屬雜志名稱”還設(shè)有文本框自動(dòng)填充功能?，F(xiàn)在，在 PubMed數(shù)據(jù)庫(kù)中進(jìn)行文本搜索的同

4、時(shí)還可以立即通過(guò)兩個(gè)“內(nèi)容傳感器 (content sensors) ”進(jìn)行分析。一個(gè)“內(nèi)容傳感器”是根據(jù)作者姓名、所屬雜志名稱或雜志名縮寫(xiě)、出版日期、卷號(hào)或刊號(hào)等信息進(jìn)行分析，然后將符合條件的搜索結(jié)果排列到結(jié)果列表的頂端。另一個(gè)“內(nèi)容傳感器”是根據(jù)文章是否與用戶給出的條件，例如是否與某種藥物相關(guān)，在 NCBI 的新增數(shù)據(jù)庫(kù) PubMed Clinical Q&A中進(jìn)行搜索，然后給出搜索結(jié)果。實(shí)用文檔1.2新增 primer-BLAST 分析工具2008 年， NCBI 新增了設(shè)計(jì)、分析 PCR引物的工具 Primer-BLAST 。 Primer-BLAST 的引物設(shè)計(jì)功能是基于 N

5、CBI 現(xiàn)有的 Primer3 程序發(fā)展而來(lái)的， Primer3 程序可以為一段DNA模板序列設(shè)計(jì)PCR引物。 Primer-BLAST 在設(shè)計(jì)出引物之后還在某些相應(yīng)數(shù)據(jù)庫(kù)中進(jìn)行BLAST搜索，因此可以得到特異性引物，擴(kuò)增出目的片段。用戶在給出DNA模板的同時(shí)還可以限定正向引物或反向引物，這樣， NCBI就只會(huì)給出另一條引物。如果用戶給出了模板DNA和兩條引物序列，Primer-BLAST 就只會(huì)運(yùn)行BLAST程序，幫助用戶對(duì)引物進(jìn)行分析。用戶也可以只給出兩條引物而不給出模板序列，這時(shí)Primer-BLAST 會(huì)通過(guò) BLAST程序分析出與這對(duì)引物最匹配的模板序列。 Primer-BLAST

6、進(jìn)行 BLAST搜索的數(shù)據(jù)庫(kù)包括RefSeq mRNA、 BLAST nr 和 12 種模式生物基因組數(shù)據(jù)庫(kù)。1.3 BLAST 的改進(jìn)及更新NCBI 對(duì) BLAST進(jìn)行了全新的改版，推出了最新的webBLAST report 。在最新的 BLAST比對(duì)結(jié)果頁(yè)面中， “圖形化概要 (Graphic Summary) ”、“具體描述 (Descriptions) ”以及“序列比對(duì) (Alignments) ”等部分頁(yè)面都可以展開(kāi)和收起。實(shí)用文檔此外，網(wǎng)頁(yè)上還提供了“結(jié)果輸出格式選項(xiàng) (Formatting) ” 和“結(jié)果下載選項(xiàng) (download) ”，在下載選項(xiàng)中還新增了 CSV格式下載。這

7、樣，讀者可以輕松地將 BLAST的比對(duì)結(jié)果輸入到表格處理軟件中去。另外， BLAST比對(duì)結(jié)果頁(yè)面上的“ Alignments ”部分還提供了每一條命中序列在Entrez GENE中的相關(guān)信息，這些信息包括基因名稱、來(lái)源物種以及在PubMed數(shù)據(jù)庫(kù)中與該基因有關(guān)條目的數(shù)目等?！癇LAST tree ”結(jié)果輸出模式可以測(cè)量不同序列間的距離，自動(dòng)收起亞類信息等。 現(xiàn)在，可以以 Newick 格式或 Nexus格式下載 BLAST tree結(jié)果，也可以在進(jìn)化樹(shù)圖中選擇任一節(jié)點(diǎn)重新構(gòu)樹(shù)。最后還要向讀者介紹 ncbi blast 的一個(gè)新網(wǎng)址： URL: 。

8、NCBI 建議讀者都使用這個(gè)網(wǎng)址登陸 NCBI BLAST，因?yàn)樵?BLAST使用更多的計(jì)算機(jī)進(jìn)行分析，也具有更強(qiáng)的系統(tǒng)容錯(cuò)能力。1.4 Entrez Gene改進(jìn)及更新基因組注釋工作當(dāng)中有一項(xiàng)重要的工作就是定位基因重疊群序列 (contig sequences)，即在染色體中找出某個(gè)基因的定位。實(shí)際上基因組測(cè)序工作就是將許多基因重疊序列彼此拼接，最后拼出“完整( 中間會(huì)有一些縫隙) ”的基因組圖實(shí)用文檔譜。這項(xiàng)工作可以直接將某個(gè)基因與某段基因重疊群序列對(duì)應(yīng)起來(lái)，但不能直接將該基因與染色體聯(lián)系起來(lái)，而這恰恰是生物學(xué)家最感興趣的地方。因此，為了能讓用戶在搜索基因的同時(shí)，也能了解到一些該基因在染色

