生物信息學(xué)第一講常用生物信息學(xué)數(shù)據(jù)庫(kù)

常用生物信息學(xué)數(shù)據(jù)庫(kù)廖

奇寧波大學(xué)醫(yī)學(xué)院生物信息學(xué)基礎(chǔ)入門第一講

常用生物信息學(xué)數(shù)據(jù)庫(kù)（1學(xué)時(shí)）生物信息學(xué)的簡(jiǎn)介、發(fā)展和應(yīng)用常用生物信息學(xué)數(shù)據(jù)庫(kù)的概況NCBI、UCSC數(shù)據(jù)庫(kù)的介紹和使用第二講

癌癥相關(guān)數(shù)據(jù)庫(kù)（1學(xué)時(shí)）癌癥相關(guān)數(shù)據(jù)庫(kù)的概況TCGA數(shù)據(jù)庫(kù)的介紹和使用TCGA數(shù)據(jù)的下載和解讀TCGA數(shù)據(jù)的在線分析工具第三講

基因功能富集分析（1學(xué)時(shí)）基因本體數(shù)據(jù)庫(kù)GO及注釋生物學(xué)通路KEGG及注釋基因功能富集分析第四講

基因調(diào)節(jié)網(wǎng)絡(luò)分析（1學(xué)時(shí)）蛋白互作、轉(zhuǎn)錄因子調(diào)節(jié)關(guān)系數(shù)據(jù)庫(kù)的介紹和使用非編碼RNA調(diào)節(jié)網(wǎng)絡(luò)數(shù)據(jù)庫(kù)的介紹和使用基因網(wǎng)絡(luò)圖的展示、Cytoscape軟件的介紹和使用第五講

基于公共數(shù)據(jù)庫(kù)進(jìn)行課題研究的案例分析（1.5學(xué)時(shí)）實(shí)例講解GEO數(shù)據(jù)的下載、處理和分析實(shí)例講解TCGA數(shù)據(jù)的下載、處理和分析這節(jié)課的主要內(nèi)容生物信息學(xué)的概念生物信息學(xué)發(fā)展的背景生物信息學(xué)的發(fā)展階段生物信息學(xué)的研究領(lǐng)域常用生物醫(yī)學(xué)數(shù)據(jù)庫(kù)NCBI:

Gene、GEOUCSC:

Genome

Browser、TableBrowser生物信息學(xué)的概念生物信息學(xué)（bioinformatics），是在生命科學(xué)的研究中，利用計(jì)算機(jī)科學(xué)、信息技術(shù)、應(yīng)用數(shù)學(xué)以及統(tǒng)計(jì)學(xué)方法對(duì)生物信息進(jìn)行采集、處理、存儲(chǔ)、傳播、分析和解釋的學(xué)科。生物信息學(xué)發(fā)展的背景人類基因組計(jì)劃（

human

genome

project,

HGP）是由美國(guó)科學(xué)家RobertSinsheimer于1985年5月率先提出（但是當(dāng)時(shí)美國(guó)NIH不感興趣）。經(jīng)過多位科學(xué)家的努力，終于將HGP提上美國(guó)政府預(yù)算，并于1990年正式啟動(dòng)。預(yù)計(jì)2005年（15年的時(shí)間），將人類基因組的DNA序列全部測(cè)定，把人體內(nèi)約2.5萬(wàn)個(gè)基因的密碼全部解開，同時(shí)繪制出人類基因的圖譜。美國(guó)、英國(guó)、法國(guó)、德國(guó)、日本和我國(guó)科學(xué)家共同參與了這一預(yù)算達(dá)30億美元的人類基因組計(jì)劃。我國(guó)于1999年7月加入人類基因組計(jì)劃，得到完成人類3號(hào)染色體短臂上一個(gè)約30Mb區(qū)域（約3000萬(wàn)個(gè)堿基對(duì)）的測(cè)序任務(wù)，該區(qū)域約占人類整個(gè)基因組的1％，稱之為“1%計(jì)劃”。1999

年

12

月，采用“逐個(gè)克隆法”獲得第一條人類染色體

—22號(hào)染色體完成序列。2000年6月，UCSC基因組生物信息組在網(wǎng)上公布了人類基因組的草圖。2001年2月，Nature公布了人類基因組草圖的細(xì)節(jié)，以此同時(shí)，Science

公布了Celera公司發(fā)起的由私人資助的人類基因組草圖（于1998年正式啟動(dòng)），并都對(duì)序列進(jìn)行了分析，測(cè)序序列大約覆蓋83%的基因組。16,

Feb.

