Banche Dati Primarie di Biosequenze

Transcript

1 Descrizione Ie banche dati primarie delle sequenze nucleotidiche EMBL, GenBank e DDBJ sono una collezione di sequenze di DNA e RNA che provengono dalla letteratura scientifica e dalle sequenze brevettate. Le sequenze sono direttamente sottomesse alla banca dati dagli autori. La collezione e organizzata in divisioni e distribuita come flat-file.

2 Divisioni Le entries sono raggruppate in divisioni. Le suddivisioni sono determinate su base tassonomica. Alcune divisioni, come le EST rappresentano un eccezione in quanto raggruppa le Expressed sequences tags oppure le transcribed sequences fragments. Le sequenze EST, sono a loro volta suddivise in divisioni tassonomiche: Fungi ESTs Human ESTs Invertebrate ESTs Other Mammal ESTs Mouse ESTs Plant ESTs Prokaryote ESTs Other Rodent ESTs Vertebrate ESTs

3 Lista delle divisioni relative al Release 72 dell EMBL Division Entries Nucleotides Constructed ,651,039 ESTs 12,579,887 6,092,593,479 Fungi 66, ,701,680 GSSs 3,655,432 2,024,373,612 HTC 37,702 46,534,142 HTG 59,643 8,133,591,288 Human 224,748 3,514,807,268 Invertebrates 99, ,543,766 Other Mammals 41,221 63,140,744 Mus musculus 59, ,735,008 Organelles 158, ,281,571 Patents 702, ,836,041 Bacteriophage 2,172 6,839,416 Plants 127, ,154,945 Prokaryotes 154, ,654,436 Rodents 23,458 35,679,406 STSs 124,500 49,120,860 Synthetic 6,755 13,005,812 Unclassified 1,358 2,016,758 Viruses 161, ,788,744 Other Vertebrates 38,145 68,136,131 Total 18,324,246 23,090,186,146

4 Convenzione Dati di Sequenza Le sequenze nucleotidiche presenti nella banca dati sono memorizzate cosi come sottomesse dagli autori. Le sequenze sono sempre rappresentate nella direzione che va da 5 a 3. Le basi sono numerate in modo sequenziale a partire dalla prima posizione. Le sequenze cdna sono memorizzate nella banca dati come sequenze di RNA. Per i dati genomici viene memorizzata la strand codificante. I dati memorizzati corrispondono generalmente al wildtype prima delle mutazioni o manipolazione genetica Le sequenze delle molecole di trna sono memorizzate come trascritto prima delle modificazioni delle basi, le basi modificate sono riportate nelle feature table.

5 Classificazione e Identificazione degli Organismi La classificazione tassonomica utilizzata è comunemente condivisa dalle tre organizzazioni EMBL/GenBank e DDBJ ed e organizzata sulla base delle conoscenze filogenetiche. Queste informazioni derivano in gran parte da studi di evoluzione molecolare. Lo scopo di questa informazione e quella di fornire un utile aiuto al ricercatore, anche se a volte l informazione contenuta in queste linee, non è corretta. L informazione in queste linee è soggetta a rapidi cambi.

6 Struttura della Banca Dati - EMBL La banca dati delle sequenze nucleotidiche e costituita da entries. Ciascuna entry e costituita, a sua volta, da un unica sequenza contigua cosi come riportata in letteratura. In molti casi le entry sono assemblate come regioni di overlapping che derivano da vai lavori.

7 Struttura della Banca Dati Classificazione delle sequenze Al fine di rendere disponibili, quanto prima, i dati all utenza subito dopo la pubblicazione, le entry sono rilasciate prima di una loro completa revisione. Per fornire all utenza il grado di correttezza e il successivo lavoro da effettuare sull entry, queste sono classificate in classi. Le classi sono: Standard: Entry che rispondono perfettamente allo standard del formato Unreviewed: Entry che rispondono allo standard del formato, pero sono state riviste automaticamente e non da un esperto ; Preliminary: Solo la sequenza e le citazioni sono state sottoposte al controllo; Unannotated: Entry che contengono solamente un entry name, citazioni e sequenza Backbone: Entry che derivano dall NCBI e trasformate nel formato EMBL