9、體中的定位情況，Entrez Gene推出了新的“ Limits ”服務(wù)，用戶可以使用該服務(wù)在基因組范圍內(nèi)進(jìn)行基因搜索。用戶可以在某個(gè)物種染色體的某個(gè)區(qū)域里進(jìn)行基因搜索。Entrez Gene會(huì)按以下三種順序?qū)λ阉鞒龅幕蜻M(jìn)行排序：1. 按照基因名排序。2. 按照相關(guān)性排序，即按照結(jié)果與用戶搜索所使用的關(guān)鍵詞，例如基因名稱等的匹配程度排序。3. 按照基因重要性排序，即按照該基因在PubMed、Homologene、 Protein Clusters、 Online MendelianInheritancein Man(OMIM)或 Bookshelf中文獻(xiàn)數(shù)量的多少進(jìn)行排序。2 ENTREZ

10、搜索系統(tǒng)實(shí)用文檔2.1 EntrezEntrez 數(shù)據(jù)庫(kù)是一個(gè)整合了多個(gè)數(shù)據(jù)庫(kù)的綜合檢索系統(tǒng)，它包含了35 個(gè)不同數(shù)據(jù)庫(kù)的信息，共收錄有超過(guò)350,000,000條記錄 ( 表 1) 。 Entrez數(shù)據(jù)庫(kù)支持使用簡(jiǎn)單的布爾查詢 (Boolean queries)方式進(jìn)行文本搜索，可以下載不同格式的數(shù)據(jù)資料，還可以按照生物學(xué)關(guān)系提供與其它相關(guān)記錄的鏈接。這些鏈接給出的都是最簡(jiǎn)要的信息，例如會(huì)給出一條序列和報(bào)道該序列的論文摘要，或者會(huì)給出一條蛋白質(zhì)序列的編碼DNA序列或該蛋白質(zhì)的3D 結(jié)構(gòu)圖。這種通過(guò)計(jì)算機(jī)運(yùn)算，即基于比較序列相似性或PubMed中摘要的相似性，所給出的相關(guān)鏈接信息可以以最快的速

11、度提供給用戶大量的相關(guān)信息。還有一種叫做“LinkOut ”的功能將這種鏈接功能擴(kuò)展到了與外部數(shù)據(jù)庫(kù)，例如各物種基因組數(shù)據(jù)庫(kù)之間的鏈接。Entrez 中搜索到的數(shù)據(jù)可以以多種格式輸出，也可以打包下載或逐個(gè)下載。2.2 My NCBI實(shí)用文檔My NCBI 功能是為了方便用戶儲(chǔ)存?zhèn)€人配置信息，例如搜索條件、 LinkOut 參數(shù)或文件出處等而設(shè)的。用戶登陸自己的My NCBI 帳戶后，就可以進(jìn)行保存搜索設(shè)置、管理郵件等操作了。 My NCBI 中有一種稱作“Collections”的功能可以讓用戶儲(chǔ)存搜索結(jié)果和文獻(xiàn)結(jié)果。BLAST中也設(shè)有類似的功能，這樣用戶就可以使用同一條件進(jìn)行多次比對(duì)了。2.

12、3 Entrez programming utilities(E-Utilities)E-Utilities(Entrez應(yīng)用程序 ) 由 8 種服務(wù)器程序組成，借助 E-Utilities可以設(shè)置一套標(biāo)準(zhǔn)參數(shù)進(jìn)行搜索、鏈接和下載數(shù)據(jù) ( 表 2) 。用戶可以到NCBI 主頁(yè)上的 Entrez Tools鏈接中了解更多有關(guān)E-Utilities的信息。2.4 TaxonomyNCBI Taxonomy(分類 ) 數(shù)據(jù)庫(kù)在 Entrez 生物學(xué)數(shù)據(jù)庫(kù)中起到了組織中心的作用。該數(shù)據(jù)庫(kù)為每一個(gè)分類學(xué)上的節(jié)點(diǎn)，從超界節(jié)點(diǎn) (superkingdoms)到亞種節(jié)點(diǎn) (subspecies)，提供數(shù)據(jù)鏈接

13、服務(wù)。分類數(shù)據(jù)庫(kù)以每月增加2200 個(gè)新分類單位的速度在增長(zhǎng)，共收錄有將近300,000 種物種信息，這些信息為“屬 (genus) ”級(jí)別，或者雖然未達(dá)到“屬(genus) ”級(jí)別，但在Entrez 至少收錄有一條該物種的核酸序列或蛋白質(zhì)序列信息。使用Taxonomy 網(wǎng)頁(yè)可以了解該物種在分類實(shí)用文檔學(xué)上的地位，也可以在某一物種范圍內(nèi)對(duì)Entrez 數(shù)據(jù)庫(kù)進(jìn)行搜索。3 BLAST 序列相似性搜索程序BLAST程序是一種進(jìn)行序列相似性搜索的程序，它可以對(duì)核酸序列或蛋白質(zhì)序列進(jìn)行分析。經(jīng)過(guò)BLAST程序比對(duì)之后會(huì)得到各種序列結(jié)果，例如轉(zhuǎn)錄體序列(UniGene) 信息、基因序列 (Gene) 信

