Banche Dati

Transcript

Banche Dati
Banche Dati
Docente: Dr. Antinisca DI MARCO –
Email:
[email protected]
Banche Dati
La biologia molecolare produce una grande mole di dati che può essere
memorizzata in database general-purpose o specialized (es. immunological):
 general-purpose o primarie:
 entries (o voci) di sequenze biologiche:






sequenza;
una breve descrizione;
l’organismo da cui proviene;
una lista di funzionalità strutturali e/o funzionali;
letteratura di riferimento;
…
Banche Dati
La biologia molecolare produce una grande mole di dati che può essere
memorizzata in database general-purpose o specialized (es. immunological):
 specialized:
 entries (o voci) di sequenze biologiche:






sequenza;
una breve descrizione;
l’organismo da cui proviene;
una lista di funzionalità strutturali e/o funzionali;
letteratura di riferimento;
annotazioni specifiche (expert).
Banche Dati
EMBL: European Molecular Biology Laboratory –
http://www.embl.org/
L'European Molecular Biology Laboratory è un istituto di
ricerca di biologia molecolare, sostenuto da 20 paesi
europei e dall'Australia come stato membro associato.
L'EMBL è stato creato nel 1974 ed è un'organizzazione
intergovernativa di ricerca finanziata con denaro pubblico
dai suoi stati membri. In EMBL la ricerca viene svolta da
circa 85 gruppi indipendenti che coprono i vari campi
della biologia molecolare.
Il Laboratorio è attivo in cinque siti: il laboratorio
principale a Heidelberg, e le sedi di Hinxton (l'European
Bioinformatics Institute, EBI)
presso Cambridge, Grenoble, Amburgo e Monterotondo
vicino Roma. (Wikipedia)
Banche Dati
DDBJ: DNA Data Bank of Japan –
http://www.ddbj.nig.ac.jp/
La DNA Data Bank of Japan (DDBJ) è un database
biologico che raccoglie sequenze di DNA. Si trova
presso l'Istituto Nazionale di Genetica (NIG) nella
prefettura di Shizuoka, in Giappone. E‘ anche un
membro della International Nucleotide Sequence
Database Collaboration or INSDC. Scambia i propri
dati con EMBL e con GenBank presso il National
Center for Biotechnology Information su base
giornaliera. In questo modo le tre banche dati
contengono gli stessi dati in qualsiasi momento.
Banche Dati
 I più importanti database pubblici includono sequenze nucleotidiche e/o
proteiche:
 http://www.ncbi.nlm.nih.gov/protein
Banche Dati
NCBI: National Center for Biotechnology Information - http://www.ncbi.nlm.nih.gov/
Il National Center for Biotechnology Information (NCBI), Centro Nazionale per le Informazioni di
Biologia Molecolare, è una parte della National Library of Medicine (Biblioteca nazionale
americana di medicina), che dipende a sua volta dall'Istituto per la salute americano. (Wikipedia)
Banche Dati
UniProt: Universal Protein Resource http://www.ebi.ac.uk/uniprot/index.html
UniProt (Universal Protein) è il più grande
database bioinformatico per le sequenze
proteiche di tutti gli organismi viventi e dei
virus.
Banche Dati
SWISS-PROT e PIR sono
database di proteine che
sono annotate manualmente.
Il loro contenuto è di alta
qualità rispetto a GenPept e
TrEMBL, ma contengono
meno entries rispetto ad essi.
Banche Dati
GenPept e TrEMBL sono
database di proteine derivate
dalla traduzione di sequenze
codificanti provenienti dai tre
principali
database
di
nucleotidi
Banche Dati
PDB - http://www.rcsb.org/pdb/home/home.do
è un database di strutture molecolari 3D.
Banche Dati
PROSITE - http://prosite.expasy.org/
contiene pattern (motif) biologici
significativi per determinare le funzioni
delle proteine.
Banche Dati
KEGG - http://www.genome.jp/kegg/
definisce un repository contenente reti di
interazione molecolare, composti chimici
e reazioni rilevanti per i processi cellulari,
più ovviamente dati genomici.
Banche Dati
Pfam - http://pfam.sanger.ac.uk/
è
una
raccolta
di
sequenze
amminoacidiche (proteine) e di profili
generati con Hidden Markov Model
(HMM) che descrivono quasi tutte le
famiglie e i domini proteici conosciuti.
