BioInfo
目录 |
1 基础
2 简史
- 第一个被完整测序的 DNA：噬菌体 ΦX174 (Escherichia phage phiX174)，1975 年完成，环形单链 DNA (ssDNA)，5386 bp (GenBank ID: J02482)，编码 11 个蛋白质 （8 个必需）
- 第一个被完整测序的动物 Virus DNA：SV40 virus [2]，1977 年完成，环形双链的 DNA，5243 bp
- pBR322，1978 年完成，4363 bp
- 人类线粒体，1981 年，16.6 kb
- λ 噬菌体，1982 年，48 502 bp，61 个基因（38个较为重要）
- 第一个被完整测序的能独立生存的生物体 DNA：流感嗜血杆菌 (Haemophilu sinfluenzae)，1995 年，1 830 140 bp, 1740 个基因
- 1995 - 2001 大约 50 个细菌的基因组序列被测出，与此同时，更大一点的基因组陆续被测出：
- 酵母 (12.1 Mbp)
- 果蝇 (135.6 Mbp)
- Caenorhabditis elegans （线虫 97.1 Mbp）
- Arabidopsis thaliana （拟南芥，一种植物 118 Mbp）
- 人类基因组 (3286 Mbp)
3 数据库
3.1 EMBL
European Molecular Biology Laboratory，欧洲分子生物学实验室，位于英国剑桥
3.2 GenBank
National Center for Biotechnology Information, NCBI，美国国家生物信息中心，隶属于美国国家医学图书馆，位于美国国家卫生研究院 (NIH) 内
3.3 DDBJ
DNA Databank of Japan，日本 DNA 数据库
3.4 SWISS-PROT
由日内瓦大学医学生物化学系和欧洲生物信息学研究所 (EBI) 合作维护
蛋白质数据由 EMBL DNA 数据翻译而来，并经过检验和注释
- http://www.expasy.ch/sprot
- https://www.ebi.ac.uk/swissprot
- https://www.ebi.ac.uk/proteins/api/doc/index.html
3.5 PIR
由美国国家生物技术信息中心 (NCBI) 翻译自 GenBank 的 DNA 序列
根据注释质量分四个等级：PIR1 ~ PIR4， 等级逐步降低
3.6 蛋白质结构数据库
实验获得的三维蛋白质结构均储存于 PDB。主要由 X 射线衍射和核磁共振 (NMR) 确定。http://www.rcsb.org/pdb
更多参考： http://muchong.com/html/200904/1306279.html
4 格式
4.1 FASTA
FASTA 格式（又称为Pearson格式）是一种基于文本的、用于表示核苷酸序列或氨基酸序列的格式。在这种格式中碱基对或氨基酸用单个字母来表示，且允许在序列前添加序列名及注释。
FASTA 文件以序列表示和序列作为一个基本单元，各行记录信息如下：
- 第一行：以 ">" 开头的任意文字说明。用于序列标记，为了保证后续分析软件能够区分每条序列，单个序列的标识必须具有唯一性
- 第二行：碱基序列。只允许使用既定的核苷酸或氨基酸编码符号。通常核苷酸符号大小写均可，而氨基酸常用大写字母。使用时应注意有些程序对大小写有明确要求。文件每行的字母一般不应超过 80 个字符
参考：https://en.wikipedia.org/wiki/FASTA_format
4.2 FASTQ
FASTQ 最初由 Sanger 开发，目的是将 FASTA 格式数据与质量数据放到一起，目前已经成为高通量测序结果的事实标准。
FASTQ 文件以四行为一个基本单元，并对应一条序列的测序信息，各行记录信息如下：
- 第一行：序列标识以及相关的描述信息。以‘@’开头，为了保证后续分析软件能够区分每条序列，单个序列的标识必须具有唯一性
- 第二行：碱基序列
- 第三行：以‘+’开头，后面是序列标示符、描述信息，或者什么也不加
- 第四行：质量信息，长度和第二行的序列相对应，每一个序列都有一个质量评分，根据评分体系的不同，每个字符的含义表示的数字也不相同。
参考：https://en.wikipedia.org/wiki/FASTQ_format https://www.cnblogs.com/yahengwang/p/8973948.html
5 译码
https://www.ncbi.nlm.nih.gov/Taxonomy/taxonomyhome.html/index.cgi?chapter=cgencodes#SG11
6 参考