14、息、3D 結(jié)構(gòu)信息 (MMDB)或芯片信息 (GEO)等。用戶也可以使用My NCBI功能保留 BLAST中設(shè)定的搜索題目、近期搜索結(jié)果和搜索參數(shù)等信息。還有一種BLAST程序BLAST2Sequences程序，它可以對(duì)兩條DNA序列或蛋白質(zhì)序列進(jìn)行比對(duì)，并獲得一個(gè)點(diǎn)對(duì)點(diǎn)的比對(duì)結(jié)果。BLAST程序也可以作為一個(gè)獨(dú)立的程序下載到本地計(jì)算機(jī)上使用，用戶可以到 /blast/executables/LATEST/下載(表 3)。3.1 BLASTBLAST默認(rèn)的比對(duì)信息數(shù)據(jù)庫(kù)包括NCBI中的人類基因組數(shù)據(jù)實(shí)用文檔庫(kù)和人類RefSeq 數(shù)據(jù)庫(kù)。比對(duì)之后， BLAST會(huì)按

15、照評(píng)分高低、序列相似度對(duì)結(jié)果進(jìn)行排序，另外 BLAST還可以對(duì)小鼠數(shù)據(jù)庫(kù)以及其它數(shù)據(jù)庫(kù)進(jìn)行比對(duì)。蛋白質(zhì)序列的默認(rèn)數(shù)據(jù)庫(kù)包括 GenBank非冗余數(shù)據(jù)庫(kù)、RefSeq、Swiss-Prot 、PDB、PIR 和 PRF等。此外，還包括這些數(shù)據(jù)庫(kù)下的子數(shù)據(jù)庫(kù)以及其它一些專利數(shù)據(jù)庫(kù)和諸如核酸數(shù)據(jù)庫(kù)等環(huán)境樣品數(shù)據(jù)庫(kù)(environmental samples)。3.2 BLAST output formats標(biāo)準(zhǔn)的 BLAST輸出格式包括默認(rèn)的配對(duì)比對(duì)格式(defaultpairwise alignment)、搜索定位的多序列比對(duì)格式(query-anchoredmultiplesequence al

16、ignmentformats)、簡(jiǎn)單的可解析的Hit Table格式以及按照分類學(xué)給出的報(bào)告格式等。一種叫做“按照同一性進(jìn)行配對(duì)(Pairwise withidentities)”的格式能更好地突出目標(biāo)序列與檢索序列之間的差別。而Web BLAST中提供的樹(shù)狀瀏覽格式則會(huì)按照搜索出的目標(biāo)序列與檢索序列之間的距離不同將這些目標(biāo)序列進(jìn)行聚類，形成一幅樹(shù)狀圖來(lái)顯示結(jié)果。BLAST比對(duì)之后給出的每一種格式的比對(duì)結(jié)果都會(huì)有一個(gè)分值和E 值。用戶也可以設(shè)定一個(gè)E 值的閾值來(lái)篩選比對(duì)結(jié)果。實(shí)用文檔3.3 MegaBLASTMegaBLAST也是一種 BLAST程序，不過(guò)它主要是用來(lái)在非常相似的序列之間( 來(lái)

17、自同一物種 ) 比對(duì)同源性的。使用者通過(guò)網(wǎng)頁(yè)使用MegaBLAST進(jìn)行批量比對(duì)操作，這比使用標(biāo)準(zhǔn)的BLAST程序要快10 倍。 MegaBLAST在 NCBI 基因組 BLAST頁(yè)面下是默認(rèn)的搜索工具，借助它能對(duì)增長(zhǎng)迅速的TraceArchives數(shù)據(jù)庫(kù)和標(biāo)準(zhǔn)BLAST使用的數(shù)據(jù)庫(kù)進(jìn)行快速檢索。NCBI 還為跨物種核酸序列快速搜索提供了DiscontiguousMegaBLAST，它使用非重疊群字段匹配算法(noncontiguousword match) 來(lái)進(jìn)行核酸比對(duì)。DiscontiguousMegaBLAST比blastx等翻譯后比對(duì)要快得多，同時(shí)它在比較編碼區(qū)時(shí)也具有相當(dāng)高的敏感度。

18、3.4 Genomic BLASTNCBI在 Map Viewer 中還為 100 多個(gè)物種設(shè)有Genomic BLAST。通過(guò)默認(rèn)的Genomic BLAST既能對(duì)某個(gè)物種的基因組序列進(jìn)行搜索，也能對(duì)其它的數(shù)據(jù)庫(kù)進(jìn)行搜索，比如RefSeqs 數(shù)據(jù)庫(kù)、 EST數(shù)據(jù)庫(kù)等。實(shí)用文檔4 文獻(xiàn)資源4.1 PubMed 數(shù)據(jù)庫(kù)目前，PubMed數(shù)據(jù)庫(kù)中收錄有自1860年以來(lái)20,400種生命科學(xué)類雜志、刊物刊登過(guò)的超過(guò)1800萬(wàn)條的文獻(xiàn)記錄。這些文獻(xiàn)中有980 萬(wàn)條摘要信息，最早的記錄可追溯至19 世紀(jì) 80 年代，其中有 870 萬(wàn)條可以檢索到全文。 PubMed數(shù)據(jù)庫(kù)與其它 Entrez 數(shù)據(jù)庫(kù)都保

