Bioinforma1k für Lebenswissenscha;ler

Transkript

1 BIOINF 1910 Bioinforma1k für Lebenswissenscha;ler Oliver Kohlbacher und Jens Krüger Sommersemester Sequenzdatenbanken

2 Übersicht Datenbanken Defini9on Sequenzdatenbanken Herkun; der Daten Sequenziertechnologien Datenbankklassifizierung Formate und SchniAstellen 2

3 FASTA- Format Sequenzen werden üblicherweise nicht einfach als Textdateien abgelegt Es haben sich eine Reihe Standardformate etabliert, von denen das FASTA- Format das gebräuchlichste (weil sehr trivial) für Sequenzdaten ist Das FASTA- Format gehorcht folgenden Regeln Eine Beschreibungszeile beginnt mit > in der ersten Spalte Das erste Wort nach dem > ist die ID der Sequenz, restlicher Text ist Beschreibung der Sequenz Nach der Beschreibungszeile folgt die Sequenz Keine Zeile ist länger als 80 Zeichen Dateiende oder einen neue Beschreibungszeile beendet eine Sequenz Eine FASTA- Datei kann mehrere Sequenzen enthalten 3

4 FASTA- Format Beispiel: Hevein und WGA >1HEV HEVEIN EQCGRQAGGKLCPNNLCCSQWGWCGSTDEYCSPDHNCQSNCKD >2CWG:A WHEAT GERM AGGLUTININ ISOLECTIN 1, CHAIN A RCGEQGSNMECPNNLCCSQYGYCGMGGDYCGKGCQNGACWTSKRCGSQAGGATCTNNQC CSQYGYCGFGAEYCGAGCQGGPCRADIKCGSQAGGKLCPNNLCCSQWGFCGLGSEFCGGG CQSGACSTDKPCGKDAGGRVCTNNYCCSKWGSCGIGPGYCGAGCQSGGCDG Eine Beschreibungszeile beginnt mit > in der ersten Spalte Das erste Wort nach dem > ist die ID der Sequenz, restlicher Text ist Beschreibung der Sequenz Nach der Beschreibungszeile folgt die Sequenz Keine Zeile ist länger als 80 Zeichen Dateiende oder einen neue Beschreibungszeile beendet eine Sequenz Eine FASTA- Datei kann mehrere Sequenzen enthalten 4

5 Datenbanken - Defini1on Datenbank (DB): eine Datensammlung, die nach bes9mmten Kriterien organisiert ist. 5

6 Noch eine Defini1on Zunehmend wird der Begriff Datenbank auch für Datenbank- Managementsysteme (DBMS) gebraucht, also eigentlich die So;ware, die die Daten verwaltet. Gängige DBMSe sind z.b. Oracle, DB/2 (IBM), MySQL oder SQL Server 6

7 Sequenzdatenbanken Margaret Dayhoff veröffentlichte ihren Atlas, der alle damals bekannten Proteinsequenzen (65!) enthielt Der Atlas wurde in die Datenbank PIR (Protein Informa1on Resources) umgewandelt (2004, ca Sequenzen) Zusammen mit EBI (TrEMBL) & SIB (SwissProt) wurde 2002 die UniProt Knowledgebase gegründet 7

8 Sequenzdatenbanken Es gibt zwei Typen von biologischen Datenbanken: Primärdatenbanken Enthalten experimentell ermiaelte Daten Meist mit Herkun;sangabe (Quelle, Literaturzitat) Sekundärdatenbanken Werden aus primären Datenbanken abgeleitet (daher o; auch abgeleitete Datenbanken) Enthalten gefilterte, interpre1erte oder anno1erte Informa1on, z.b. verifizierte Proteinsequenzen oder Sequenzmo9ve 8