Banche Dati
Esplorando NCBI:
Il National Center for Biotechnology Information (NCBI) curato National Library of Medicine and National Institutes of Health
è uno dei più importanti repository e risorsa per dati biologici:
• Forniscono una rete di database di dati genetici, medici, informazioni biochimiche sempre crescente
• Interi genomi provenienti da virus, uomo, etc sono compilati ed organizzati e cross referenziati all’interno di questa rete
Ma è necessario sapere:
a) che cosa stai cercando, e
b) quello che stai guardando affinchè si possa ottenere informazioni utili
Banche Dati
Esplorando NCBI:
Il National Center for Biotechnology Information (NCBI) curato National Library of Medicine and National Institutes of Health
è uno dei più importanti repository e risorsa per dati biologici:
• Forniscono una rete di database di dati genetici, medici, informazioni biochimiche sempre crescente
• Interi genomi provenienti da virus, uomo, etc sono compilati ed organizzati e cross referenziati all’interno di questa rete
Ma è necessario sapere:
a) che cosa stai cercando, e
b) quello che stai guardando affinchè si possa ottenere informazioni utili
Banche Dati
Esplorando NCBI:
Apri un browser web ed entra nella Home page di NCBI:
www.ncbi.nlm.nih.gov
Banche Dati
Esplorando NCBI:
Apri un browser web ed entra nella Home page di NCBI:
www.ncbi.nlm.nih.gov
Banche Dati
Esplorando NCBI:
Il primo portale per accedere ai dati in NCBI è chiamato GQuery:
Apri un browser web ed entra nella Home page di NCBI:
www.ncbi.nlm.nih.gov
http://www.ncbi.nlm.nih.gov/About/ -
About the NCBI
Banche Dati
Esplorando NCBI:
Apri un browser web ed entra nella Home page di NCBI:
www.ncbi.nlm.nih.gov
http://www.ncbi.nlm.nih.gov/About/ -
About the NCBI
http://www.ncbi.nlm.nih.gov/books/NBK21101/ - NCBI Handbook
Banche Dati
Esplorando NCBI:
Il primo portale per accedere ai dati in NCBI è chiamato GQuery:
Banche Dati
Esplorando NCBI:
Il primo portale per accedere ai dati in NCBI è chiamato GQuery:
Banche Dati
Esplorando NCBI:
Il primo portale per accedere ai dati in NCBI è chiamato GQuery:
Banche Dati
Esplorando NCBI:
Il primo portale per accedere ai dati in NCBI è chiamato GQuery:
..proviamo ad essere un pò meno generici: bacteria
Banche Dati
Esplorando NCBI:
Il primo portale per accedere ai dati in NCBI è chiamato GQuery:
..proviamo ad essere un pò meno generici: bacteria
Solitamente, quando viene effettuata una ricerca su questi
database, abbiamo:
• a disposizione una regione di DNA o proteina (o la funzione
di una proteina)
Banche Dati
Esempio:
Useremo un gene proveniente dalla Arabidopsis thaliana, che produce una proteina che rappresenta una componente
strutturale del ribosoma.
L’Arabidopsis thaliana, è una pianta floreale molto diffusa nel mondo ed è particolarmente studiata per la sua “semplicità”.
(circa 125 milioni di paia di nucleotidi, in soli cinque cromosomi)
La proteina prodotta da questo gene è memorizzata sotto l’accession number NP_565676
Banche Dati
Esempio:
Useremo un gene proveniente dalla Arabidopsis thaliana, che produce una proteina che rappresenta una componente
strutturale del ribosoma.
L’Arabidopsis thaliana, è una pianta floreale molto diffusa nel mondo ed è particolarmente studiata per la sua “semplicità”.
(circa 125 milioni di paia di nucleotidi, in soli cinque cromosomi)
La proteina prodotta da questo gene è memorizzata sotto l’accession number NP_565676
• gene keywords: e.g. structural constituent of ribosome
• gene keyword AND organism: e.g. structural constituent of ribosome AND Arabidopsis thaliana
• gene keyword [PROT] AND organism [ORGN]: e.g. structural constituent of ribosome [PROT] AND Arabidopsis thaliana
[ORGN]
• accession or gi number: e.g. NP_565676
Banche Dati
Esempio:
Useremo un gene proveniente dalla Arabidopsis thaliana, che produce una proteina che rappresenta una componente
strutturale del ribosoma.
L’Arabidopsis thaliana, è una pianta floreale molto diffusa nel mondo ed è particolarmente studiata per la sua “semplicità”.