19、持著密切聯(lián)系，這樣可以在不同的數(shù)據(jù)庫(kù)之間架起一座連接的橋梁。 PubMed數(shù)據(jù)庫(kù)還會(huì)通過(guò)計(jì)算機(jī)自動(dòng)檢索出包含相近 MeSH詞匯、文獻(xiàn)題目以及摘要的相關(guān)文獻(xiàn)信息提供給用戶。默認(rèn)的“ AbstractPlus ”輸出格式給出了該文獻(xiàn)的摘要信息和五篇與該文獻(xiàn)相關(guān)信息的簡(jiǎn)單介紹，這樣用戶就可以獲得更多的有關(guān)資訊了。4.2 PubMed CentralPubMed Central是一個(gè)收錄生命科學(xué)領(lǐng)域同行評(píng)審期刊(Peer Reviewed Journals)文獻(xiàn)的數(shù)據(jù)庫(kù)，現(xiàn)收錄超過(guò)160萬(wàn)條全文文獻(xiàn)，并且僅去年一年就增長(zhǎng)了51%。而且，包括核酸研究 (Nucleic Acids Research)在內(nèi)

20、的 480 多種期刊會(huì)為 PubMed Central提供全文文獻(xiàn)。實(shí)用文檔所有參與PubMed Central的出版商也都必須在文獻(xiàn)出版后12 個(gè)月之內(nèi)免費(fèi)為PubMedCentral提供全文文獻(xiàn)。 由于 NIH于 2008 年 4 月 7 日開(kāi)始執(zhí)行向公眾免費(fèi)開(kāi)放使用的政策，故而 PubMed Central 也必須免費(fèi)向公眾開(kāi)放使用。如此一來(lái)，用戶使用 Entrez 就可以搜索到 PubMed和 PubMedCentral中的所有文獻(xiàn)信息了。4.3 NCBI Bookshelf 、NLM Catalog 以及 JournalsdatabaseNCBI Bookshelf通過(guò)與作者和出版商

21、合作，收錄了86 種在線教科書(shū)和生物醫(yī)藥類圖書(shū)。NCBI Bookshelf作為獨(dú)立于Entrez數(shù)據(jù)庫(kù)的一個(gè)單獨(dú)數(shù)據(jù)庫(kù)，它里面的信息也可以通過(guò)文本搜索或Entrez數(shù)據(jù)庫(kù)，例如PubMed、 PubMedCentral、Gene和OMIM中的鏈接搜索到。NCBI Bookshelf中的圖書(shū)不是象普通圖書(shū)那樣一本一本的存放的，而是按照內(nèi)容將它們分成了 230,000 個(gè)不同的部分、章節(jié)進(jìn)行儲(chǔ)存的。用戶瀏覽其中一個(gè)內(nèi)容的時(shí)候也可以跳到該書(shū)的其它部分或者直接搜索這本書(shū)中的特定內(nèi)容進(jìn)行閱讀。NLM Catalog 為藏書(shū)超過(guò)130 萬(wàn)冊(cè)的美國(guó)國(guó)立衛(wèi)生圖書(shū)館(NLM)記錄設(shè)立目錄信息，包括雜志、圖書(shū)、

22、手稿、計(jì)算機(jī)實(shí)用文檔軟件、錄音文件和其它電子資源。每一條記錄都可鏈接到NLMLocatorPlus和具有相近題目或MeSH詞匯的相關(guān)文件目錄信息。Journals database(期刊數(shù)據(jù)庫(kù)) 包含了每一個(gè)Entrez數(shù)據(jù)庫(kù)中的所有期刊信息。目前共收錄有超過(guò) 22,000 條記錄，期刊數(shù)據(jù)庫(kù)為每一份期刊都建立了 ISO 刊名縮寫(xiě)索引、出版日期索引和 NLM catalog 鏈接索引以及 Entrez 中引用該期刊中文獻(xiàn)的索引。5 基因序列信息以及相關(guān)序列信息5.1數(shù)據(jù)庫(kù)5.1.1 Entrez GeneEntrez Gene數(shù)據(jù)庫(kù)為用戶提供基因序列注釋和檢索服務(wù)，還會(huì)鏈接到NCBI的 Map

23、 Viewer 、 Evidence Viewer、 ModelMaker、BLAST Link (Blink)、 protein domains from theConserved Domain Database(CDD)等數(shù)據(jù)庫(kù)資源以及其它與基因相關(guān)的資源。EntrezGene數(shù)據(jù)庫(kù)收錄了來(lái)自5300 多個(gè)實(shí)用文檔物種的 430 萬(wàn)條基因記錄。 而且， NCBI 除了擁有自己的注釋工作人員之外，還在不斷從許多其它國(guó)際合作組織那里獲取新的基因注釋記錄信息。EntrezGene數(shù)據(jù)庫(kù)與 PubMed中最新引文之間的鏈接是由基因注釋人員負(fù)責(zé)維護(hù)的，這項(xiàng)功能也被稱作GeneRIF。完整的 Entr

24、ez Gene數(shù)據(jù)集以及物種特異性的數(shù)據(jù)亞集可以在NCBI FTP 站點(diǎn)中的 NCBI ASN.1 中找到。一種可以將 NCBI ASN.1 格式轉(zhuǎn)化成 XML格式的名為 ene2xml 的軟件也可以到/toolbox/ncbi_tools/converters/by_program/gene2xml下載。5.1.2 UniGene和 ProtESTUniGene 從屬于 GenBank的一部分，專門收集轉(zhuǎn)錄體序列數(shù)據(jù)，包括 EST序列和非冗余序列，每一條UniGene 記錄都代表一個(gè)潛在的基因。UniGene 收錄了 GenBank中來(lái)自所有物種的將近70,0