9 Sequenzdaten Menge an bekannten Sequenzen ist in den letzten Jahrzehnten stets exponen9ell anges9egen Hauptgrund: FortschriAe in der Sequenzierungstechnologie Kapillarsequenzierer erzeugen große Mengen an Sequenzdaten in sehr kurzer Zeit WGS (whole genome shotgun)- Sequenzierung erlaubt Sequenzierung ganzer Genome in kürzester Zeit Beispiel: Celera Genomics erzeugte 2001 mit ca. 300 Sequenzierern reads (à 500 bp) aus dem menschlichen Genom pro Tag 9

10 Sequenzierkosten Vergleich der Kosten für Bioinforma9k (Moore sches Gesetz, weiss) und Sequenzierkosten pro Megabase DNA NHGRI,

11 Sequencing by Synthesis Sequencing by synthesis erzeugt durch massive Parallelisierung enorme Datenmengen (¼ 500 Mbp/Lauf) Erkauft mit geringerer Qualität/Länge der Sequenzstücke 11

12 NCBI Der wich9gste Betreiber von biologischen Datenbanken ist das NCBI (Na8onal Center for Biotechnology Informa8on) am NIH (Na8onal Ins8tute for Health) in Bethesda, MD, USA NCBI stellt eine Vielzahl von Ressourcen für die biomedizinische Forschung zur Verfügung, darunter auch viele relevante Datenbanken (PubMed, GenBank) Zu diesen Ressourcen gibt es ein einheitliches Web- Interface zur Recherche (ENTREZ) hap:// 12

13 GenBank Die wich9gste (und größte) Datenbank für Nukleinsäuresequenzen ist GenBank (hap:// seit 1979) GenBank wird am NCBI gepflegt und erhält Daten von japanischen und europäischen Datenbanken (DDBJ, DNA Databank of Japan und EMBL) Ziel von GenBank ist es, jede bekannte Nukleinsäuresequenz zu archivieren GenBank wird alle 24 h aktualisiert GenBank enthält Sequenzen von über Spezies 13

14 GenBank Publika9on neuer NA- Sequenzen in GenBank ist zwingend erforderlich für prak9sch alle relevanten Zeitschri;en der Molekularbiologie Dazu gibt es ein entsprechendes Web- Interface Neueinträge können für kurze Zeit (bis zur Veröffentlichung der Publika9on) zurückgehalten werden In der Publika9on muss dann die zugehörige Accession Number der Einträge benannt werden 14

15 GenBank 15

16 GenBank Wachstum Anzahl bp in GenBank Anzahl der Sequenzen in GenBank Größe von Genbank wächst immer noch exponen9ell an Derzeit sind über 152 Mio. Sequenzen mit ca. 139 Mrd. bp gespeichert (April 2012) ftp://ftp.ncbi.nih.gov/genbank/gbrel.txt 16

17 GenBank Wie in allen Datenbanken wird jeder einzelne Eintrag (Datensatz, record) in GenBank eindeu9g gekennzeichnet Diesen Bezeichner oder ID nennt man Accession Number Beispiel: K02013 Das kompleae Genom von HIV1 Kenntnis der ID erlaubt direkten Zugriff auf den Datensatz und ist eindeu1g unter diesem Bezeichner werden Sie den Datensatz immer wieder finden und keinem zweiten Datensatz wird die gleiche Nummer zugeteilt werden Nimmt man auf einen Eintrag Bezug, ist es notwendig Datenbank und ID zu zi9eren 17

18 GenBank Beispiel GenBank- Einträge werden in einem eigenen Format abgelegt Jeder AbschniA beginnt mit einem Schlüsselwort, dann die zugehörigen Daten (eingerückt) LOCUS HIVBRUCG 9229 bp ss-rna linear VRL 02-AUG-1993 DEFINITION Human immunodeficiency virus type 1, isolate BRU, complete genome (LAV-1). ACCESSION K02013 VERSION KEYWORDS K GI: TAR protein; TAT protein; acquired immune deficiency syndrome; complete genome; env protein; gag protein; long terminal repeat (LTR); pol protein; polyprotein; proviral gene; SOURCE Human immunodeficiency virus 1 (HIV-1) ORGANISM Human immunodeficiency virus 1 Viruses; Retroid viruses; Retroviridae; Lentivirus; Primate lentivirus group. REFERENCE 1 (bases 1 to 9229) AUTHORS TITLE JOURNAL Cell 40 (1), 9-17 (1985) MEDLINE PUBMED Wain-Hobson,S., Sonigo,P., Danos,O., Cole,S. and Alizon,M. Nucleotide sequence of the AIDS virus, LAV 18

