Softwarewerkzeuge der. Bioinformatik

Transkript

1 Bioinformatik Wintersemester 2006/2007 Tutorial 1: Biologische Datenbanken SRS Tutorial 1: Datenbanken 1/22

2 Sequenzquellen DNA- Sequenzierung Protein- Sequenzierung Translation Proteinsequenzen Tutorial 1: Datenbanken 2/22

3 Sequenzdaten >80 Mio. Nukleotidsequenzen (Quelle: GenBank 7 Mio. Proteinsequenzen (Quelle: UniParc knapp 0,04 Mio. Proteinstrukturen (Quelle: RCSB-PDB Einträge sind teilweise redundant, d.h. es gibt mehrere Versionen derselben Sequenz/Struktur Tutorial 1: Datenbanken 3/22

4 Datenbanktypen Datenbanken primäre Datenbanken sekundäre Datenbanken Nukleotidsequenzen Proteinsequenzen Proteinsequenzen Proteinstruktur GenBank EMBL-Bank UniProtKB NCBI-PD PROSITE PRINTS Pfam InterPro SCOP CATH Entrez Entrez SRS SRS SCOP CATH - Sequenzinformationen - zugehörige Annotationen - Kreuzreferenzen zu anderen Datenbanken - Analysen auf Basis der primären Datenbanken - Klassifizierungen nach Ähnlichkeit Tutorial 1: Datenbanken 4/22

5 primäre Datenbanken: DNA 1. GenBank ( - öffentliche Nukleotid-Sequenzdatenbank - 61 Mio. Sequenzeinträge (Oktober 2006) = >100 Gigabasen - per werden neue Sequenzen eingeschickt - jeder Eintrag bekommt eine eindeutige Accession Number - Mindestlänge der eingereichten Sequenzen: 50 bp - wird alle 24h gegen EMBL-Base und DDBJ (DNA DataBank of Japan, synchronisiert Tutorial 1: Datenbanken 5/22

6 Beispiel für einen Eintrag in GenBank ( LOCUS SCU bp DNA linear PLN 21-JUN-1999 DEFINITION Saccharomyces cerevisiae TCP1-beta gene, partial cds; and Axl2p (AXL2) and Rev7p (REV7) genes, complete cds. ACCESSION U49845 VERSION U GI: KEYWORDS. SOURCE Saccharomyces cerevisiae (baker's yeast) ORGANISM Saccharomyces cerevisiae Eukaryota; Fungi; Ascomycota; Saccharomycotina; Saccharomycetes; Saccharomycetales; Saccharomycetaceae; Saccharomyces. REFERENCE 1 (bases 1 to 5028) AUTHORS Torpey,L.E., Gibbs,P.E., Nelson,J. and Lawrence,C.W. TITLE Cloning and sequence of REV7, a gene whose function is required for DNA damage-induced mutagenesis in Saccharomyces cerevisiae JOURNAL Yeast 10 (11), (1994) MEDLINE PUBMED REFERENCE 2 (bases 1 to 5028) AUTHORS Roemer,T., Madden,K., Chang,J. and Snyder,M. TITLE Selection of axial growth sites in yeast requires Axl2p, a novel plasma membrane glycoprotein JOURNAL Genes Dev. 10 (7), (1996) MEDLINE PUBMED REFERENCE 3 (bases 1 to 5028) AUTHORS Roemer,T. TITLE Direct Submission JOURNAL Submitted (22-FEB-1996) Terry Roemer, Biology, Yale University, New Haven, CT, USA FEATURES Location/Qualifiers source /organism="saccharomyces cerevisiae" /mol_type="genomic DNA" /db_xref="taxon:4932" /chromosome="ix" /map="9"... CDS < /codon_start=3 /product="tcp1-beta" /protein_id="aaa " /db_xref="gi: " /translation="ssiyngistsgldlnngtiadmrqlgivesyklkravvssasea AEVLLRVDNIIRARPRTANRQHM" gene /gene="axl2" [..] gene complement( ) /gene="rev7" CDS complement( ) /gene="rev7" /codon_start=1 /product="rev7p" /protein_id="aaa " /db_xref="gi: " /translation="mnrwvekwlrvylkcyinlilfyrnvyppqsfdyttyqsfnlpq FVPINRHPALIDYIEELILDVLSKLTHVYRFSICIINKKNDLCIEKYVLDFSELQHVD KDDQIITETEVFDEFRSSLNSLIMHLEKLPKVNDDTITFEAVINAIELELGHKLDRNR RVDSLEEKAEIERDSNWVKCQEDENLPDNNGFQPPKIKLTSLVGSDVGPLIIHQFSEK LISGDDKILNGVYSQYEEGESIFGSLF" ORIGIN 1 gatcctccat atacaacggt atctccacct caggtttaga tctcaacaac ggaaccattg [..] 4921 ttttcagtgt tagattgctc taattctttg agctgttctc tcagctcctc atatttttct 4981 tgccatgact cagattctaa ttttaagcta ttcaatttct ctttgatc // Tutorial 1: Datenbanken 6/22