25、00 條 EST序列，這些物種中包括58 種動(dòng)物、43 種植物和真菌以及6 種真核生物。 現(xiàn)在，在構(gòu)建基因表達(dá)譜芯片時(shí)都是參考UniGene 中的數(shù)據(jù)來(lái)進(jìn)行設(shè)計(jì)的。UniGene數(shù)據(jù)庫(kù)每周都會(huì)更新EST信息，每?jī)蓚€(gè)月會(huì)更新序列信息。實(shí)用文檔ProtEST 作為 UniGene 序列的輔助確認(rèn)工具會(huì)預(yù)先對(duì)序列進(jìn)行 BLAST比對(duì)，它所使用的比對(duì)方式是將UniGene 核酸序列的 6 種可能翻譯蛋白質(zhì)序列與模式生物蛋白質(zhì)序列進(jìn)行比對(duì)。5.1.3 HomoloGene數(shù)據(jù)庫(kù)HomoloGene數(shù)據(jù)庫(kù)是一個(gè)在20 種完全測(cè)序的真核生物基因組中自動(dòng)檢索同源基因的系統(tǒng)，包括直系同源與旁系同源。Homolo

26、Gene的結(jié)果報(bào)告包括基因同源性和來(lái)自O(shè)MIM、小鼠基因組信息學(xué) (Mouse Genome Informatics, MGI)、斑馬魚(yú)信息網(wǎng)絡(luò) (Zebrafish Information Network, ZFIN)、酵母基因組數(shù)據(jù)庫(kù) (Saccharomyces Genome Database, SGD)、直系同源基因簇 (Clusters of Orthologous Groups， COG)和果蠅數(shù)據(jù)庫(kù) (FlyBase)的基因表型信息。HomoloGene下載功能能下載HomoloGene中的轉(zhuǎn)錄體、蛋白質(zhì)和基因組序列信息，還能下載基因組中特定基因的上游和下游序列。5.1.4 Re

27、ference SequencesReference Sequences(RefSeq)數(shù)據(jù)庫(kù)是一個(gè)收錄注釋過(guò)的非冗余轉(zhuǎn)錄體、蛋白質(zhì)和基因組序列數(shù)據(jù)庫(kù)。2008 年，實(shí)用文檔Reference Sequences 數(shù)據(jù)庫(kù)收錄的記錄增加了 40%。同年 7 月公布的 Reference Sequences 數(shù)據(jù)庫(kù) 30 共收錄了來(lái)自 5400種不同物種的300 萬(wàn)條核酸序列和560 萬(wàn)條蛋白質(zhì)序列。用戶可以通過(guò)Entrez 核酸和蛋白質(zhì)數(shù)據(jù)庫(kù)搜索到RefSeq 序列，也可以通過(guò)NCBI FTP 站點(diǎn)進(jìn)入RefSeq 數(shù)據(jù)庫(kù)。5.1.5 GenBank和其它數(shù)據(jù)庫(kù)來(lái)源的序列用戶可以通過(guò)三個(gè) Ent

28、rez 數(shù)據(jù)庫(kù) Nucleotide 、 EST和 Genome Survey Sequence(GSS)( 這三個(gè)數(shù)據(jù)庫(kù)在E-Utilities中分別稱作nuccore 、nucest 和 nucgss) 搜索到 GenBank中的序列。 Entrez Nucleotide 數(shù)據(jù)庫(kù)含有除了收錄之外的 GenBank中所有的序列，它還收錄有全基因組鳥(niǎo)槍法測(cè)序序列、第三方注釋序列 (Third Party Annotation sequences) 和 Entrez 結(jié)構(gòu)數(shù)據(jù)庫(kù)中的序列。對(duì)這些記錄中編碼序列概念上的翻譯信息都收錄在了 Entrez 蛋白質(zhì)數(shù)據(jù)庫(kù)中。 EST數(shù)據(jù)庫(kù)收錄了 GenBa

29、nk EST中的所有數(shù)據(jù)和沒(méi)有生物學(xué)注釋信息的“單分子識(shí)別首次通過(guò) (first-pass single-read) ”的 cDNA序列。同樣， GenBank中的 GSS數(shù)據(jù)庫(kù)也收錄了沒(méi)有生物學(xué)注釋信息的單分子識(shí)別首次通過(guò)的基因組序列。實(shí)用文檔5.2分析工具5.2.1 ORF Finder、 Spidey 和 SplignNCBI 提供了幾種分析工具可以幫助用戶在基因組內(nèi)發(fā)現(xiàn)編碼序列。 Open Reading Frame(ORF)Finder程序可以將一段DNA序列按照6 種進(jìn)行翻譯，然后返回某一段DNA序列中可能的 ORF。Spidey 工具將一組真核生物的 mRNA序列與一個(gè)基因組序列