19 GenBank Beispiel FEATURES Location/Qualifiers source /organism="human immunodeficiency virus 1" /mol_type="genomic RNA" /db_xref="taxon:11676" prim_transcript /note="genomic mrna CDS /note="nef protein" /codon_start=1 /protein_id="aab " /db_xref="gi:326425" /translation="mggkwskssvvgwptvrermrraepaadgvgaasrdlekhgait NTSLLHPVSLHGMDDPEREVLEWRFDSRLAFHHVARELHPEYFKNC" LTR >9229 /note="3' LTR" repeat_region /note="r repeat 3' copy" ORIGIN Cap site of genomic RNA. 1 ggtctctctg gttagaccag atttgagcct gggagctctc tggctaacta gggaacccac 61 tgcttaagcc tcaataaagc ttgccttgag tgcttcaagt agtgtgtgcc cgtctgttgt [...] 19

20 Primärdatenbanken für Nukleo1de Weitere Primärdatenbanken für NA- Sequenzen sind: EMBL Nucleo9de Sequence Database Verwendet SRS als Suchmaschine Derzeit ca. 120 Mio. Sequenzen (hap:// DDBJ DNA Databank of Japan Ebenfalls SRS Derzeit ca. 117 Mio. Sequenzen (hap:// 20

21 Primärdatenbanken Große Primärdatenbanken wie GenBank haben zwei Hauptprobleme Redundanz: viele Sequenzen sind nicht nur einmal darin enthalten, sondern in vielen, vielen Varianten oder gar Kopien Qualität: in GenBank findet sich prak9sch jeder irgendwann mal sequenzierte Nukleinsäureschnipsel. Viel davon ist von minderer Qualität oder unklarer Herkun;. 21

22 RefSeq- Nukleo1d- Datenbank Nichtredundante Datenbank von Nukleo9dsequenzen Enthält Sequenzen genomischer DNA, von mrna und Proteinen Sta9s9k: ca Spezies DNA: ca. 2 Mio Einträge RNA: ca. 2 Mio Einträge Zugänglich über NCBI 22

23 Primärdatenbanken für Proteine Neben Nukleo9dsequenzen sind natürlich Proteinsequenzen interessant Die wich9gste Datenbank UniProt Knowledgebase (UniProtKB) Universal Protein Resource Bestehend aus folgenden Teildatenbanken TrEMBL Translated EMBL Swiss- Prot PIR 23

24 UniProt Universal Protein Resource Am EMBL beheimatet, auch über NCBI zugänglich Aus drei Datenbanken durch Zusammenschluss entstanden: Swiss- Prot: qualita9v hochwer9ge, nichtredundante und exzellent anno9erte Proteinsequenzen PIR: Protein Informa9on Ressource, aus Margaret Dayhoffs Protein- Atlas hervorgegangen TrEMBL: durch Transla9on der in der EMBL- Nukleo9ddatenbank abgelegen NA- Sequenzen erzeugte Proteindaten 24

25 UniProtKB/Swiss- Prot 1986 eingerichtet und betrieben vom Swiss Ins8tute of Bioinforma8cs (SIB) and the European Bioinforma8cs Ins8tute (EBI) Von Experten kura9erte Informa9onen mit hoher Qualität It strives to provide a high level of annota8on, a minimal level of redundancy, a high level of integra8on with other biomolecular databases as well as extensive external documenta8on. (R. Apweiler) UniProtKB/Swiss- Prot enthält ca Einträge 25