7 primäre Datenbanken: DNA 2. EMBL Nucleotid Sequence Database (EMBL-Bank) ( - von European Molecular Biology Laboratory am EBI (European Bioinformatics Institute) - öffentliche Nukleotid-Sequenzdatenbank - über ein Web-Interface werden neue Sequenzen eingeschickt - wird alle 24h gegen GenBank und DDBJ synchronisiert Tutorial 1: Datenbanken 7/22

8 Beispiel für einen Eintrag in EMBL-Bank ID SC49845 standard; genomic DNA; FUN; 5028 BP. AC U49845; SV U DT 07-MAY-1996 (Rel. 47, Created) DT 29-JUN-1999 (Rel. 60, Last updated, Version 3) DE Saccharomyces cerevisiae TCP1-beta gene, partial cds; and Axl2p (AXL2) and DE Rev7p (REV7) genes, complete cds. KW. OS Saccharomyces cerevisiae (baker's yeast) OC Eukaryota; Fungi; Ascomycota; Saccharomycotina; Saccharomycetes; OC Saccharomycetales; Saccharomycetaceae; Saccharomyces. RN [1] RP RX MEDLINE; RX PUBMED; RA Torpey L.E., Gibbs P.E., Nelson J., Lawrence C.W.; RT "Cloning and sequence of REV7, a gene whose function is required for DNA RT damage-induced mutagenesis in Saccharomyces cerevisiae"; RL Yeast 10(11): (1994). RN [2] RP RX MEDLINE; RX PUBMED; RA Roemer T., Madden K., Chang J., Snyder M.; RT "Selection of axial growth sites in yeast requires Axl2p, a novel plasma RT membrane glycoprotein"; RL Genes Dev. 10(7): (1996). RN [3] RP RA Roemer T.; RT ; RL Submitted (22-FEB-1996) to the EMBL/GenBank/DDBJ databases. RL Terry Roemer, Biology, Yale University, New Haven, CT, USA... DR GOA; P DR GOA; P DR GOA; P DR SGD; S ; YIL139C. DR SGD; S ; YIL140W. DR Swiss-Prot; P38927; REV7_YEAST. DR Swiss-Prot; P38928; AXL2_YEAST. DR Swiss-Prot; P39076; TCPB_YEAST. FH Key Location/Qualifiers FH FT source FT /chromosome="ix" FT /db_xref="taxon:4932" FT /mol_type="genomic DNA" FT /organism="saccharomyces cerevisiae" FT /map="9" FT CDS < FT /codon_start=3 FT /db_xref="goa:p39076" FT /db_xref="swiss-prot:p39076" FT /product="tcp1-beta" FT /protein_id="aaa " FT /translation="ssiyngistsgldlnngtiadmrqlgivesyklkravvssaseaa FT EVLLRVDNIIRARPRTANRQHM" FT [..] FT SGKNGITPTTMSTSSSDDFVPVKDGENFCWVHSMEPDRRPSKKRLVDFSNKSNVNVGQV FT KDIHGRIPEML" FT CDS complement( ) FT /codon_start=1 FT /db_xref="goa:p38927" FT /db_xref="sgd:s " FT /db_xref="swiss-prot:p38927" FT /gene="rev7" FT /product="rev7p" FT /protein_id="aaa " FT /translation="mnrwvekwlrvylkcyinlilfyrnvyppqsfdyttyqsfnlpqf [..] SQ Sequence 5028 BP; 1510 A; 1074 C; 835 G; 1609 T; 0 other; gatcctccat atacaacggt atctccacct caggtttaga tctcaacaac ggaaccattg 60 [..] tgccatgact cagattctaa ttttaagcta ttcaatttct ctttgatc 5028 // Tutorial 1: Datenbanken 8/22

9 primäre Datenbanken: Proteine 1. UniProtKB/Swiss-Prot ( - von EBI und SIB (Swiss Institute of Bioinformatics) - öffentliche Protein-Sequenzdatenbank - nur Sequenzeinträge - wichtigste Sammlung von Proteinsequenzen, da: manuell überpüft; manuelle Annotationen von Experten nicht redundant reichlich annotiert Querverweise zu Funktionsbeschreibung, Domänenstruktur, posttranslationalen Modifikationen und anderen Datenbanken Tutorial 1: Datenbanken 9/22

