Bioinformática. Tipos de Bases de Dados (BD) Principais BD Primárias. Bases de dados Não-Redundantes. 3 - Bases de dados

Tamanho: px

Começar a partir da página:

Download "Bioinformática. Tipos de Bases de Dados (BD) Principais BD Primárias. Bases de dados Não-Redundantes. 3 - Bases de dados"

Neusa Caldas Porto
8 Há anos
Visualizações:

1 Tipos de Bases de Dados (BD) Bioinformática 3 - Bases de dados Primárias: sequência de ácidos nucleicos e proteínas com vários níveis de anotação Primárias compostas: combinações de várias bases de dados primárias de sequências Exemplo: bases de dados não redundantes Secundárias: derivadas das primárias: ex. Bases de dados de domínios proteicos e alinhamentos múltiplos de domínios conservados Secundárias compostas: combinações de várias bases de dados secundárias tais como bases de dados de dmínios proteicos que usam a informação dos domínios de outras bases de dados 2 Principais BD Primárias Bases de dados Não-Redundantes Ácidos nucleicos National Center for Biotechnology (NCBI), European Molecular Biology Laboratory (EMBL) at the European Bioinformatics Institute (EBI) DNA Database of Japan (DDBJ) Proteínas CDS (coding sequence) tradução do GenBank Swiss-Prot: base de dados referência para investigação na área das proteínas TrEMBL (Translated EMBL): tradução da CDS da BD EMBL UniProt (the Universal Protein Resource) A maioria das organizações possui BD não redundantes que combinam as diferentes sequências de diferentes BDs de modo a obter um conjunto de sequências coerente. Algumas BDs não-redundantes simplesmente eliminam sequências idênticas, outras incluem uma entrada representativa para um conjuno de sequencias relacionadas. A BD não redundante de proteínas ( nr ) do NCBI elimina somente sequências identicas. Reference Sequence (RefSeq) no NCBI e UniRef (parte do UniProt no EMBL) são BDs não redundantes. UniRef oferece versões com máximos de 100%, 90%, e 50% de identidade (

Bases de dados de domínios proteicos e alinhamentos múltiplos de domínios conservados Secundárias compostas: combinações de várias bases de dados secundárias tais como bases de dados de dmínios

2 Bases de dados Secundárias Contêm resultados de análises feitas a BDs primárias Podem ser de polipéptidos (pp) e conterem padrões, motivos, domínios, com representações de regiões conservados nas sequências de a.a. BDs de estruturas proteicas O maior repositório de estruturas proteicas 3D encontra-se na Protein Data Bank (PDB): The PDB archive contains information about experimentally-determined structures of proteins, nucleic acids, and complex assemblies. Exemple: Interpro ( is an integrated database of predictive protein signatures used for the classification and automatic annotation of proteins and genomes. InterPro classifies sequences at superfamily, family and subfamily levels, predicting the occurrence of functional domains, repeats and important sites. BDs secundárias de DNA contêm padrões como locais de restrição, sequências de promotores, locais de ligação a proteínas, repetições, etc. 5 6 Outros tipos de BDs Microarrays Genomas e análise comparativa de genomas Organização dos genomas permitindo comparações com as estruturas dos cromossomas e a sintenia entre espécies Expressão génica Resultados de experiências com microarrays The ArrayExpress Archive is a database of functional genomics experiments including gene expression where you can query and download data Gene Expression Omnibus at NCBI Comparative RNA Web Site

org/pdb/ The PDB archive contains information about experimentally-determined structures of proteins, nucleic aci

3 Microarrays Principais BDs de nucleótidos em Bioinformática GenBank (NCBI) Nucleotide Sequence Database (EMBL) DNA Databse of Japan (DDBJ) NCBI National Center for Biotechnology Information Últimas estatísticas do NCBI Ano Nº. Pares Bases Nº Seq ,101,066,288 10,106, ,849,921,438 14,976, ,507,990,166 22,318, ,575,745,176 40,604, ,019,290,705 64,893, ,116,431,942 98,868,465 15/2/ ,384,889, ,819, Fev ,141,354, ,886,727 3

ncbi.nlm.nih.gov/genbank/statistics Ano Nº. Pares Bases Nº Seq.