26 UniProtKB/Swiss- Prot & TrEMBL Annota9on und Kontrolle der Proteinsequenzen für UniProtKB/Swiss- Prot ist sehr zeit- und personalintensiv Um Sequenzinforma9on kurzfris9g verfügbar zu machen, gibt es UniProtKB/TrEMBL TrEMBL ist komplementär zu Swiss- Prot und enthält computergenerierte Annota9onen zu den Sequenzen, die durch automa9sches Übersetzen den Genomsequenz aus der EMBL- Nukleo9d- DB entsteht TrEMBL enthält derzeit ca. 10,8 Mio. Einträge 26

27 nextprot Die derzeit beste Datenbank für menschliche Proteine/ Proteinsequenzen ist die erst vor kurzem eingeführte Datenbank NextProt des SIB (Swiss Ins9tute for Bioinforma9cs) At the content level, nextprot aims to be a comprehensive resource on human proteins, including informa9on such as proteins func9on, subcellular loca9on, expression, interac9ons and role in diseases. Rigorous standards are applied before any data is added to nextprot, ensuring a commitment to the quality that the Swiss are renowned for. ( nextprot version 3.0 enthält sehr umfangreiche und aufwändig kura9erte Einträge zu den ca menschlichen Proteinen und deren Isoformen 27

28 Ein UniProtKB/Swiss- Prot- Eintrag ID Beschreibung Literaturzitate ID 1A01_HUMAN STANDARD; PRT; 365 AA. AC P30443; DT 01-APR-1993 (REL. 25, CREATED) DT 01-APR-1993 (REL. 25, LAST SEQUENCE UPDATE) DT 01-FEB-1996 (REL. 33, LAST ANNOTATION UPDATE) DE HLA CLASS I HISTOCOMPATIBILITY ANTIGEN, A-1 GN HLAA. OS HOMO SAPIENS (HUMAN). OC EUKARYOTA; METAZOA;... OC EUTHERIA; PRIMATES. RN [1] RP SEQUENCE FROM N.A. (A*0101). RX MEDLINE; RA PARHAM P., LOMEN C.E., LAWLOR D.A., WAYS J.P., RA SALTER R.D., WAN A.M., ENNIS P.D.; RL PROC. NATL. ACAD. SCI. U.S.A. 85: (1988). RN [2] RP SEQUENCE FROM N.A. (A*0101). RX MEDLINE; RA PARHAM P., LAWLOR D.A., LOMEN C.E., ENNIS P.D.; RL J. IMMUNOL. 142: (1989). RN [4] RX MEDLINE; RA BROWNING M.J., MADRIGAL J.A., KRAUSA P., KOWALSKI RA ALLSOPP C.E., LITTLE A.M., TURNER S., ADAMS E.J RA BODMER W.F., PARHAM P.; RL TISSUE ANTIGENS 45: (1995). 28

29 Ein Swiss- Prot- Eintrag (Forts.) Links zu anderen Datenbanken Domänen Sequenz CC -!- FUNCTION: INVOLVED IN THE PRESENTATION OF FOREIGN ANTIGENS TO CC THE IMMUNE SYSTEM. CC -!- SUBUNIT: DIMER OF ALPHA CHAIN AND A BETA CHAIN (BETA-2- CC MICROGLOBULIN). CC -!- POLYMORPHISM: THE FOLLOWING ALLELES OF A-1 ARE KNOWN: A*0101 CC A*0102. THE SEQUENCE SHOWN IS THAT OF A*0101. DR EMBL; M24043; G386893; -. DR PIR; S14189; S DR HSSP; P01891; 1HSB. DR MIM; ; 11TH EDITION. DR PROSITE; PS00290; IG_MHC. KW MHC I; TRANSMEMBRANE; GLYCOPROTEIN; SIGNAL; POLYMORPHISM. FT SIGNAL 1 24 FT CHAIN HLA CLASS I HISTOCOMPATIBILITY FT ANTIGEN ALPHA CHAIN A-1. FT DOMAIN EXTRACELLULAR ALPHA-1. FT DOMAIN EXTRACELLULAR ALPHA-2. FT DOMAIN EXTRACELLULAR ALPHA-3. FT DOMAIN CONNECTING PEPTIDE. FT TRANSMEM FT DOMAIN CYTOPLASMIC TAIL. FT VARIANT F -> S (IN A*0102). FT VARIANT R -> S (IN A*0102). SQ SEQUENCE 365 AA; MW; 8E680E9E CRC32; MAVMAPRTLL LLLSGALALT QTWAGSHSMR YFFTSVSRPG RGEPRFIAVG YVDDTQFVRF WQRDGEDQTQ DTELVETRPA GDGTFQKWAA VVVPSGEEQR YTCHVQHEGL PKPLTLRWEL SSQPTIPIVG IIAGLVLLGA VITGAVVAAV MWRRKSSDRK GGSYTQAASS DSAQGSDVSL TACKV // 29

