第四章、生物学数据库——内容、结构

admin管理员组

文章数量:1530889

2024年5月21日发(作者：)

第四章、生物学数据库——内容、结构

国际上已建立许多生物分子公共数据库，包括核酸序列数据库、蛋白质序列数据库和生物大

分子结构数据库等，他们负责收集、组织、管理和发布生物分子数据。并提供数据检索和基

本的分析工具，向生物学研究人员提供大量有用的信息。

一、数据库文件格式

1．常用的序列、结构文件的格式

1.1序列文件

为使生物数据可以被计算机程序使用，生物数据必须表示为计算机读取的标准格式，常

见的方法是存为文本文件。很多生物信息数据库和软件处理序列数据时要求有标准的格式对

序列数据进行输入和输出，这要求我们有统一的核酸和蛋白质序列格式。

常用的三种格式是NBRF/PIR、FASTA和GDE。（考）

每种格式不公能够表示序列本身，还可以插入唯一的代码来识别序列，并对序列进行说明，

包括序列的名称，序列所属物种，序列的长度及功能等。

NBRF/PIR格式；第一行以>P1开头是蛋白质序列>N1开头是核酸序列。分号后跟一个编号

是序列的唯一标识号;_后是标识来源，之后是说明行，扩展名是”。Pir”or”.seq”。

FASTA格式：第一行以>开头但没有指明是蛋白质还是核酸序列后跑代码，接着注释，通常

注释以“|”分开，第一行没有长度限制。FASTA格式允许以小写字母代表序列。扩展名为

“.fasta”

GDE格式：与FAST格式基本相同，但是行首是%号，扩展名为“.gde”。

虽然三种格式的扩展名不同，可是其实质都是文本文件，所以我们可以用，windows下的写

字板对文件进行阅读和编辑，不要使用word进行编辑会使文件出现多余的非法字符。

在序列中10个残基空一格，60个残基换一行，核酸残基有A、T、G、C、U五种碱基；蛋

白质为二十种基本氨基酸符号：

氨基酸名称

甘氨酸

丙氨酸

缬氨酸

异亮氨酸

亮氨酸

苯丙氨酸

脯氨酸

甲硫氨酸

色氨酸

半胱氨酸

英文缩写

Gly

Ala

Val

Ile

Leu

Phe

Pro

Met

Trp

Cys

简写

G

A

V

I

L

F

P

M

W

C

氨基酸名称

丝氨酸

苏氨酸

天冬酰胺

谷酰胺

酪氨酸

组氨酸

天冬氨酸

谷氨酸

赖氨酸

精氨酸

英文缩写

Ser

Thr

Asn

Gln

Try

His

Asp

Glu

Lys

Arg

简写

S

T

N

Q

Y

H

D

E

K

R

注意：序列中存在的特别符号

—代表不明长度的空位（gap）；不明核酸用N，不明蛋白质是X；R代表G或A的嘌呤；Y

代表T或C的嘧啶；K代表G或T（带酮基）；M代表A或C（带氨基）；S代表G或C氢

键强；W代表A或T弱；(考)B代表G、T或C；D代表G、A或T；H代表A、C或T；

V代表G、C或A；N代有A、G、C、T任意一种；*代表翻译结束。

1.2数据库格式

从GenBank flatfile 格式（GBFF）的角度介绍其中的序列数据，GBFF是GenBank数据

库的基本信息单位，是最广泛表示生物序列格式之一，也是GenBank/EMBL/DDBJ三大数

据库交换数据的格式。各个数据库中的格式基本相同，稍有差别，每个记录代表了一个单独

的、连续的、带有注释的DNA或RNA片断或蛋白质序列。数据库的每一条目是一分纯文

本文件，左端为识别标志，识别是完整英文。

GenBank和EMBL数据库行首识别标志

EMBL识别标志

ID

AC

DE

OS

OC

DT

KW

RN

RA

RT

RL

RX

DR

XX

CC

NI

FH

FT

SQ

∥

GenBank识别标志

LOCUS

ACCESSION

DEFINITION

SOUCE

ORGANISM

KEYWORDS

REFERENCE

AUTHORS

TITLE

JOURNAL

COMMENTS

MEDLINE

COMMENT

VERSION

FEATURES

TEATURES

BASE COUNT

ORIGIN

∥

意义

标识字符串及短描述字

接受号

描述

生物来源

生物体系分类谱系

建立日期

关键字

引文编号

引文作者

引文题目

引文期刊

交叉引用

对其它数据库的引用

引用MEDLINE号

为阅读清晰加的空白

评注

可更新的序列版本号

特性表头

特性表

EMBL序列开始，后跟长度、字母

GENBANK碱基数

GENBANK序列开始标志、为空行

序列结束标志

1.3 GBFF格式

GBFF格式分为三部分：第一部分是描述符，从第一行LOCUS行到ORIGIN行，包含了整

个记录的信息；第二部分是物性表，从FEATURES行开始，包含了注释这一记录的特性，

是条目的核心，中间使用一批关键字；第三部分是序列本身，以//符号结尾。

第一部分：

第一行：LOCUS AF486325 477bp DNA linera VRL 12-AUG-2002

LOCUS：基因座位，某一特定的基因位于染色体或其他载体所在位置，包括该基因的全部

核苷酸序列。Locus名称由一个英文字母+数字组成总长不超过10个字符。在数据库中locus

名称在数据库中必须是独立的、唯一的，以保证检索的不被重复。

本文标签： 序列数据库格式生物数据