30、進(jìn)行比對(duì)，使用 4 種物種的 RNA剪切模型 ( 脊椎動(dòng)物、果蠅、秀麗隱桿線蟲(chóng)和植物 ) 來(lái)預(yù)測(cè) RNA剪切位點(diǎn)。 Splign 是一種通過(guò)比對(duì) cDNA和基因組序列來(lái)發(fā)現(xiàn)剪切位點(diǎn)的工具，它可以在測(cè)序出現(xiàn)錯(cuò)誤的情況下使用，還可以進(jìn)行跨物種的比對(duì)。 Splign使用了一種Needleman-Wunsch 算法，與區(qū)域化算法 (compartmentization algorithm)一起使用能發(fā)現(xiàn)可能的基因位點(diǎn)。用戶可以在Splign網(wǎng)頁(yè)上下載單獨(dú)為大批量分析而專門設(shè)計(jì)的Splign工具使用。5.2.2 Electronic PCR(e-PCR)正向 e-PCR能在 UniSTS 數(shù)據(jù)庫(kù)收錄的超

31、過(guò)510,000 條 STS實(shí)用文檔標(biāo)記物中搜索到與STS引物配對(duì)的序列。反向e-PCR則通過(guò)搜索基因組數(shù)據(jù)庫(kù)和轉(zhuǎn)錄體數(shù)據(jù)庫(kù)來(lái)估計(jì)基因組結(jié)合位點(diǎn)、擴(kuò)增子大小和引物特異性。用戶可以在/pub/schuler/e-PCR上找到e-PCR的源代碼(source code)。5.2.3 Conserved CDS database(CCDS)不同的科研小組使用他們各自的方法研究同一物種基因組時(shí)，對(duì)于基因組中的基因定位可能會(huì)得到相似但不完全相同的結(jié)論。這樣，就會(huì)對(duì)其它的科研工作者造成困擾。在所有的模式生物中，目前對(duì)人類和小鼠的基因組序列研究得最多也最透徹，因此它們

32、最適合用來(lái)作為“標(biāo)準(zhǔn)的 (consensus) ” 基因注釋的“實(shí)驗(yàn)材料” 。CCDS數(shù)據(jù)庫(kù)計(jì)劃 (/CCDS/) 就是由NCBI、歐洲生物信息學(xué)研究院 (European Bioinformatics Institute) 、韋爾科姆基金會(huì)桑格研究院 (Wellcome TrustSanger Institute)和加州大學(xué)圣克魯茲分校(UCSC)共同合作建立的標(biāo)準(zhǔn)的有關(guān)人類和小鼠基因蛋白質(zhì)編碼區(qū)的數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)會(huì)不斷更新來(lái)保持其高水準(zhǔn)。到目前為止， CCDS數(shù)據(jù)庫(kù)共收錄了超過(guò)20,000 條人類基因CDS注釋數(shù)據(jù)和實(shí)用文檔17,500 條小鼠基因

33、CDS注釋數(shù)據(jù)。用戶可以在 CCDS的網(wǎng)頁(yè)上使用基因名或序列 ID 進(jìn)行搜索，還可以鏈接到 EntrezGene數(shù)據(jù)庫(kù)、歷史記錄信息、轉(zhuǎn)錄體和蛋白質(zhì)序列、MapViewer 、Ensemble Genome Browser 、 UCSC Genome Browser和桑格研究院的Vega Browser 。用戶可以到/pub/CCDS/下載 CCDS序列數(shù)據(jù)。6 基因組信息6.1數(shù)據(jù)庫(kù)6.1.1 Entrez GenomeEntrez Genome 數(shù)據(jù)庫(kù)收錄了850 多種微生物、 3100 多種病毒以及 1600 多種真核生物細(xì)胞器的完整基因組數(shù)據(jù)以及

34、將近 50 種動(dòng)物、綠色植物和真菌的700 多條染色體信息，總共收錄有6200 多條序列，其中有882 條是去年新增的序列信息。而對(duì)于更高等的真核生物基因組，Entrez Genome 數(shù)據(jù)庫(kù)會(huì)直接鏈接到NCBI Map Viewer 。原核生物、病毒和真核生物細(xì)胞器的基因組則可以鏈接到專門的頁(yè)面和BLAST頁(yè)面。另外還專門設(shè)有植物基因組頁(yè)面(Plant Genomes實(shí)用文檔Central Web page)，在上面可以查詢到完整的植物基因組測(cè)序計(jì)劃、植物基因組BLAST或者 Map Viewer 等信息。6.1.2 Entrez Genome ProjectEntrez Genome Pr

35、oject 數(shù)據(jù)庫(kù) (Entrez 基因組計(jì)劃數(shù)據(jù)庫(kù) ) 向用戶提供了一個(gè)有關(guān)正在進(jìn)行中的大規(guī)模植物基因組測(cè)序、組裝、注釋和作圖工作的全面概況。目前，該數(shù)據(jù)庫(kù)顯示，一共對(duì)2200 種植物進(jìn)行了測(cè)序工作，其中750 種已經(jīng)完成了所有工作，700 種正處于草圖組裝階段。該數(shù)據(jù)庫(kù)的規(guī)模還在不斷擴(kuò)大，以至于還囊括了多個(gè)單獨(dú)的測(cè)序項(xiàng)目，例如病毒群體計(jì)劃(viral population projects)、對(duì) 16S核糖體 RNA元基因庫(kù) (16S ribosomal RNA metagenomic)等靶位點(diǎn)的測(cè)序計(jì)劃(targeted locus sequencing projects)以及轉(zhuǎn)錄組計(jì)劃