4 Entrez Bases de dados integradas Expressed Sequence Tags database Divisão do GenBank que contém sequências de cdna ou "Expressed Sequence Tags", pertencentes a determinados organismos Um EST é uma sequência específica de um exão de pb que foi sujeita a transcrição reversa do mrna Um EST representa uma parte de um gene: Há bibliotecas específicas de tecidos, de condições ambientais específicas de fase de desenvolvimento, etc. 16 Expressed Sequence Tags A collection of curated, non-redundant genomic DNA, transcript (RNA), and protein sequences produced by NCBI. RefSeqs provide a stable reference for genome annotation, gene identification and characterization, mutation and polymorphism analysis, expression studies, and comparative analyses. The RefSeq collection is accessed through the Nucleotide and Protein databases

gov/sites/gquery Divisão do GenBank que contém sequências de cdna ou "Expressed Sequence Tags", pertencentes a determinados organismos Um EST é uma sequência específica de um exão de 50-500pb que foi

5 A public registry of nucleic acid reagents designed for use in a wide variety of biomedical research applications, together with information on reagent distributors, probe effectiveness, and computed sequence similarities. Genome Survey Sequences Database The GSS database is a collection of unannotated short single-read primarily genomic sequences from GenBank including random survey sequences clone-end sequences and exon-trapped sequences. Esta divisão contêm os seguintes tipos de dados: Sequências que resultaram da leitura somente de uma das cadeias de DNA Sequências das extremidades de cosmídeos, BACs e YACs Sequências genómicas contidas entre exões Sequências alvo de transposões Sites importantes a explorar

Genome Survey Sequences Database The GSS database is a collection of unannotated short single-read primarily genomic sequences from GenBank including random survey sequences clone-end sequences and

6 Ficheiros de sequências em formato FASTA É o formato mais comum para guardar sequências em ficheiros e para submetê-los a aplicações bioinformáticas 1ª Linha linha com a descrição da informação; TEM QUE COMEÇAR COM o caracter > O 1º campo tem que ser único de modo a poder comparar diferentes sequências em ficheiros diferentes As linhas seguintes possuem a sequência Admite espaçoes em branco e linhas vazias Não admite algarismos Um ficheiro pode conter várias sequências ; O início de cada sequência é identificado e reconhecido pela linha de definição que começa sempre por > EMBL

ficheiros diferentes As linhas seguintes possuem a sequência Admite espaçoes em branco e linhas vazias Não admite algarismos Um ficheiro pode conter várias

7 E muito mais... DDBJ Para informação mais completa visitar O seguinte local possui importantes recursos educacionais em Bioinformática

uk/services/ O seguinte local possui importantes recursos educacionais

8 Ligações entre bases de dados INSDC ( Colaboração Internacional entre bases de dados de sequências TIGR - The Institute for Genomic Research Mais locais importantes Responsável pelas duas sequenciações completas de genomas de bactérias em 1995 Hoje englobado no J. Craig Venter Institute Compreende múltiplas bases de dados incluindo importantes recursos em genomas microbianos; Genómica Vegetal incluindo o genoma de A. thaliana; vários parasitas; fungos bactérias de ruminantes. Disponibilização de vários softwares ExPASy Expert Protein Analysis System Compreende: Análise de sequências proteicas e respectivas estruturas BDs Ferramentas e softwares bioinformáticos FTP server para BDs e software Links para os servers mais importantes e listagem destes servers

org/ Responsável pelas duas sequenciações completas de genomas de bactérias em 1995 Hoje englobado no J.

9 ExPASy Expert Protein GFP - Green Fluorescent Protein 1. Go to Genbank in 2. Search for GFP in Nucleotide database 3. This search retrieves to many results 1. How many results were retrieved? 2. How many results did you obtained in each category? 1. All, bacteria, RefSeq, mrna, EST, GSS? 3. Identify three other databases and defined them 4. Limit your search for gene 1. How many results did you obtained? GFP - Green Fluorescent Protein 1. Go to the M62653 entry and explore it. 1. Answer the following questions: 1. Which is the Latin name of the organism from where the GFP gene was sequenced? 2. Which is the taxonomy for this species? 3. How many entries are in the nucleotide DB for this species? 4. And how many proteins? 5. And How many structures? 6. How many versions are for this accession? 7. Which is the GI? 8. How many nucleotides have this sequence? 9. From what biological material was obtained this sequence? 10. How many aminoacids has the protein? 11. Write the bibliographic reference associated with this entry. 9

Limit your search for gene 1. How many results did you obtained? GFP - Green Fluorescent Protein 1. Go to the M62653 entry and explore it. 1. Answer the following questions: 1.

Documentos relacionados

Banco de Dados aplicado a Sistemas Biológicos

Dados Biológicos Banco de Dados aplicado a Sistemas Biológicos A internet mudou a maneira como os cientistas compartilham os dados e possibilitou que um depósito central de informações atendesse totalmente