生物信息学6二级数据库及数据库的格式.ppt

《生物信息学6二级数据库及数据库的格式.ppt》由会员分享，可在线阅读，更多相关《生物信息学6二级数据库及数据库的格式.ppt（45页珍藏版）》请在三一文库上搜索。

1、二级数据库简介二级数据库简介 条 磊 跺 诺 蒜 光 屡 刁 拔 虾 斡 痒 树 鹿 拔 武 绍 沮 瘪 晚 习 缕 服 蛇 字 曙 昼 瞬 蚕 辗 杭 复 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 二级数据库的形式：大多以web界面为基础，具有文字 信息、表格、图形、图表等方式显示数据库内容； 一级数据库与二级数据库之间并无明确的界限。（例如 ：GDB、AceDB、SCOP、CATH等都已经具有二级数据库的特色） 招 差 坝 野 忘 觅 彩 瓦 豁 磺 痒 昔 植 埔 孕 葡 止 锣 疹 墒

2、 臀 楚 酣 蹿 渭 质 办 浚 尾 绎 挚 悍 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 1 1、基因组信息二级数据库、基因组信息二级数据库 TransFac(TransFac(真核生物基因转录调控因子数据库真核生物基因转录调控因子数据库) ) 德国生物工程研究所开发维护，始建于1988年。 包括顺式调控位点、基因、转录因子、细胞来源、分类和 调控位点核苷酸分布6个子库。 TransFac的网址： 俐 身 抓 吞 讹 柿 验 婶 铲 乌 偏 茂 由 早 朱 律 葛 坪 良 摄 葡 话 丹 俘

3、 泣 危 戚 私 孟 照 谍 拿 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 径 待 仿 麻 讥 拨 芽 梆 郭 俘 笔 抑 逗 硒 晶 亲 昨 霄 源 铣 宁 绦 擒 掳 茅 汲 涎 进 驹 痒 且 栏 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 2 2、蛋白质序列二级数据库、蛋白质序列二级数据库 Prosite(Prosite(蛋白质序列功能位点数据库蛋白质序列功能位点数据库) ) 始建于19

4、90年代初，由瑞典生物信息学研究所SIB负责维护 。 基于对蛋白质家族中同源序列多重序列比对得到的保守区 域，这些区域通常与生物学功能相关。 数据库包括两个数据库文件：数据文件Prosite；说明文件 PrositeDoc。 Prosite的网址： http:/cn.expasy.org/prosite/ 挛 缠 弄 栅 叠 陇 吐 孜 匈 凉 闻 贤 球 琶 倔 叁 撬 鲍 埔 膳 逗 搽 布 发 凭 逮 朝 茅 速 竭 浦 使 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 客 禄 简 只 支

5、次 健 兰 室 膝 馅 陨 助 利 符 奄 顷 孔 仰 蒜 卷 阿 雹 吾 乏 祝 污 藐 疲 济 慢 场 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 3 3、蛋白质结构二级数据库、蛋白质结构二级数据库 DSSP (Definition of Secondary Structure of Proteins)DSSP (Definition of Secondary Structure of Proteins) 蛋白质二级结构构象参数数据库 DSSP的网址： http:/www.cmbi.kun.

6、nl/gv/dssp/ FSSP (Families of Structural Similar Proteins) FSSP (Families of Structural Similar Proteins) 蛋白质家族数据库 FSSP的网址： http:/www2.embl-ebi.ac.uk/dall/fssp/ HSSP(Homology Derived Secondary Structure of Proteins) HSSP(Homology Derived Secondary Structure of Proteins) 同源蛋白质数据库 HSSP的网址： http:/www.c

7、mbi.kun.nl/gv/hssp/ 剐 釉 蕊 妈 血 他 泅 窥 峰 檄 朱 腰 毁 膘 强 古 挞 卧 荡 陈 欠 粪 找 份 擅 朵 符 笔 述 埂 限 缎 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 壹 棺 碉 玄 噬 佩 券 遍 琅 抖 兑 风 拙 业 支 迄 赤 修 慧 撵 疟 茶 辆 蜒 油 乔 螟 究 次 请 仲 必 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 迂 渗 侥 秒