200115,

Feb.

20012003年4月，公布了人類基因組的正式補(bǔ)充版本，填補(bǔ)了目前約92%的基因組序列，人類基因組計(jì)劃正式完成。人類基因組：46條染色體、2米長(zhǎng)的DNA、30億個(gè)堿基、約3萬(wàn)個(gè)蛋白編碼基因。人類基因組計(jì)劃的完成不是結(jié)束，而是生物信息學(xué)迅速發(fā)展的開始。2003年9月，美國(guó)國(guó)立人類基因組研究院（US

National

Human

Genome

Research

Institute，NHGRI）

啟動(dòng)The

ENCODE

Project

（ENCyclopedia

Of

DNA

Elements

）跨國(guó)研究項(xiàng)目，旨在解析人類基因組中的所有功能性元件。該項(xiàng)目聯(lián)合了來(lái)自美國(guó)，英國(guó)，西班牙，新加坡和日本的32個(gè)實(shí)驗(yàn)室的422名科學(xué)家的努力，獲得了迄今最詳細(xì)的人類基因組分析數(shù)據(jù)，結(jié)果于2012年開始公布。2007年，二代測(cè)序技術(shù)開始盛行2008年，美國(guó)國(guó)立衛(wèi)生研究院（NIH）啟動(dòng)表觀基因組學(xué)路線圖計(jì)劃（

Roadmap

Epigenomics

Program，REP

）

，結(jié)果于2015年開始公布。2008年1月22日，“國(guó)際千人基因組計(jì)劃”開始啟動(dòng)，測(cè)序的總?cè)蝿?wù)為1200個(gè)人（故稱為千人基因組計(jì)劃）；由英國(guó)的Sanger研究所，中國(guó)的深圳華大基因研究院（BGI

Shenzhen），以及美國(guó)的國(guó)立衛(wèi)生研究院（NIH）下屬的美國(guó)人類基因組研究所（NHGRI）；數(shù)據(jù)于2012年開始公布。2009年，湯富酬首次報(bào)道單細(xì)胞測(cè)序技術(shù)（single-cellsequencing）。2015年1月20日，美國(guó)總統(tǒng)奧巴馬在國(guó)情咨文演講中啟動(dòng)精準(zhǔn)醫(yī)療（Precision

Medicine）計(jì)劃。2017年(12月28日)，我國(guó)啟動(dòng)“中國(guó)十萬(wàn)人基因組計(jì)劃”，這是我國(guó)在人類基因組研究領(lǐng)域?qū)嵤┑氖讉€(gè)重大國(guó)家計(jì)劃，也是目前世界最大規(guī)模的人類基因組計(jì)劃。大數(shù)據(jù)時(shí)代生物信息學(xué)的發(fā)展前基因組時(shí)代：這一階段主要是生物數(shù)據(jù)庫(kù)的建立、檢索工具的開發(fā)、各種序列比對(duì)算法的建立、DNA序列以及蛋白質(zhì)序列分析等?；蚪M時(shí)代：這一階段主要是大規(guī)模的基因組測(cè)序，圍繞基因組展開一系列的分析，

包括基因識(shí)別和發(fā)現(xiàn)、蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)等、此外，網(wǎng)絡(luò)數(shù)據(jù)庫(kù)系統(tǒng)地建立和交互界