8 Struttura della Banca Dati Divisioni della Banca Dati

9 Struttura della Banca Dati -EMBL Struttura dell entry La struttura delle entries, nel database, sono organizzate al fine di essere facilmente comprensibili dal ricercatore e gestibile con gli strumenti informatici. Il simbolismo utilizzato per la loro descrizione e classificazione è quello familiare al biologo molecolare. Ciascuna entry nel database e costituita da linee, dove ogni linea ha una sua definizione e formato.

10 Formato Entry ID TRBG361 standard; RNA; PLN; 1859 BP. AC X56734; S46826; SV X NI g21954 DT 12-SEP-1991 (Rel. 29, Created) DT 13-SEP-1993 (Rel. 37, Last updated, Version 8) DE Trifolium repens mrna for non-cyanogenic beta-glucosidase KW beta-glucosidase. OS Trifolium repens (white clover) OC Eukaryota; Viridiplantae; Streptophyta; Embryophyta; Tracheophyta; OC euphyllophytes; Spermatophyta; Magnoliophyta; eudicotyledons; Rosidae; OC Fabales; Fabaceae; Papilionoideae; Trifolium. RN [5] RP RA Oxtoby E., Dunn M.A., Pancoro A., Hughes M.A.; RT "Nucleotide and derived amino acid sequence of the cyanogenic RT beta-glucosidase (linamarase) from white clover (Trifolium repens L.)."; RL Plant Mol. Biol. 17: (1991). RN [6] RP RA Hughes M.A.; RT ; RL Submitted (19-NOV-1990) to the EMBL/GenBank/DDBJ databases. RL M.A. Hughes, UNIVERSITY OF NEWCASTLE UPON TYNE, MEDICAL SCHOOL, NEW RL CASTLE UPON TYNE, NE2 4HH, UK DR MENDEL; 11000; TRIrp;1162;1. DR SWISS-PROT; P26204; BGLS_TRIRP.

11 Formato Entry -2 FH Key Location/Qualifiers FH source /organism="trifolium repens" /db_xref="taxon:3899" /tissue_type="leaves" /clone_lib="lambda gt10" /clone="tre361" CDS /db_xref="pid:g21955" /db_xref="mendel:11000" /db_xref="swiss-prot:p26204" /note="non-cyanogenic" /EC_number=" " /product="beta-glucosidase" /protein_id="caa " /translation="mdfivaifalfvissitstnaveastlldignlsrssfprgfi FGAGSSAYQFEGAVNEGGRGPSIWDTHKYPEKIRDGSNADITVDQYHRYKEDVGIMK DQNMDSYRFSISWPRILPKGKLSGGINHEGIKYYNNLINELLANGIQPFVTLFHWDLPQ VLEDEYGGFLNSGVINDFRDYTDLCFKEFGDRVRYWSTLNEPWVFSNSGYALGTNAPGR CSASNVAKPGDSGTGPYIVTHNQILAHAEAVHVYKTKYQAYQKGKIGITLVSNWLMPLD DNSIPDIKAAERSLDFQFGLFMEQLTTGDYSKSMRRIVKNRLPKFSKFESSLVNGSFDF IGINYYSSSYISNAPSHGNAKPSYSTNPMTNISFEKHGIPLGPRAASIWIYVYPYMFIQ EDFEIFCYILKINITILQFSITENGMNEFNDATLPVEEALLNTYRIDYYYRHLYYIRSA IRAGSNVKGFYAWSFLDCNEWFAGVRFGLNFVD" mrna SQ /evidence=experimental Sequence 1859 BP; 609 A; 314 C; 355 G; 581 T; 0 other; aaacaaacca aatatggatt ttattgtagc catatttgct ctgtttgtta ttagctcatt..