(circa 125 milioni di paia di nucleotidi, in soli cinque cromosomi)
La proteina prodotta da questo gene è memorizzata sotto l’accession number NP_565676
• gene keywords: e.g. structural constituent of ribosome
• gene keyword AND organism: e.g. structural constituent of ribosome AND Arabidopsis thaliana
• gene keyword [PROT] AND organism [ORGN]: e.g. structural constituent of ribosome [PROT] AND Arabidopsis thaliana
[ORGN]
• accession or gi number: e.g. NP_565676
Sempre in
maiuscolo
Banche Dati
Esempio:
Ricerce più specifiche vengono effettuate per mezzo di GenInfo Identifier (gi) number e accession number:
Accession Numbers: è un identificatore unico per una particolare sequenza memorizzata. Un accession number è assegnato
ad uno specifico record; tale associazione rimarrà tale nel tempo. Cioè, un Accession Number traccia un particolare record e
non cambia anche se l’informazione in quel record è cambiata su richiesta degli autori. Gli Accession Numbers sono
usualmente una combinazione di lettere(a) e numeri (e.g. U12345 o AF123456)
Version Numbers: segue l’accession number e indica la revision history di quell’entry a partire da 1 per poi incrementarlo
ad ogni revisione. Il formato standard è Accession.Version
GI Number (GenInfo Identifier): è una serie di cifre che viene assegnata consecutivamente da NCBI ad ogni sequenza
memorizzata.
Banche Dati
Esempio:
Quando una nuova entry viene sottomessa a GenBank gli verrà assegnato un accession number (e.g. AF000001). Poichè
questa è la prima versione, l’accession number sarà completato con il version number pari a 1, quindi: AF000001.1.
Allo stesso tempo alla entry viene associato un GI number (e.g. GI:1234567).
Ora immaginiamo che il ricercatore che ha inizialmente sottomesso il record voglia aggiornare l’informazione.
Il recordo aggiornato a questo punto avrà lo stesso Accession Number, ma avrà incrementato il numero di versione, i.e
AF000001.2, mentre al nuovo record verrà assegnato un GI number completamente nuovo (i.e. GI:9876543)
In generale l’accession number restituisce sempre il record più aggiornato, mentre il GI number consente di accedere ad
una particolare informazione in un istante di tempo ben definito, anche se nel frattempo sono state aggiunte ulteriori
informazioni.
Banche Dati
Banche Dati
Maggiori informazioni sulla struttura di un GenBank Flat File
possono essere trovate:
http://www.ncbi.nlm.nih.gov/Sitemap/samplerecord.html
Banche Dati
Il campo Locus contiene un certo numeri di dati:
Banche Dati
Locus Name: nelle entry GenBank corrisponde all’accession
number preceduto dalle iniziali dell’organismo considerato
Entrez Search Field: Accession Number [ACCN]
Banche Dati
Sequence Length contiene il numero di coppie di basi di nucleotidi (o di amino
acidi) della sequenza memorizzata.
Entrez Search Field: Sequence Length [SLEN]
1. Per recuperare record con un certo range di lunghezza, è possibile usare
l’operatore : . Esempio: 2500:2600[SLEN]
2. Per recuperare tutte le sequenze più corte di un certo numero, usiamo 2
come lower bound. Esempio: 2:100[SLEN]
3. Per recuperare tutte le sequenze più lunghe di un certo numero, è possibile
usare una serie di 9 come upper bound.
Esempio: 325000:99999999[SLEN]
Banche Dati
Molecule Type: è il tipo di molecola che è stata sequenziata.
Entrez Search Field: Properties [PROP]
Banche Dati
GenBank Division: indica la divisione di appartenenza a cui appartiene il record.
Il GenBank database è diviso in 18 divisioni:
1. PRI - primate sequences
2. 2. ROD - rodent sequences
3. 3. MAM - other mammalian sequences
4. 4. VRT - other vertebrate sequences
5. 5. INV - invertebrate sequences
6. 6. PLN - plant, fungal, and algal sequences
7. 7. BCT - bacterial sequences
8. 8. VRL - viral sequences
9. PHG - bacteriophage sequences
Entrez Search Field: Properties [PROP]
10. SYN - synthetic sequences
11. UNA – un annotated
sequences
12. EST - EST sequences (expressed sequence
tags)
13. PAT - patent sequences
14. STS - STS sequences
(sequence tagged sites)
15. GSS - GSS sequences (genome
survey sequences)
16. HTG - HTG sequences (high-throughput
genomic sequences)
17. HTC - unfinished high-throughput
cDNA sequencing
18. ENV - environmental sampling
sequences
Banche Dati
Modification Date: indica la data di ultima modifica del record.