面工具的開發(fā)等。后基因組時(shí)代：基因組學(xué)研究的重心由基因組的結(jié)構(gòu)向基因的功能轉(zhuǎn)移。這種轉(zhuǎn)移的一個(gè)重要標(biāo)志是產(chǎn)生了功能基因組學(xué)，如比較基因組、蛋白質(zhì)組、挖掘基因的功能、調(diào)節(jié)關(guān)系、及與疾病的關(guān)系等。生物信息學(xué)的研究領(lǐng)域（大類）數(shù)據(jù)庫(kù)搭建——一級(jí)數(shù)據(jù)庫(kù)以及二級(jí)數(shù)據(jù)庫(kù)，儲(chǔ)存生物醫(yī)學(xué)數(shù)據(jù)算法的構(gòu)建、軟件的開發(fā)、網(wǎng)上分析平臺(tái)的搭建——各類分析工具組學(xué)測(cè)序——基因組、轉(zhuǎn)錄組、表觀遺傳組、蛋白質(zhì)組、代謝組等系統(tǒng)生物學(xué)——整合公共數(shù)據(jù)庫(kù)多方面的數(shù)據(jù)資源進(jìn)行系統(tǒng)分析生物信息學(xué)的研究領(lǐng)域（小類）序列分析——序列比對(duì)、模序識(shí)別、基因鑒定和結(jié)構(gòu)預(yù)測(cè)等進(jìn)化生物學(xué)——同源比較、比較基因組蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)——二級(jí)、三級(jí)結(jié)構(gòu)預(yù)測(cè)藥物靶點(diǎn)預(yù)測(cè)——分子對(duì)接、尋找小分子化合物的靶基因蛋白質(zhì)、基因表達(dá)——蛋白質(zhì)質(zhì)譜分析、基因芯片、二代測(cè)序基因組變異——基因組測(cè)序、外顯子測(cè)序、SNP芯片基因調(diào)控網(wǎng)絡(luò)——蛋白相互作用網(wǎng)絡(luò)、轉(zhuǎn)錄因子、miRNA等調(diào)節(jié)關(guān)系的預(yù)測(cè)、構(gòu)建及系統(tǒng)分析基因與疾病的關(guān)系——挖掘和分析疾病相關(guān)的基因表觀遺傳修飾——DNA甲基化測(cè)序、組蛋白修飾ChIP測(cè)序及其分析代謝組學(xué)——代謝產(chǎn)物的定性和定量分析多組學(xué)數(shù)據(jù)分析——整合至少2種組學(xué)的數(shù)據(jù)進(jìn)行系統(tǒng)分析非編碼RNA——lncRNAs、ceRNAs、miRNAs、circRNAs、snoRNA等的鑒定和功能注釋分子動(dòng)力學(xué)——利用微分方程模擬分子動(dòng)態(tài)變化、代謝途徑等疾病診斷預(yù)測(cè)模型——基于臨床數(shù)據(jù)，采用機(jī)器學(xué)習(xí)方法、深度學(xué)習(xí)方法構(gòu)建分類器常用生物醫(yī)學(xué)數(shù)據(jù)庫(kù)基因組數(shù)據(jù)庫(kù)——UCSC、Ensembl、MGD、SGD等核酸序列數(shù)據(jù)庫(kù)——NCBI

GenBank、DDBJ、EMBL等蛋白序列數(shù)據(jù)庫(kù)——UniprotKB/SWISS-PROT、

UniprotKB/TrEMBL、

NCBI

GenPept、PIR等高通量數(shù)據(jù)數(shù)據(jù)庫(kù)——GEO、SRA、ArrayExpress、ENCODE、Roadmap

等蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫(kù)——PDB、MMDB、CATH、SCOP等常用生物醫(yī)學(xué)數(shù)據(jù)庫(kù)蛋白質(zhì)家族和結(jié)構(gòu)域數(shù)據(jù)庫(kù)——PROSITE、PRINTS、Pfam、InterPro等基因功能數(shù)據(jù)庫(kù)——GO、KEGG、Reactome等非編碼RNA數(shù)據(jù)庫(kù)——NONCODE、starBase、deepbase、ChIPBase等miRNA數(shù)據(jù)庫(kù)——miRBase、miRTarBase、miRecord、miRCancer、miRNASNP等lncRNA數(shù)據(jù)庫(kù)——lncRNAdb、NRED、lncRNADisease、DIANA-LncBase等circRNA數(shù)據(jù)庫(kù)——circBase、

circRNABase、Circ2Traits、CircNet、CircInteractome等ceRNA數(shù)據(jù)庫(kù)——lnCeDB常用生物醫(yī)學(xué)數(shù)據(jù)庫(kù)疾病相關(guān)數(shù)據(jù)庫(kù)——OMIM、TCGA等基因表達(dá)數(shù)據(jù)庫(kù)——Expression