36、等。 Entrez 基因組計(jì)劃數(shù)據(jù)庫(kù)與其它 Entrez 數(shù)據(jù)庫(kù)，例如 Entrez 核酸數(shù)據(jù)庫(kù)和 Entrez 基因組數(shù)據(jù)庫(kù)以及 NCBI內(nèi)部或者外部資源都有廣泛的聯(lián)系。 Entrez 基因組計(jì)劃還為原核生物的某些特點(diǎn)，例如表型、活力、致病性和對(duì)生存鹽濃度、溫度、氧氣濃度、 pH值等環(huán)境因素設(shè)置了索引，這對(duì)于研究原核生物的生物學(xué)家們來(lái)說(shuō)無(wú)疑是一項(xiàng)非常有用的功能。 NCBI 鼓勵(lì)各個(gè)測(cè)序中心在開(kāi)始他們的測(cè)序項(xiàng)目實(shí)用文檔之前提前登記自己的項(xiàng)目安排，這樣就能更好的統(tǒng)籌安排，共享資源了。6.1.3 NCBI Trace ArchivesTrace Archives數(shù)據(jù)庫(kù)儲(chǔ)存了由凝膠/ 毛細(xì)血管測(cè)序平

37、臺(tái)(如 Applied Biosystems ABI 3730)測(cè)序獲得的序列數(shù)據(jù)。至今， Trace Archives數(shù)據(jù)庫(kù)包含有4500 個(gè)品種的共計(jì)超過(guò)例19 億(12%為人類數(shù)據(jù) ) 的序列數(shù)據(jù)。6.1.4 Short Read ArchiveShort Read Archive(SRA)數(shù)據(jù)庫(kù)里收錄的數(shù)據(jù)都是由新一代測(cè)序儀( 例如Roche-454 、 Illumina Genome Analyzer、Applied Biosystems SOLiD System platforms)測(cè)序產(chǎn)生的基因序列信息。從2007年開(kāi)始，SRA已經(jīng)迅速累積到了1.3Tbp，共180 億條小片段，

38、 約占人類基因組序列總長(zhǎng)度的85%。SRA的出現(xiàn)為大家進(jìn)行數(shù)據(jù)挖掘提供了更多的機(jī)會(huì)。出于方便廣大用戶使用的考慮NCBI 還將為 SRA數(shù)據(jù)建立索引，同時(shí)更多的輔助工具，例如搜索及比對(duì)等功能也將陸續(xù)開(kāi)發(fā)出來(lái)。實(shí)用文檔6.2分析工具及資源6.2.1 Map ViewerNCBI 的 Map Viewer 顯示了基因組集合、遺傳標(biāo)記及物理標(biāo)記以及相關(guān)注釋信息和比對(duì)信息等其它分析結(jié)果。MapViewer 的主頁(yè) /mapview/提供了包括人類、小鼠和大鼠(Rattus norvegicus)在內(nèi)的超過(guò)100 種物種的基因組數(shù)據(jù)。用戶可以看到的圖譜將根據(jù)物種的不

39、同可能會(huì)有所不同，或許包括細(xì)胞遺傳圖譜(cytogeneticmaps)、物理圖譜 (physical maps)和各種不同的序列圖譜。源自同一物種的多個(gè)基因組圖譜可以在同一個(gè)頁(yè)面中顯示。6.2.2 Model Maker以及 Evidence ViewerModel Maker(MM) 是用來(lái)構(gòu)建轉(zhuǎn)錄模型的一種工具，它將通過(guò)由從頭預(yù)測(cè)法 (ab initio predictions) 預(yù)測(cè)出來(lái)的外顯子以及通過(guò)與 GenBank中的轉(zhuǎn)錄體數(shù)據(jù)庫(kù) EST和 RefSeq 比對(duì)之后得來(lái)的外顯子，與 NCBI 的人類基因組數(shù)據(jù)庫(kù)結(jié)合在一起來(lái)構(gòu)建轉(zhuǎn)錄模型。Evidence Viewer(EV)則將所有

40、能支持基因注釋信息正確性實(shí)用文檔的序列信息證據(jù)進(jìn)行了歸納總結(jié)，它采用的是將RefSeq、EST等 GenBank中的轉(zhuǎn)錄體信息與基因組重疊群進(jìn)行比對(duì)的方法。EV顯示了每一個(gè)外顯子的詳細(xì)比對(duì)結(jié)果， 并突出顯示了其中不匹配的部分。6.2.3 Entrez cancer ChromosomesEntrez cancer Chromosomes (Entrez癌癥染色體 ) 數(shù)據(jù)庫(kù)包含了與人類癌癥有關(guān)的人類染色體畸變信息，例如基因缺失或轉(zhuǎn)位等。 Entrez癌癥染色體數(shù)據(jù)庫(kù)由三個(gè)部分組成，即NCI/NCBI SKY(SpectralKaryotyping)/M-FISH(Multiplex-FISH)