10 UniProtKB - Universal Protein Resource Knowledge Base - Daten für die manuelle Untersuchung stammen aus der Datenbank TrEMBL (translated EMBL) - TrEMBL: Translationen der DNA-Einträge aus der EMBL-NSD durch CDS (coding sequences) computer-annotiert UniProtKB/TrEMBL enthält nur solche Einträge, die noch nicht in UniProtKB/Swiss-Prot aufgenommen wurden Tutorial 1: Datenbanken 10/22

11 primäre Datenbanken: Proteine 2. NCBI Protein Database ( - öffentliche Protein-Sequenzdatenbank - Zusammenstellung aus den folgenden Protein- Sequenzdatenbanken: UniProtKB PIR (Protein Identification Resources) PDB (Protein Data Bank) Proteintranslationen der GenBank-Datenbank und weiteren - redundant Tutorial 1: Datenbanken 11/22

12 sekundäre Datenbanken: Proteine 1. PROSITE ( - öffentliche Datenbank von Proteinfamilien und Domänen - etwa 2000 unterschiedliche Muster, Regeln und Profile (in Form von Matrizen) - Klassifizierung: konservierte Motive aus verwandten Proteinen - Motive: kurze Sequenzbereiche von Aminosäuren - Annahme: Motive bestimmen Proteinfunktion - Motive stammen aus multiplen Sequenzalignments (Tutorial 3) Tutorial 1: Datenbanken 12/22

13 Motive in PROSITE - formalisiertes Muster (pattern) zur Beschreibung einer Zeichenabfolge = nächste Position x = jede AS [ ] = alle AS, die an dieser Position auftreten können { } = alle AS, die an dieser Position NICHT auftreten dürfen ( ) = Anzahl der Wiederholungen PA C-{CPWHF}-{CPWR}-C-H-{CFYW} Tutorial 1: Datenbanken 13/22

14 sekundäre Datenbanken: Proteine 2. PRINTS ( Einträge und Motive (2003) - Fingerabdrücke (fingerprints) als Klassifizierung von Sequenzen: Gruppe von konservierten Motiven - Idee: Sequenzen weisen mehrere funktionelle Bereiche auf auch für Faltung und somit mehrere Sequenzmotive - Motive aus kurzen lokalen Alignments (ungapped) Tutorial 1: Datenbanken 14/22

15 sekundäre Datenbanken: Proteine 3. Pfam ( - 74% aller Proteinsequenzen haben mindestens einen Pfam- Eintrag - Proteinfamilien werden durch Profile klassifiziert, die funktionell interessante Domänen repräsentieren - Profil: Auftrittswahrscheinlichkeiten bestimmter Aminosäuren an bestimmten Positionen in Form einer Matrix (Tutorial 2) - Pfam-A: genau untersuchte Profile aus den multiplen Alignments, teilweise manuelle Alignments, >8000 Familien - Pfam-B: automatisch generierte Profile. Umfaßt mehr Sequenzen, ist aber weniger präzise Tutorial 1: Datenbanken 15/22

16 sekundäre Datenbanken: Proteine 4. InterPro ( - Integrated Resource of Protein Families, Domains and Sites - simultane Abfrage von Daten aus: UniProtKB Pfam PROSITE PRINTS und weiteren Tutorial 1: Datenbanken 16/22

17 sekundäre Datenbanken: Proteinstruktur 1. SCOP ( - Structural Classification Of Proteins 2. CATH ( - hierarchische Klassifizierung nach: Class Architecture Topology Homologous Superfamily Tutorial 1: Datenbanken 17/22

18 Webinterfaces 1. Entrez ( - integriert viele Datenbanken - Suche über alle oder in einzelnen Datenbanken - simple und detaillierte Suchfunktion - Suchwörter logisch verknüpfbar - Suchwörter auf Kategorien aufteilbar - Direkte Links zu PubMed (elektronische Zeitschriftenbibliothek) Tutorial 1: Datenbanken 18/22

19 Beispiel für Suchergebnis mit Entrez Tutorial 1: Datenbanken 19/22

20 Webinterfaces 2. SRS ( - Sequence Retrieval System - von EBI entwickelt und inzwischen von Lion Bioscience AG lizensiert - Schnittstelle für ca. 350 Datenbanken aller Kategorien - verschiedene Typen von Suchen - Aufbereitung der Ergebnisse, auch mit Links zu verschiedenen Datenbanken - integrierte Sequenzanalyse-Werkzeuge Tutorial 1: Datenbanken 20/22

21 Datenbanken bei SRS Tutorial 1: Datenbanken 21/22

22 Optionen bei SRS Tutorial 1: Datenbanken 22/22