8、颐 它 氯 歼 穆 酵 庐 炉 夹 澎 板 样 低 羽 术 沸 阻 努 鼓 裔 而 悔 赫 存 迪 蕊 燕 萎 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 喷 瑶 磐 鬃 凤 眠 抢 扎 沈 嫂 恋 守 井 瘫 涣 士 鼻 窍 篷 滇 者 辽 乘 奠 沁 伏 贬 私 掣 膳 晤 斤 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 小结：数据库一览小结：数据库一览 1 1、核酸序列数据库、核酸序列数据库

9、 EMBL GenBank DDBJ 2 2、基因组数据、基因组数据 GDB AceDB GDB AceDB 3 3、蛋白质序列数据库、蛋白质序列数据库 SWISS SWISSPROT PROT PIRPIR(美国) 4 4、蛋白质结构数据、蛋白质结构数据 PDB PDB 5、蛋白质结构分类数据库 SCOP CATH 6 6、二级数据库、二级数据库 TransFac Prosite TransFac Prosite DSSP FSSP HSSP 钾 霄 缴 蕊 槽 坚 卞 丘 辫 偏 嘻 奖 拽 罩 卷 蜂 赎 哀 驯 惫 分 扑 堪 缓 楼 凿 姑 肆 官 展 盲 赂 生 物 信 息 学 6

10、 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 数据库格式简介数据库格式简介 历史原因：没有完全统一的数据库格式； 了解所用数据库格式的重要性 一般由两部分组成： 文字注释 序列 栋 杀 颓 离 贴 甸 细 啮 遵 擒 垛 宦 碳 兰 哥 垣 节 瑚 悬 膊 浩 躬 坯 娘 湾 狂 光 释 踊 率 转 泣 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 不同数据库的序列格式 在运行序列分析软件中遇到的首要问题就是如何通过不 同

11、的程序使用不同的序列格式。这些格式都是标准 ASCII码文件，但在显示各种信息或序列本身的某些字 符或字有所不同。下面将讨论几种常用的序列格式。 1 GenBank中DNA序列格式 2 EMBL序列格式 3 SwissProt序列格式 4 FASTA序列格式 5 NBRF序列格式 6 Intelligenetics序列格式 7 GCG序列格式 8 PIR/CODATA序列格式 9 Plain/ASCII.Staden序列格式 10 ASN.1序列格式 11 GDE格式 挨 帘 渍 常 哑 捐 帘 须 县 葡 睛 逸 贞 庇 嫩 樊 鸦 诚 美 旬 擅 梆 荐 便 锣 势 浓 塞 蛾 勾 普 亩

12、 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 1. GenBank中DNA序列格式 GenBank中数据库(包括NCBI核酸和蛋白质序列数据 库)中条目格式如下：给出描述每一个序列的信息， 包括文献参考、序列的功能信息、mRNA和编码区域 的位置，以及重要突变的位置。这些序列信息以字段 的形式进行组织，每一行最前端都有一个标识符。在 某些条目中，标识符可能缩写成两个字母(例如RF代 表reference)，某些字段可能还有次级字段。计算机 程序中的序列条目位于标识 符“ORIGIN”和“/” 之

13、间。这些字段提供的信息可以参见网页 www.ncbi.nlm.nih.gov/Sitemap/samplerecord.html 付 瞻 纯 皇 稳 引 玻 舰 屠 筹 朱 晴 诗 戒 耻 迁 谊 嫂 最 黔 径 森 杠 援 露 露 绵 浩 杀 凝 渍 浆 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 LOCUS name of locus, length and type of sequence, classification of organism, data of entry DEFINIT

14、ION desicription of entry ACCESSION accession number of original source KEYWORDS key words for cross referencing this entry SOURCE source organism of DNA ORGANISM description of organism REFERENCE COMMENT biological function of database information FEATURES information about sequence by base positio

15、n or range of positions source range of sequence, source organism misc_signal range of sequence, type of function or signal mRNA range of sequence, mRNA CDS range of sequence, protein coding region intron range of sequence, position of intron mutation sequence position, change in sequence for mutati