41、和CGH(Comparative Genomic Hybridization) 數(shù)據(jù)庫(kù) ; 美國(guó)國(guó)立癌癥研究院 (NCI) 為癌癥染色體畸變信息設(shè)立的 Mitelman數(shù)據(jù)庫(kù)以及NCI 為再發(fā)癌癥染色體畸變?cè)O(shè)立的數(shù)據(jù)庫(kù)。每一個(gè)畸變都以圖形的形式表現(xiàn)出來(lái)，并附之相關(guān)臨床病例信息和文獻(xiàn)信息。6.2.4 TaxPlot、GenePlot 和 gMapTaxPlot可以同時(shí)給出來(lái)自兩個(gè)物種蛋白質(zhì)之間的相似性以及原核生物或真核生物參考物種的完整基因組信息。與其相實(shí)用文檔關(guān)的另一個(gè)工具GenePlot 則可以給出一對(duì)完整微生物基因組內(nèi)的片段，經(jīng)可視化的缺失、轉(zhuǎn)位或倒位操作之后，其編碼蛋白質(zhì)之間的相似性。g

42、Map工具將預(yù)先計(jì)算過(guò)的微生物全基因組比較結(jié)果與BLAST比較結(jié)果以及核酸序列相似的基因組聚類結(jié)果結(jié)合在一起進(jìn)行比對(duì)，然后將相似的片段以圖形化的方式表現(xiàn)出來(lái)。6.2.5 Influenza Genome Sequencing Project(IGSP)IGSP( 流感基因組測(cè)序計(jì)劃) 為研究流感的科研工作者提供了越來(lái)越多的序列資料，他們可以借此找出流感病毒致病的遺傳性狀。到目前為止，該計(jì)劃已經(jīng)得到了超過(guò)33,000 條流感病毒序列。NCBI的流感病毒資源也和IGSP 之間設(shè)有鏈接，還可以通過(guò)PubMed找到所有最新的有關(guān)流感病毒方面的文獻(xiàn)和各種在線分析工具及數(shù)據(jù)庫(kù)資源。這些數(shù)據(jù)庫(kù)包括NCBI

43、的流感病毒序列數(shù)據(jù)庫(kù)(Influenza Virus SequenceDatabase)，該數(shù)據(jù)庫(kù)收錄有GenBank和RefSeq中超過(guò)70,000條流感病毒的序列。 科研人員借助流感病毒資源提供的各種工具能對(duì)超過(guò)83,000 條流感蛋白質(zhì)序列進(jìn)行分析。Entrez 的生物學(xué)數(shù)據(jù)庫(kù)中還收錄有超過(guò)100 條流感病毒蛋白質(zhì)結(jié)構(gòu)信息和350 多條有關(guān)流感病毒種群研究的資料。還有一種在線流感病毒基因組注釋工具能幫助科研工作者們分實(shí)用文檔析新發(fā)現(xiàn)的流感病毒序列并進(jìn)行注釋，然后將結(jié)果通過(guò)tbl2asn等上傳工具遞交給NCBI 的 GenBank數(shù)據(jù)庫(kù)。6.2.6 Entrez Protein Clust

44、ersEntrez Protein Clusters(Entrez蛋白質(zhì)聚類數(shù)據(jù)庫(kù)) 收錄了由完整的原核生物基因組和葉綠體基因組編碼的28 萬(wàn)多條已確認(rèn)的RefSeq 蛋白質(zhì)序列，并將這些序列按照分類學(xué)的規(guī)則進(jìn)行了歸類( 聚類 ) 。NCBI 可以將這些蛋白質(zhì)聚類信息用于基因組范圍內(nèi)的比對(duì)，也可以用于簡(jiǎn)化的BLAST簡(jiǎn)單的微生物蛋白BLAST(Concise Microbial Protein BLAST,/genomes/prokhits.cgi)比對(duì)之用。蛋白聚類數(shù)據(jù)庫(kù)還包括注釋信息、出版信息、結(jié)構(gòu)域和結(jié)構(gòu)信息、相關(guān)庫(kù)外鏈接和分析工具( 例如多序列比

45、對(duì)工具和系統(tǒng)發(fā)生分析工具) 信息等。蛋白質(zhì)聚類數(shù)據(jù)庫(kù)還通過(guò)GenomeProtMap(/sutils/protmap.cgi) 與其它基因組數(shù)據(jù)庫(kù)有鏈接。7 基因型和表型信息7.1基因型和表型數(shù)據(jù)庫(kù)實(shí)用文檔認(rèn)識(shí)遺傳和環(huán)境因素與人類疾病之間的關(guān)系，對(duì)于幫助我們提高疾病診治水平來(lái)說(shuō)具有非常重要的意義。大范圍的基因型研究能為基因組相關(guān)調(diào)查、醫(yī)療測(cè)序、分子診斷以及發(fā)現(xiàn)基因型和非臨床特性之間的關(guān)系等研究提供數(shù)據(jù)資料?；蛐秃捅硇蛿?shù)據(jù)庫(kù)(dbGaP;/sites/entrez?db=gap)是 Entrez系統(tǒng)的一部分，它負(fù)責(zé)管理與可見(jiàn)特征( 表型 ) 相關(guān)的遺傳特征( 基因型 ) 。該數(shù)據(jù)庫(kù)收錄的資料來(lái)自由NIH 資助的全基因組關(guān)聯(lián)分析 (genome-wide associationstud