In alcuni casi, la data di modifica potrebbe corrispondere alla data di rilascio, ma non c'è modo di dirlo guardando
semplicemente il record.
Se è necessario conoscere la prima data di pubblica disponibilità, è possibile inviare un messaggio a
[email protected].
Entrez Search Field: Modification Date [MDAT]
1. Inserire il termine da ricercare nel formato: yyyy/mm/dd
2. Per ottenere i record modificati tra due date: 1999/07/25:1999/07/31[MDAT]
3. E’ possibile usare il campo Publication Date [PDAT] di Entrez per limitare I risultati della ricerca in funzione della data
in cui il record è stato aggiunto al sistema Entrez.
Banche Dati
Definition: indica una breve descrizione della sequenza; include informazioni sull’organismo sorgente, il nome del gene o
della proteina, oppure la descrizione della funzione della sequenza (se la sequenza non è codificante). Se la sequenza ha
una regione codificante, la descrizione può essere seguita dal qualificatore “complete cds”.
Entrez Search Field: Title Word [TITL]
Banche Dati
Accession: è l’identificatore unico per una sequenza memorizzata. L’Accession Number è applicato all’intero record e
solitamente è una combinazione di letter(a)e e numeri.
L’Accession Number non cambia, anche se l’informazione nel record viene modificata su richiesta dell’autore.
I record provenienti dal RefSeq database delle sequenze di riferimento ha un format diverso di Accession Number, che
inizia con due lettere seguite da un underscore e da 6 o più interi:
NT_123456
NM_123456
NP_123456
NC_123456
Entrez Search Field: Accession [ACCN]
constructed genomic contigs
mRNAs
proteins
chromosomes
Banche Dati
Version: se c’è qualche cambiamento nei dati della sequenza (anche una singola base), il version number sarà
incrementato: U12345.1 → U12345.2, ma la porzione di accession rimarrà stabile.
Entrez Search Field: use the default setting of "All Fields"
GI: GenInfo Identifier viene modificato ogni volta che una modifica effettuata sul record. Un GI diverso viene inoltre
assegnato ad ogni record della proteina ottenuta dalla sequenza nucleotidica.
Entrez Search Field: use the default setting of "All Fields"
Banche Dati
Features: Informazioni sui geni e prodotti genici, nonché le regioni di significato biologico riportate nella sequenza.
Queste possono includere regioni della sequenza che codificano per proteine e molecole di RNA, ed altre.
Banche Dati
Source: Informazione obbligatoria in ogni record che riassume la lunghezza della sequenza, il nome scientifico
dell’organismo sorgente ed il Taxon ID number.
Taxon: è un numero di identificazione univoco stabile per il taxon dell’organismo origine. Un taxon è raggruppamento di
organismi reali, distinguibili morfologicamente e geneticamente da altri e riconoscibili come unità sistematica
Banche Dati
CDS: Sequenza codificante, cioè la regione della sequenza di nucleotidi che corrisponde alla sequenza di amino acidi
nella proteina. Gli autori possono specificare la natura del CDS usando il qualifier "/evidence=experimental" or
"/evidence=not_experimental".
Entrez Search Field: Feature Key [FKEY]
Banche Dati
Indica, in questo caso, una sequenza codificante che include anche I codoni di start e stop.
Il CDS può essere di tre tipi:
1. Completo: che verrà scritto nella forma n..m. Esempio: 687..3158.
2. <: che indica parziale sul 5’ end. Esempio: <1..206 (codone start incompleto)
3. >: che indica parziale sul 3’ end. Esempio: 4821..5028> (codone stop incompleto)
4. (complement) che indica un filamento complementare
Entrez Search Field: Feature Key [FKEY]
Banche Dati
In questo caso, la traduzione in amino acidi è generata a partire dal
complemento inverso delle basi che vanno dalla 3300 alla 4037 e leggendo
la sequenza invertita complementare nella direzione 5’  3’.
Esempio: s = AGACGT ->inverto s’= TGCAGA ->complemento s = ACGTCT
4. (complement) che indica un filamento complementare
Entrez Search Field: Feature Key [FKEY]
Banche Dati
Indica il Numero di identificazione della sequenza della proteina.
Banche Dati
Indica il GenInfo Identifier della proteina.
Banche Dati
Indica il la sequenza tradotta corrispondente alla CDS considerata.
Banche Dati
Indica una regione di interesse identificata come gene.
Entrez Search Field: Feature Key [FKEY]