Atlas

-EMBL-EBI、GTEx、BodyMap、Cancer

RNA-Seq

Nexus等DNA變異數(shù)據(jù)庫(kù)——dbSNP、dbVar、VarScan等蛋白相互作用數(shù)據(jù)庫(kù)——String、HPRD、BioGRID等轉(zhuǎn)錄因子調(diào)節(jié)關(guān)系數(shù)據(jù)庫(kù)——Cistrome、TRRD、TRANSFAC等NCBINCBI

（NationalCenterforBiotechnologyInformation

），簡(jiǎn)稱美國(guó)國(guó)立生物技術(shù)信息中心。建立關(guān)于分子生物學(xué)，生物化學(xué)，和遺傳學(xué)知識(shí)的存儲(chǔ)和分析的自動(dòng)系統(tǒng)Gene

DatabaseGENEGenomicStructure

SimilarGenesinOther

SpeciesRNA-Seq

ExpressionSNPClinVardbGaPOMIMVariationHomologsHomoloGeneLiteraturePubMedPMCExpressionGEOProfilesSRASequencesNucleotideProteinxxx[symbol]ANDyyy[organism]

xxx

[sym]

AND

yyy

[orgn]AND要大寫Questions該基因處在染色體的哪個(gè)位置？該基因有多少個(gè)外顯子？多少個(gè)isoforms？該基因的參考基因組、轉(zhuǎn)錄本和蛋白序列是什么？該基因有哪些突變位點(diǎn)，與疾病是否相關(guān)？該基因的表達(dá)情況如何？該基因的功能是什么？研究該基因的文獻(xiàn)有哪些？該基因在其它物種的同源基因是什么？選擇物種選擇染色體區(qū)域進(jìn)一步利用基因組區(qū)域限定篩選結(jié)果以MYC基因?yàn)槔x擇“人”限定物種如果只輸入基因名……沒有限定symbol，查詢結(jié)果將含有MYC的基因均顯示出來(lái)可以限定物種限定symbol名和物種名就可以準(zhǔn)確找到目的基因結(jié)果展示形式：

比如選擇Gene

Table基因ID最后更新的時(shí)間曾用名具有同源序列的物種總述基因組區(qū)域基因組區(qū)域、轉(zhuǎn)錄方向、臨近基因基因組位置綠色：基因；紫色：轉(zhuǎn)錄本；紅色：蛋白Genome

Data

ViewerRefseq

IDNCBI

Reference

Sequences

(RefSeq)由NCBI數(shù)據(jù)管理者和計(jì)算機(jī)程序共同建立被研究者用來(lái)作為參考的標(biāo)準(zhǔn)序列儲(chǔ)存的大分子：Genomic(DNA)

Transcript(RNA)

ProteinsRefseq

ID:Genomic:

NC_,AC_,NG_,NT_,NW_Transcripts:

NM_,NR_,XM_,XR_Proteins:

NP_,XP_其中，X開頭的為計(jì)算機(jī)算法預(yù)測(cè)的ACCESSIONMOLECULEMETHODNOTEAC_123456GenomicMixed一些可供選擇的注釋的基因組序列，主要用來(lái)標(biāo)記病毒和原核生物。AP_123456ProteinMixedAC_標(biāo)記序列對(duì)應(yīng)的蛋白產(chǎn)物。NC_123456GenomicMixed完整的基因組分子序列，標(biāo)記的類別包括基因組、染色體、細(xì)胞器、質(zhì)粒。NG_123456GenomicMixed不完整的基因組區(qū)域，提供NCBI基因組注釋途徑。比較有代表性有不轉(zhuǎn)錄的假基因或者那些很難自行化注釋的基因組簇。NM123456;NM123456789mRNAMixed轉(zhuǎn)錄產(chǎn)物序列；成熟mRNA轉(zhuǎn)錄本序列。NP123456;NP123456789ProteinMixed蛋白產(chǎn)物；主要是全長(zhǎng)轉(zhuǎn)錄氨基酸序列，但也有一些只有部分蛋白質(zhì)的部分氨基酸序列。NR_123456RNAMixed非編碼的轉(zhuǎn)錄子序列，包括結(jié)構(gòu)RNAs，假基因轉(zhuǎn)子等。NT_123456GenomicAutomatedBAC或者鳥槍測(cè)序法的還未完全注釋的測(cè)序序列。NW123456;NW123456789GenomicAutomatedBAC或者鳥槍測(cè)序法的還未完全注釋的測(cè)序序列。NZ_ABCD12345678GenomicAutomated收集的各種利用鳥槍法測(cè)序的測(cè)序計(jì)劃，ABCD代表的是計(jì)劃的名稱。XM123456;XM123456789mRNAAutomated轉(zhuǎn)錄產(chǎn)物；mRNA來(lái)自基因組注釋，序列相當(dāng)于基因組重疊群。XP123456;XP123456789ProteinAutomated蛋白產(chǎn)物。序列相當(dāng)于基因組重疊群。XR_123456RNAAutomated轉(zhuǎn)錄產(chǎn)物；非編碼區(qū)來(lái)自基因組注釋，序列相當(dāng)于基因組重疊群。YP123456;YP123456789ProteinMixed蛋白產(chǎn)物。不涉及到轉(zhuǎn)錄，主要用來(lái)標(biāo)記細(xì)菌、病毒和線粒體。ZP_12345678ProteinAutomated蛋白產(chǎn)物，主要是用電腦自動(dòng)注釋。NS_123456GenomicAutomated未知生物分子基因組序列?；蚪M元件（片段、DNase

I信號(hào)富集位點(diǎn)、蛋白結(jié)合位點(diǎn)等）Clinical

association

variationSNP有文獻(xiàn)支持的variation點(diǎn)擊右上角的Tracks點(diǎn)擊Tracks，可以選擇其他要顯示的內(nèi)容，比如選擇EpigenomicsCpG島H3K4me3信號(hào)較強(qiáng)，說明MYC基因表達(dá)水平可能較高。Epigenomic信息有多種表達(dá)譜數(shù)據(jù)的選擇表達(dá)水平研究該基因的文獻(xiàn)總結(jié)文獻(xiàn)內(nèi)容，描述該基因的功能表型數(shù)據(jù)疾病相關(guān)信息與該基因有關(guān)的GWAS研究點(diǎn)擊疾病名顯示疾病具體信息……與該疾病有關(guān)的tests與該疾病有關(guān)的基因與該疾病有關(guān)的臨床特征點(diǎn)擊NHGRI

GWA

Catalog….MYC相關(guān)的通路文獻(xiàn)支持的MYC相互作用的蛋白MYC的分子功能具有MYC同源基因的物種MYC的生物過程MYC的細(xì)胞組分Refseq信息Gene信息Transcript信息其他GenBank相關(guān)的nucleotides其他相關(guān)的鏈接關(guān)于MYC基因的總結(jié)MYC基因處在8號(hào)染色體q24.21上，有2個(gè)轉(zhuǎn)錄本，每個(gè)轉(zhuǎn)錄本均有3個(gè)外顯子，正向轉(zhuǎn)錄，鄰近基因有CASC11、PVT1和miR1024等。MYC基因在啟動(dòng)子區(qū)域有多個(gè)DNase信號(hào)富集，可能受到其他轉(zhuǎn)錄因子或表觀遺傳修飾的調(diào)節(jié)。H3K4me3信號(hào)較強(qiáng)，表達(dá)水平可能較高，在第1個(gè)內(nèi)含子和前兩個(gè)外顯子區(qū)域存在2個(gè)CpG島，而

啟動(dòng)子區(qū)域沒有，應(yīng)該沒有受到DNA甲基化的影響，在食管、膽囊表達(dá)水平較高，而在腎、心臟、甲狀腺表達(dá)水平則較低。從文獻(xiàn)上看，多與癌癥有關(guān)，OMIM數(shù)據(jù)現(xiàn)象MYC與伯基特淋巴瘤有關(guān)，此外，GWAS數(shù)據(jù)顯示多在癌癥中發(fā)生變異，如膀胱癌、腎細(xì)胞癌和卵巢癌等。參與癌癥的信號(hào)通路，與細(xì)胞周期、凋亡等生物過程有關(guān)。UCSC/UCSCGenome