16、on BASE COUNT count of A, C, G, T and other symbols ORIGIN text indicating start of sequence 1 gaattcgata aatctctggt ttattgtgca gtttatggtt ccaaaatcgc 51 atatactcac agcataactg tatatacacc cagggggcgg aatgaaagcg / database symbol for end of sequence Fig 2.6 GenBank中DNA序列条目. 殃 倒 慷 斌 旺 洛 短 牛 赋 候 读 缺 姆 蚂 沮

17、 店 友 簧 妮 味 坟 靡 冈 拱 赏 想 轿 窒 符 彤 畏 默 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 ACCESSION Organism Reference Name Keywords Sequence no .123 Escherichia. Medline1, LexA SOS regulon, ATG. coli . protein repressor, transcriptional regulator, . .124 Escherichia Medline2, UmuD

18、SOS regulon, . GTA. Coli . protein .125 Saccharomyces. Medline3,. GAL4 transcriptional CAT. CEREVISIAE . protein regulator, . .125 Homo. Sapiens Medline4,. gluco- transcriptional TGT. . Corticoid regulator, . receptor 序列每行前面标有数字，以显示片断位置。序列计数或 序列校检求和的值可被计算机程序用来鉴定序列成分， 所以除非程序本身也改变计 数，序列计数是不能被改变 的。 Gen

19、Bank序列格式通常需要改变以适应序列分析软件。 Fig 2.7 GenBank数据库的组织. 常被计算机检索程序ENTREZ利用。 朽 演 藩 耪 沥 俗 学 贮 凹 遏 蚜 缕 齐 褂 盂 满 材 陀 藤 仔 盏 炯 信 色 瓣 滴 曹 凰 甘 撑 引 暑 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 2 EMBL序列格式 The European Molecular Biology Laboratory(EMBL)序列 条目与GenBank类似，通过大量信息来描述每个序列。该 信息组织成一个

20、个字段，每个字段有一个标识符。这些标 识符缩写成两个字母，某些字段还有次级字段。每行序列 后面的数字显示片断的位置。 计算机程序可以利用序列计数或校检求和的值来保证序列 的完整性和精确性。正是由于这个原因，除非程序本身也 改变计数，条目的序列片断是不能被改变的。 这种序列格式用于各种序列分析软件时也要进行改变。 清 耐 饺 浩 慧 遮 庄 缺 诞 奴 名 邮 澈 脊 馁 塌 朴 抬 颖 巫 逆 匪 酸 搂 仰 逛 略 桔 学 卡 础 逾 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 ID iden

21、tification code for sequence in the database AC accession number giving origin of sequence DT dates of entry and modification KW key cross-reference words for lookup up this entry OS, OC source organism RN, RP, RX, RA, RT, RL literature reference or source DR i. d. In other databases CC Description

22、of biological function FH, FT information about sequence by base position or range of positiions source range of sequence, source organism misc_signal range of sequence, type of function or signal mRNA range of sequence, mRNA CDS range of sequence, position of intron mutation sequence position, chan

23、ge in sequence for mutation SQ count of A, C, G, T and other symbols gaattcgata aatctctggt ttattgtgca gtttatggtt ccaaaatcgc cttttgctgt 60 atatactcac agcataactg tatatacacc cagggggcgg aatgaaagcg ttaacggcca 120 . . / symbol to indicate end or sequence Fig 2.8 EMBL序列格式. 正 菜 烈 稽 窥 孺 仙 推 懈 磊 军 摹 藩 疙 厢 滦 蚁

24、 你 伞 染 群 叫 召 讶 件 候 枪 禁 忙 毫 嘉 封 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 3 SwissProt序列格式 4 FASTA序列格式 5 NBRF序列格式 SwissProt蛋白序列数据库条目的格式和EMBL非常相 似，但它提供了更多的关于蛋白质的物理和生化性质 的信息。 FASTA 序列格式包括三个部分：1.在注释行的第一 列用字符“”标识，后面是序列的名字和来源；2. 标准的单字符标记的序列；3.可选的“*”表示序列 的结束，它可能出现也可能不出现，但它是许多序列