30 RefSeq protein database Die Sequenzen aus RefSeq sind auch als Proteinsequenzen verfügbar Ziel der RefSeq- Protein- DB ist ähnlich zur Nukleo9d- DB: The Reference Sequence (RefSeq) collec8on aims to provide a comprehensive, integrated, non- redundant set of sequences, including genomic DNA, transcript (RNA), and protein products, for major research organisms. Unterhalten am NCBI, zugänglich ebenso über das NCBI- Webinterface RefSeq enthält derzeit ca. 1,0 Mio. Einträge 30

31 Sekundärdatenbanken Sekundärdatenbanken generieren aus den Primärdaten neue Informa1on Einige dieser Datenbanken werden wir später noch im Detail besprechen Beispiele: ProSite: Datenbank von Proteinfamilien und Domänen us.expasy.org/prosite/ PFam: Datenbank für mul9ple Alignments und Proteindomänen 31

32 Formate Prak9sch jede größere Datenbank steht neben den wohlbekannten Web- Interfaces auch als so genannte Flaiiles zur Verfügung Darin ist die Informa9on der gesamten DB oder von Teilen daraus in einer großen Datei (flat file) untergebracht Für Bioinforma9kanwendungen ist es o; bequemer diese flat files herunter zu laden (Vorsicht! O; SEHR groß!) Mit den Ihnen bekannten Werkzeugen können Sie damit sehr einfach Aufgaben lösen, die durch das Webinterface schwierig oder unmöglich sind Leider haben die unterschiedlichen Datenbanken unterschiedliche Formate Python- Erweiterung Biopython ist in der Lage die wich9gsten Formate zu lesen (Details in den Übungen) 32

33 ENTREZ Suchmaschine des NCBI ENTREZ ist ein mäch9ges Werkzeug zur Suche nach Sequenzen, Strukturen, Taxonomie, Literatur u.v.m ENTREZ erlaubt die Suche in den meisten hier genannten Datenbanken Sie sollten sich bei Gelegenheit zwei NachmiAage Zeit nehmen und es ausgiebig erforschen die Inves99on wird sich nach kurzer Zeit amor9siert haben! Machen Sie sich auch mit den erweiterten Suchmöglichkeiten vertraut (Einschränkung auf Publika9onsdatum, Organismus etc.) ENTREZ erlaubt auch die Suche über Accession Numbers: einfach in die Suchmaske eingeben und los geht s 33

34 ENTREZ Neue Eins1egsseite 34

35 ENTREZ - Datenbankauswahl 35

36 GenBank Suche 36

37 GenBank - Datensatzanzeige 37

38 Graphische Anzeige des Genoms 38

39 Literatur + Links ENTREZ (NCBI) hap:// UniProtKB hap:// BioPython hap:// Weitere Infos zu Datenbanken Überblick über alle NCBI- Datenbanken hap:// Überblick über alle Datenbanken des EBI hap:// Materialien aus der Vorlesung von Per Kraulis hap:// 39