Browser是由University

of

California

Santa

Cruz（UCSC）創(chuàng)立和維護(hù)的，該站點(diǎn)包含有人類、小鼠和大鼠等多個(gè)物種的基因組草圖，并提供一系列的網(wǎng)頁(yè)分析工具。UCSC

Genome

Browser輸入位置、基因symbol、HGVS或其他描述的詞語(yǔ)MYC的基因組位置trackTrack

title更新設(shè)置Hide:隱藏信息Dense:所有信息復(fù)合在一行上Squish:非常緊密的排列，沒有l(wèi)abel信息Pack:

合理安排信息使其盡量節(jié)省空間Full:每條信息一行Dense:所有信息復(fù)合在一行上，沒有其他label信息Pack:

合理安排信息使其盡量節(jié)省空間Squish:非常緊密的排列，沒有l(wèi)abel信息Full:每條信息一行外顯子內(nèi)含子5’UTR>為轉(zhuǎn)錄方向左右移動(dòng)基因組區(qū)域從中心放大顯示縮小以顯示更多的區(qū)域3’UTRCtrl+拖動(dòng)：放大Alt+拖動(dòng)：高亮顯示也可以拖拉選中區(qū)域進(jìn)行放大或高亮顯示取消高亮顯示（右擊

Remove

highlight）放大顯示綠色表示起始密碼子紅色表示終止密碼子右擊track選擇Configure可以對(duì)該track進(jìn)行設(shè)置影響力級(jí)別：red>green>blue>gray>blackLocus:

downstream_gene_variant,

upstream_gene_variantCoding

-

Synonymous:

synonymous_variantCoding–NonSynonymous:

stop_gained,missense_variant,

stop_lost,

frameshift_variant,

inframe_indelUntranslated:

5_prime_UTR_variant,

3_prime_UTR_variantIntron:

intron_variantSplice

Site:

splice_acceptor_variant,

splice_donor_variantNon-coding

(ncRNA):

(nc_transcript_variant)

are

colored

blue.dbSNP信息選擇每個(gè)步顯示該SNP

IDSNP，可進(jìn)一的信息。鼠標(biāo)放置bar上，即可顯示組織名稱和其RPKM表達(dá)值。VariantID:

某基因上的某個(gè)突變位點(diǎn)OMIM

ID:

突變位點(diǎn)在某基因上突變情況，第57位PRO突變?yōu)镾ERdbSNP的SNP

IDOMIM數(shù)據(jù)庫(kù)放大顯示CommonSNPs(150)

：

SNPswith

>=1%minorallele

frequency

(MAF),mapping

onlyonceto

referenceassembly.FlaggedSNPs(150)

：SNPs<1%minor

allele

frequency(MAF)(or

unknown),

mappingonlyonceto

reference

assembly,

flagged

indbSnpas

"clinicallyassociated"

--

not

necessarily

arisk

allele!Mult.

SNPs(150)

：SNPsmappinginmorethanoneplaceon

reference

assembly.

All

SNPs(150)

：allSNPsfromdbSNP

mapping

toreference

assembly.顏色深淺反映與repeat

element有關(guān)的base

mismatch,

base

deletion和base

insertion

的量.這些不匹配的越多，顏色越淺，越匹配，顏色越深。Shortinterspersed

nuclearelements(SINE),

whichincludeALUs

Long

interspersednuclear

elements(LINE)Long

terminalrepeatelements(LTR),

whichincluderetroposons

DNA

repeat

elements(DNA)Simple

repeats

(micro-satellites)

Lowcomplexityrepeats

Satellite

repeatsRNArepeats

(including

RNA,tRNA,rRNA,

snRNA,

scRNA,

srpRNA)Other

repeats,whichincludesclassRC

(Rolling

Circle)

Unknown各類型重復(fù)元件Genome

Browser小結(jié)利用Genome

Browser，我們進(jìn)一步可以了解到MYC基因的H3K27Ac信號(hào)比較強(qiáng)，尤其是啟動(dòng)子和第一個(gè)外顯子，可能具有增強(qiáng)子的作用；此外，DNase信號(hào)比較豐富，說明MYC基因比較活躍，可能受多