12 Definizione Codici delle Linee Alcune entry possono non contenere tutti i tipi di linee, come alcune linee possono essere ripetute più volte. Tutte le entry iniziano sempre con il codice ID. Link

13 Struttura delle Linee Linea ID L identificatore ID e sempre la prima linea di un entry. La sua struttura e : ID entryname dataclass; molecule; division; sequencelength BP. ID HS7SLP standard; RNA; PRI; 377 BP. Nome Nome dell entry: dell entry: costituita costituita da da più più di di nove nove caratteri caratteri alfanumerici alfanumerici e e iniziano iniziano sempre sempre con con una una lettera. lettera. Prime Prime due due lettere lettere - - Genere Genere e e Specie Specie Altri Altri caratteri: caratteri: Associati Associati alla alla funzione funzione es. es. MMIG01,MMIG02 MMIG01,MMIG02 (Mus (Mus Musculus Musculus Immunoglobulin Immunoglobulin genes genes X X per per unannotated unannotated entry. entry. Se Se la la molecola molecola e e circolare circolare sara sara indicata indicata come come circular circular DNA DNA

14 Struttura delle Linee Linea AC La linea AC (ACcession Number), individua l accession number della sequenza. AC Y00321; J05348; Lo scopo dell accession number e quello di definire un modo stabile di identificare le entries da un release all altro release. Mentre il nome dell entry può cambiare da un release all altro, l accession number rimane invariato. I ricercatori che utilizzano le sequenze per i lori scopi e devono citare nel lavoro le sequenze utilizzate devono sempre citare il primo AC. La presenza di più AC è utilizzato per seguire le tracce delle variazioni delle entries: Ad esempio. : unione di due sequenze viene creato un nuovo AC primario e gli AC secondari sono quelli elencati dopo;

15 Struttura delle Linee Linea DT La linea DT (DaTe) indica quando un entry appare per la prima volta nella banca dati e quando e stata l ultima variazione. DT 07-NOV-1985 (Rel. 07, Created) DT 20-FEB-1990 (Rel. 23, Last updated, Version 1) Il valore assoluto relativo alla Version viene incrementato ogni qualvolta la sequenza ha subito una variazione. Permette di seguire il numero delle variazioni che la sequenza ha subito nel tempo.

16 Struttura delle Linee Linea DE Linea DE (DEscription) contiene una descrizione generale circa la sequenza. Questa può contenere il tipo di gene per la quale la sequenza codifica, la regione del genoma dalla quale deriva o altre informazioni utili a identificare la sequenza. DE Human mrna for 7SL RNA pseudogene

17 Struttura delle Linee Linea KW La linea KW (KeyWord) fornisce informazioni sulla funzionalità della sequenza. Spesso sono necessarie più linee per una singola entry. KW small nuclear RNA; pseudogene. Le keyword sono ordinate in ordine alfabetico. Se un entry non contiene nessun riferimento ad una keyword abbiamo una struttura: KW.

18 Struttura delle Linee Linea RN,RC,RP,RX,RA,RT,RL Tutte queste linee individuano i riferimenti bibliografici: RN [1] RP RX MEDLINE; RA Ullu E., Weiner A.M.; RT "Human genes and pseudogenes for the 7SL RNA component of signal RT recognition particle"; RL EMBO J. 3: (1984).

19 Struttura delle Linee Linea DR La linea DR (Database Cross-reference) riporta il link ad altri database i quali contengono informazioni in relazione con l entry. La struttura della linea: DR database_identifier; primary_identifier; secondary_identifier. DR SWISS-PROT; P03593; V90K_AMV.

20 Struttura delle Linee Linea La linea (Feature Table) fornisce un meccanismo per le annotazioni dei dati delle sequenze. In queste tabelle sono riportate tutte le regioni o i siti di interesse biologico. La strutturazione delle feature table è stata definita univocamente tra i tre gestori delle banche dati. EMBL/Genbank/DDBJ

21 Struttura delle Linee Linea SQ La linea SQ (SeQuence header) fornisce i dati relativi alla lunghezza della sequenza e alla sua composizione. SQ Sequence 462 BP; 110 A; 147 C; 135 G; 0 T; 70 other;