25、 分析程序正确读取序列所必须的。FASTA格式是序列 分析软件最常用的格式。这种格式提供了从一个窗口 到另一个窗口非常方便的拷贝途径，因为序列中没有 数字或其他非字符。FASTA序列格式和蛋白质信息资 源NBRF格式很相似。 锚 一 豫 戊 瑟 砖 伞 藏 红 秒 磊 再 对 缸 魏 爱 齿 别 驮 暮 固 刮 悍 轿 斑 承 酌 候 泛 得 胁 猜 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 YCZ2_YEAST protein in EMR 3 region MKAVVIEDGKAVVKEG

26、VPIPELEEGFV GNPTDWAHIDYKVGPQGSILGCDAAGQ IVKLGPAVDPKDFSIGDYIYGFIHGSS VRFPSNGAFAEYSAISTVVAYKSPNEL KFLGEDVLPAGPVRSLEGAATIPVSLT* P1; ILEC lexA REPRESSOR Escherichia coli MKALTARQQEVFDLIRDHISQTGMPPTRAE IAQRLGFRSPNAAEEHLKALARKGVIEIVS GASRGIRLLQEEEEGLPLVGRVAAGEQLLA QQHIEGHYQVDPSLFKPNADFLLRVSGMSM KDIGIMDGDL

27、LAVHKTQDVRNGQVVVARID DEVTVKRLKKQGNKVELLPENSEFKPIVVD LRQQSFTIEGLAVGVIRNGDWL NBRF序列格式(或称PIR格式)已经被用于the National Biomedical Research Foundation/Protein Information Resource(NBRF)。网站(www-nbrf.georgetown.edu)中 的PIR数据库中得到并不是这种紧缩格式，而是一种包括 很多信息的扩展格式。Fig 2.10显示了PIR序列格式的一 个例子。第一行包括一个起始的“”字符，接着是一个 双字符编码，例如P表示完

28、整序列，F表示片断，后面的1 或2显示了序列的类型，接着是一个分号，接着是一个4 到6个字符的条目名称。第二行则显示了序列的全称，连 字号，接着序列来源。 Fig 2.9(上) FASTA序列格式. Fig 2.10(右) NBRF序列格式. 绸 剥 壮 毅 坏 弃 可 谨 告 签 沸 碘 景 仕 廉 陇 荔 咳 咐 碾 吓 戈 锌 描 粘 定 塞 坟 叹 软 徘 化 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 6 Intelligenetics序列格式 Intelligenetics格式由St

29、anford大学的一个分子遗传学 研究小组发起，后来由Intelligenetics公司继承发展。 IG格式和PIR格式很相似，不同的是将分号置于注释 行之前。第二行也有个标识符。在序列的结束以1表 示序列是线状，以2结束表示序列是环状。 ; YEAST protein in EMR 3 region YCZ2 MKAVVIEDGKAVVKEGVPIPELEEGFV GNPTDWAHIDYKVGPQGSILGCDAAGQ IVKLGPAVDPKDFSIGDYIYGFIHGSS VRFPSNGAFAEYSAISTVVAYKSPNEL KFLGEDVLPAGPVRSLEGAATIPVSLT1 Fi

30、g 2.11 IG序列格式. 我 判 宾 腆 龟 浑 济 谣 缩 亩 琢 了 遂 迢 提 古 触 凹 宵 踏 暮 扬 伺 焕 磷 递 鹰 杜 敞 蟹 冯 对 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 7 GCG序列格式 早期版本的Genetics Computer Group(GCG)程序需要一 个独特的序列格式，它能将其他的序列格式转换为GCG 格式。后来的GCG版本接受了几种序列格式。 一种转换了的GenBank文件见Fig 2.12。首先包括了在 GenBank序列条目中的信息，接着是一

31、行序列信息及校准 求和值。这个值(未显示)是通过累加序列的ASCII值来检 测序列的精确度。如果序列没有改变，这个值就保持相同 。如果由于某种错误，一个或更多的序列字符发生了改变 ，因为序列条目校检求和的数值出错，程序在读取序列的 过程中将判定发生了变化。 捧 烁 局 衡 肺 弯 刨 霞 哪 庐 瀑 忙 盂 枫 锻 雁 醇 魂 踏 最 忌 氯 绞 倚 佳 皖 剑 左 扣 惧 吭 配 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 序列信息行以两个句点结束。接下来就是序列。注意到， 序列行开头的数字。

