GenBank 序列数据库

简介

一级蛋白质和核酸数据库在分子 生物 学界是如此的司空见惯，以致于我们很少会去考虑这些普遍存在的工具是如何建立的。但是如果我们能够了解这些序列是如何汇集到一起的，这将有助于我们加深对 生物 学的理解，并且能够更加充分地发掘这些记录中蕴藏的信息。

GenBank是美国国立卫生研究院维护的基因序列数据库，汇集并注释了所有公开的核酸以及蛋白质序列。每个记录代表了一个单独的、连续的、带有注释的DNA或RNA片段。这些文件按类别分为几组：有些按照系统发生学划分，另外一些则按照生成这些序列数据的技术方法划分。目前GenBank中所有的记录均来自于最初作者向DNA序列数据库的直接提交。这些作者将序列数据作为论文的一部分来发表，或将数据直接公开。GenBank由位于马里兰州Bethesda的美国国立卫生研究院下属国立生物技术信息中心建立，与日本DNA数据库（DDBJ）以及欧洲生物信息研究院的欧洲分子生物学实验室核苷酸数据库（EMBL）一起，都是国际核苷酸序列数据库合作的成员。所有这三个中心都可以独立地接受数据提交，而三个中心之间则逐日交换信息，并制作相同的充分详细的数据库向公众开放（虽然格式上有细微的差别，并且所使用的信息系统也略有不同）。

这一章描述GenBank数据库是如何构成的，它如何与蛋白质数据库相衔接，以及如何解释其中的数据成分。关于序列数据库，前人已经作了大量的工作，具体可参见（Schuler et al., 1996; Bairoch and Apweiller, 1997; Benson et al., 1997; George et al., 1997; Stoesser et al., 1997; Tateno et al., 1997）。所有这些论文都指出了数据库快速增长的趋势，并对如何利用这些生物学资源提出了建议。出于科学研究的考虑，以及由于历史的原因，序列数据被分别存放在核苷酸和蛋白质数据库中。核苷酸序列是查询核苷酸数据库以及蛋白质数据库时的主要出发点，并且目前有一种趋势，将核苷酸数据库介入到蛋白质数据库的管理之中（正如我们下面将要看到的那样）。这并不奇怪，因为数据库维护者与数据提交者之间的直接通讯将有利于保证数据的真实性与准确性（提交者需要一个检索号，并且他们想要得到他们添加到数据库中的新记录）。在很多情况下，这种对数据的关注意味着提供适当的信息来注释CDS（coding sequence：编码序列），并告诉我们如何得到翻译产物。这种对蛋白质和核酸序列统一管理的倾向也明显地体现在NCBI的Entrez之中，在GenBank的管理之中，以及在GenPept格式记录的生成过程之中。在欧洲，EBI的工作人员统一维护管理Swiss-Prot和TREMBL，这些工作人员也负责EMBL核苷酸数据库的管理工作。还有Amos Bairoch和他在日内瓦大学的研究组。（见本章后的列表）。尽管如此，建立核苷酸和蛋白质数据库的初衷还是有区别的。本章还初步讨论了将在第六章详细描述的数据模型。这一章主要是从GenBank flatfile的角度介绍序列数据，但必须明确的是，“flatfile”（不论是GenBank, EMBL, Swiss-Prot或PIR），都只是ASN.1报告的一个方面。而ASN.1才是代表了NCBI数据模型的语言。GenBank以DNA为核心，包含了许多计算生物学资源。

历史上，蛋白质数据库先于核苷酸数据库。在60年代初，Dayhoff和他的同事们收集了所有当时已知的氨基酸序列，这就是“蛋白质序列与结构图册”（Dayhoff et al., 1965）。这一蛋白质数据库后来成为PIR（George et al., 1997）。这本书为今天整个生物信息学界日常工作所依赖的计算生物学资源播下了种子。这个在1965年可以很容易地存放在一张软盘上的数据集（尽管那时并不存在软盘这种存储介质），是一小群人多年的工作成果。今天，任何一个DNA或蛋白质数据库每天增加的数据量都数倍于此。最早的DNA序列数据库于1982年在欧洲分子生物学实验室诞生，随即就开始了一个数据库爆炸的时代。（见图2.1）。R. Cook-Deegan(1993)在《基因战争》中详细描述了这一时期人类基因组计划的历史。此后不久因一项NIH与洛斯阿拉莫斯国家实验室的合同而诞生了GenBank。两个中心都致力于发展输入方式，这主要是将学术刊物上公开发表的论文转换为更适合计算机使用的电子格式。日本的DNA数据库（DDBJ），在几年后加入了数据收集的合作。在1988年一次三方会议之后（现在称之为“国际DNA序列数据库合作计划”）达成了一项协议，对数据库的记录采用共同的格式，并且每个数据库只负责更新提交到这一数据库的那些数据。现在三个中心都收集直接提交的数据，并在三者之间发布。这样，任何一个中心都拥有并发布所有的序列数据。这种方式下每条记录只被生成这条记录的数据库所拥有，也就是说只有生成这条记录的数据库可以对记录进行更新，这就防止了“更新冲突”。否则如果每个数据库都可以修改任一条记录，并覆盖其他数据库的数据，就必定会发生错误。近年来的安排保证了没有一个数据库可以覆盖其他数据库更新的记录。所有的序列数据库也都是计算生物学中心，并且越发表明序列数据不能简单地由自动化方式来生成。每个数据库都成为了一个中心，在那里生成序列数据，并由生物学家进行验证，同时还开发一些利用这些信息的工具（例如NCBI的Entrez，见第5章，以及EBI现在正在开发的SRS）。很明显的一点是一些专职的，介入到收集数据、提供发现与检索工具，并且作为研究机构来研究新算法、发掘公共数据库并在最高水平进行科学活动的机构将能够最大限度地服务于用户群体。在这一环境下，知识被最高效率地获取与共享，并且新的研究与理解这样大量数据的方法也不断涌现。

这一章的着重介绍GenBank核苷酸数据库，GenBank是包含了三个重要蛋白质数据库（Swiss-Prot, PIR和PDB）的一系列数据库中的一个。这一系列数据库中的每一个都对数据库现在和将来的使用方法产生了或产生过重大影响。PDB是关于核酸和蛋白质结构的数据库，将在第三章中详细介绍。Swiss-Prot和PIR可以称为二级数据库，它比已经存在于一级数据库中的数据提供了更多的信息。Swiss-Prot和PIR中的蛋白质序列主要来源于核苷酸数据库，另外一小部分是直接向Swiss-Prot提交的（这些蛋白质是直接测序的）或者是从公开发表的论文中搜索到的。这里没有详细讨论这些情况，我们建议读者通过其他途径了解更多的详情（Bairoch and Apweiller, 1997; George et al., 1997）。