GenBank EMBL优缺点
发布网友
发布时间：2022-05-09 15:28
共1个回答
热心网友
时间：2023-10-07 13:35
完整的GenBank数据库包括序列文件，索引文件以及其它有关文件。索引文件是根据数据库中作者、参考文献等建立的，用于数据库查询。GenPept是由GenBank中的核酸序列翻译而得到的蛋白质序列数据库，其数据格式为FastA。
GenBank中最常用的是序列文件。序列文件的基本单位是序列条目，包括核苷酸碱基排列顺序和注释两部分。目前，许多生物信息资源中心通过计算机网络提供该数据库文件。下面，我们介绍序列文件的结构。
GenBank序列文件由单个的序列条目组成。序列条目由字段组成，每个字段由关键字起始，后面为该字段的具体说明。有些字段又分若干次子字段，以次关键字或特性表说明符开始。每个序列条目以双斜杠“//”作结束标记。序列条目的格式非常重要，关键字从第一列开始，次关键字从第三列开始，特性表说明符从第五列开始。每个字段可以占一行，也可以占若干行。若一行中写不下时，继续行以空格开始。
序列条目的关键字包括LOCUS (代码)，DEFINITION (说明)，ACCESSION (编号)，NID符(核酸标识)，KEYWORDS (关键词)，SOURCE (数据来源)，REFERENCE (文献)，FEATURES (特性表)，BASE COUNT (碱基组成)及ORIGIN (碱基排列顺序)。先版的核酸序列数据库将引入新的关键词SV (序列版本号)，用“编号.版本号”表示，并取代关键词NID。
LOCUS (代码)：是该序列条目的标记，或者说标识符，蕴涵这个序列的功能。例如，图4.1中所示的HUMCYCLOX表示人的环氧化酶cyclooxygenase。该字段还包括其它相关内容，如序列长度、类型、种属来源以及录入日期等。说明字段是有关这一序列的简单描述，如本例为人环氧化酶-2的mRNA全序列。
ACCESSION (编号)：具有唯一性和永久性，如本例中代码M90100用来表示上述人环氧化酶-2的mRNA序列，在文献中引用这个序列时，应该以此编号为准。
KEYWORDS (关键词)字段：由该序列的提交者提供，包括该序列的基因产物以及其它相关信息，如本例中环氧化酶-2 (cyclooxygenase-2)，前列腺素合成酶(prostaglandin synthase)。
SOURCE (数据来源)字段：说明该序列是从什么生物体、什么组织得到的，如本例中人脐带血(umbilical vein)。次关键字ORGANISM (种属)指出该生物体的分类学地位，如本例人、真核生物等等(详见图4.1)。
REFERENCE (文献)字段：说明该序列中的相关文献，包括AUTHORS (作者)，TITLE (题目)及JOURNAL (杂志名)等，以次关键词列出。该字段中还列出医学文献摘要数据库MEDLINE的代码。该代码实际上是个超文本链接，点击它可以直接调用上述文献摘要。一个序列可以有多篇文献，以不同序号表示，并给出该序列中的哪一部分与文献有关。
FEATURES (特性表)：具有特定的格式，用来详细描述序列特性。特性表中带有‘/db-xref/’标志的字符可以连接到其它数据库，如本例中的分类数据库（taxon 9606），以及蛋白质序列数据库（PID：g181254）。序列中各部分的位置都在表中标明，5’非编码区(1-97)，编码区(98-1912)，3’非编码区(1913-3387)，多聚腺苷酸重复区域(3367-3374)，等等。翻译所得信号肽以及最终蛋白质产物也都有所说明。当然，这个例子只是特性表的部分注释信息，但已经足以说明其详细程度。
接下来是碱基含量字段，给出序列中的碱组成，如本例中1010个A，712个C，633个G，1032个T。ORIGIN行是序列的引导行，接下来便是碱基序列，以双斜杠行“//”结束。
· EMBL数据库结构
EMBL数据库的基本单位也是序列条目，包括核甘酸碱基排列顺序和注释两部分。序列条目由字段组成，每个字段由标识字起始，后面为该字段的具体说明。有些字段又分若干次子字段，以次标识字或特性表说明符开始，最后以双斜杠“//”作本序列条目结束标记。
条目的关键字包括ID（序列名称），DE（序列简单说明），AC（序列编号），SV（序列版本号），KW（与序列相关的关键词），OS（序列来源的物种名），OC（序列来源的物种学名和分类学位置），RN（相关文献编号或递交序列的注册信息），RA（相关文献作者或递交序列的作者），RT（相关文献题目），RL（相关文献杂志名或递交序列的作者单位），RX（相关文献 Mediline引文代码），RC（相关文献注释），RP（相关文献其他注释），CC（关于序列的注释信息），DR（相关数据库交叉引用号），FH（序列特征表起始），FT（序列特征表子项），SQ（碱基种类统计数）。
其它常用核酸序列数据库
· dbEST
dbEST数据库专门收集EST数据，该数据库有自己的格式，包括识别符、代码、序列数据以及dbEST的注释摘要，也按DNA的种类分成了若干子数据库。1998年5月8日版的dbEST共包括1.6ⅹ106条EST。其中有1百万条人的EST，30万条小鼠和大鼠的EST。
· GSDB
GSDB是基因组序列数据库（Genome Sequence Data Base），由美国新墨西哥州Santa Fe的国家基因组资源中心创建。GSDB收集、管理并且发布完整的DNA序列及其相关信息，以满足基因组测序中心需要。该数据库采用服务器-客户机关系数据库模式，大规模测序机构可以通过计算机网络向服务器提交数据，并在发送之前对数据进行检查，以确保数据的质量。
GSDB数据库中条目的格式与GenBank中的基本一致，主要区别是GSDB数据库中增加了GSDBID识别符。
GSDB数据库可以通过万维网查询，也可以使用服务器-客户机关系数据库方式查询。无论用哪种方法，熟悉数据库结构化查询语言SQL，对更好地使用GSDB数据库会有所帮助。
· UniGene
人类基因组计划的首要任务是对人类基因组进行全序列测定，整个基因组估计有30亿个碱基对，其中大约3%可以编码蛋白质，其余部分的生物学功能还不清楚。转录图谱可以把基因组中能够编码蛋白质的部分集中起来，因此是一种重要的数据资源。
UniGene试图通过计算机程序对GeneBank中的序列数据进行适当处理，剔除冗余部分，将同一基因的序列，包括EST序列片段搜集到一起，以便研究基因的转录图谱。UniGene除了包括人的基因外，也包括小鼠、大鼠等其它模式生物的基因，而下一章将要介绍的HGI数据库只包括人的基因。该数据库的标题行（TITLE）给出基因的名称和简单说明，表达部位行（EXPRESS）指出该基因在什么组织中表达以及在基因图谱中的位置等。此外，列出该基因在核酸序列数据库GenBank或EMBL和蛋白质序列数据库SWISS-PROT中的编号的超文本链接。
UniGene中部分条目包括已知基因序列，而有些条目则仅有新测得的EST序列片段。这就意味着，这些EST序列所对应的基因尚未搞清，可以用来发现新基因。在描绘基因图谱及大规模基因表达分析等研究中，UniGene也可以帮助实验设计者选择试剂。
UniGene可以通过NCBI或SRS系统访问