32、既然没有标记显示序列的结束，所以 在其后不能加任何信息。这一序列不能改变，除非程序运 行过程中能调整序列校检求和的数值。 GCG序列格式在其他序列分析软件中必须改变。GCG也 包含了改变序列文件格式的程序。 BASE COUNT 215 A 224 C 263 G 250 T ORIGIN Filename, Length of sequence, Date, Checksum Value, . 1 GAATTCGATA AATCTCTGGT TTATTGTGCA GTTTATGGTT CCAAAATCGC 51 CTTTTGCTGT ATATACTCAC AGCATAACTG TATATAC

33、ACC CAGGGGGGGG Fig 2.12 GCG序列格式. 散 榷 箕 峭 控 蝎 胆 褪 吴 儡 汀 鲸 幻 卡 烁 描 渔 谓 衍 附 展 羚 隔 暇 喻 粥 钓 踪 捎 狰 刃 袭 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 8 PIR/CODATA序列格式 9 Plain/ASCII.Staden序列格式 来自the National Biomedical Research Foundation/ Protein Information Resource的序列文件格式几乎拥有和 G

34、enBank或EMBL序列文件相同的信息，其不同之处可参 见Fig 2.13。目前称之为PIR/CODATA格式 。 Plain/ASCII.Staden序列格式是仅含有序列而没有其他附 加信息。它由剑桥大学的Roger Staden开发的序列分析程 序Staden所使用。这种序列必须进一步格式化才能用于大 多数序列分析程序。 肠 盖 既 痊 锚 涛 欺 忧 千 疯 豁 三 苇 始 毯 松 录 十 拭 拔 捡 伐 废 并 恃 皆 激 液 练 什 尉 赖 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式

35、 ENTRY ILEC #type complete TITLE lexA repressor Escherichia coli ORGANISM #formal_name Escherichia coli DATE 29-Jul-1981 #sequence_revision 01-Sep-1981 #text_change 14-Nov-1997 ACCESSIONS A90808; A93734; S11945; B65212; A03569 REFERENCE A90808 #authors Horii, T.; Ogawa, T.; Ogawa, H. #journal Cell (

36、1981) 23:689-697 #title Nucleotide sequence of the lexA gene of Escherichia coli. #cross-references MUID:81186269 #contents lexA #accession A90808 #molecule_type DNA #RESIDUES 1-202 #label HOR REFERENCE Fig 2.13 Continued. 阑 昂 皱 蔚 层 辽 芍 瞎 草 刹 债 瓷 僚 躺 添 烃 咙 慎 秒 兵 维 论 巧 审 疗 传 史 还 敦 炎 翱 母 生 物 信 息 学 6 二

37、 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 COMMENTS GENETICS #gene lexA #map_position 92 min CLASSIFICATION #superfamily lexa repressor KEYWORDS AND binding, repressor, transcription regulator SUMMARY #length 202 #molecular_weight 22358 SEQUENCE 5 10 15 20 25 30 1 M K A L T A R Q Q E

38、 V F D L I R D H I S Q T G M P P T R A E Fig 2.13 PIR/CODATA序列格式. 咨 总 镇 喂 倾 理 饰 选 物 准 粟 汲 四 王 痔 允 鹊 森 咙 兆 锐 柠 型 轻 惋 殉 讲 泼 惦 籽 大 辑 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 10 ASN.1序列格式 Abstract Syntax Notation(ASN.1)是一种正式的数据描述 语言,并得到了计算机行业的发展。ASN.1已经被the National Center

39、 for Biotechnology Information (NCBI)采 纳并用于序列、图谱、分类信息、分子结构以及文献信息 的编码。ASN.1序列格式是一种高度结构化、功能完备的 格式，特别适用于计算机的数据处理。在其他格式(如 GenBank)格式中出现的信息在该格式中都有所体现。例 如，通过ENTREZ(见下文)就可以得到该格式的序列。但 是，这种格式的信息相对于GenBank等格式来说，很难通 过肉眼读懂。人们一般不会直接用ASN.1格式，除非使用 一台以该格式输入的计算机。 悬 匪 雁 脐 悠 孙 绰 敬 夕 冬 摄 成 驶 拜 着 络 颇 娥 画 绚 亥 贱 缅 洪 篱 挺 滩

40、 茅 予 现 眺 贤 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 11 GDE格式 Genetic Data Environment(GDE)格式是运用于一种称为 Genetic Data Environment的序列分析系统。这套系统由 Steven Smith和他的同事针对在UNIX机器上运行的多序 列队列编辑器所设计的。GDE的特点融于GCG软件的 SEQLAB界面(第九版)。类似于ASN.1，GDE格式也是一 个标记字段的格式，存储了系列所有可能的信息。每个文 件包含广泛的字段(见Fig

41、 2.14)，用括弧括起来，每个字 段给出了名称标记。每个标记后面的信息位于双引号中， 中间由一个或几个空格格开。 争 诲 芬 者 脯 易 慨 狰 胺 付 是 懊 缨 忠 胶 铰 猴 罢 烈 囚 雪 奄 仅 绥 疡 盘 嗽 幸 憎 熏 魄 践 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 name “Short name for sequence” longname “Long (more descriptive) name for sequence” sequence-ID “Unique ID

42、 number” creation-date “mm/dd/yy hh:mm:ss” direction -1|1 strandedness 1|2 type DNA|RNA|PROTEIN|TEXT|MASK offset (-999999,999999) group-ID (0,999) creator “Authors name” descrip “Verbose description” comments “Lines of comments about a sequence” sequence “gctagctagctagctagctctcttagctgtagtcgtagctggct

43、ag ctgatgctagctagctagctagctgatcgatgctagctgatcgtag ctgacggactgatgctagctagctagctagctgtctagtgtcgtag tgcttattgc” Fig 2.14 The Genetic Data Environment格式. 舷 颊 茨 孟 世 恐 迫 丙 看 宋 万 输 跋 梢 颂 忌 熙 酗 拳 伤 睛 忻 陡 中 郁 吐 田 给 胸 袍 望 谐 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 序列数据库的格式 FASTA

44、格式（或Pearson格式） 序列文件的第一行是由大于符号（）打头的任意文字说明，主要为标记序列用。 从第二行开始是序列本身，标准核苷酸符号或氨基酸单字母符号。通常核苷酸符号 大小写均可，而氨基酸一般用大写字母。 文件中和每一行都不要超过80个字符（通常60个字符）。 核酸序列核酸序列 氨基酸序列氨基酸序列 胞 朽 瘸 痉 欠 催 步 崎 怒 呻 帖 跳 唆 阿 恰 唐 冠 境 粱 余 男 贤 驮 已 遍 迟 饥 氓 贵 揍 妨 首 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 例子：例子：EMB

45、LEMBL和和GenBankGenBank数据库的格式数据库的格式 EMBL和GenBank数据库的主要内容和格式 序列名称、长度、日期 序列说明、编号、版本号 物种来源、学名、分类学位置 相关文献作者、题目、刊物、日期 序列特征表 碱基组成 序列（每行60个碱基） 实例：实例： E. coli E. coli k-12 k-12全基因组序列文件全基因组序列文件 陪 朗 致 焦 果 旱 犯 翻 跋 钻 斋 扯 到 终 话 帽 殉 闸 瞪 凄 令 玖 秃 引 笋 提 撅 嗜 炔 嫁 块 吱 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数

46、 据 库 及 数 据 库 的 格 式 霖 惫 桃 膀 突 猿 眶 享 相 晨 犹 眉 赤 讯 洪 席 纯 半 耽 迄 饱 佐 料 致 蝎 马 窄 军 崇 罚 剃 塞 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 生 物 信 息 学 6 二 级 数 据 库 及 数 据 库 的 格 式 LOCUS U00096 4639221 bp DNA circular BCT 18-NOV-1998 DEFINITION Escherichia coli K-12 MG1655 complete genome. ACCESSION U00096 KEYWORDS . SOURCE Escherichia coli. ORGANISM Escherichia coli Bacteria; Proteobacteria; gamma subdivision; Enterobacteriaceae; Escherichia. REFERENCE 1 (bases 1 to 4639221) AUTHORS Blattner,F.R., Plunkett,G. III, Bloch,C.A., Pern