Chương II Cơ sở dữ liệu Tin sinh học (Bioinformatic Databases)

13/03/2013 1 Cơ sở dữ liệu Tin sinh học (Bioinformatic Databases) HỆ ĐẠI HỌC Chương II TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP THỰC PHẨM TPHCM KHOA CNSH & KTMT Sự thử thách của nguồn thông tin mở GV: ThS. Nguyễn Thành Luân luannt@cntp.edu.vn Mục tiêu của bài học  Nắm được những nguyên tắc so sánh các trình tự sinh học  Sử dụng chương trình BLAST giúp chúng ta nhanh chóng tìm ra những trình tự sinh học tương đồng (nếu có trong các CSDL lớn như NCBI, EMBL, DDPJ…) với trình tự yêu cầu.  Cung cấp những số liệu về tỉ lệ tương đồng, nguồn gốc các trình tự tương đồng, … 13/03/2013 2 Nội dung bài học • Khái niệm cơ sở dữ liệu (CSDL) • Các công cụ về cơ sở dữ liệu: – GenBank – BankIt – BLAST • Các nguồn cơ sở dữ liệu sinh học cơ bản • Các công cụ tìm kiếm dữ liệu • Phân loại CSDL Tin sinh học WHAT ARE DATABASES Cơ sở dữ liệu là gì? • Là tổ chức các chuỗi thông tin theo dạng tệp • Thông tin có thể bỏ vào và lấy ra bất kz khi nào (Ease of Access) • Đơn giản hóa nguồn thông tin bằng các ký hiệu đặc biệt (Số hóa – Digital databases) • Lưu trữ mọi nguồn dữ liệu thông qua các ngân hàng CSDL là các website • Chứa đựng các khám phá mới trong nghiên cứu khoa học 13/03/2013 3 Chức năng & nhiệm vụ CSDL • Định nghĩa và miêu tả • Chìa khóa duy nhất về: – Cập nhật các phiên bản phần mềm tin sinh học – Liên kết tới những nguồn CSDL khác – Lưu trữ tài liệu • Ấn bản, cập nhật và chỉnh sửa tài liệu, trình tự dựa trên nguồn của CSDL,… Cơ sở dữ liệu sinh học (Biological databases) • Trình tự DNA, RNA và protein hoặc 1 gene • Hầu hết các trường hợp, 1 trình tự protein được hiểu là 1 trình tự trong sinh học • Hiểu rõ các dạng khác nhau của trình tự là mấu chốt cho bất cứ sự giải thích vấn đề nào. • Phân tích các lỗi có thể xuất hiện trên trình tự nhằm so sánh các sự khác biệt giữa các trình tự. 13/03/2013 4 Nguồn: BIOLOGICAL PATHWAYS HOW DID THEY DO THAT? GENBANK KHÁI NIỆM GenBank? Là nơi mà cơ sở dữ liệu được chứa đựng tất cả thông tin về đoạn gen đã được mã hóa (DNA, RNA) hoặc những trình tự protein gốc với việc đính kèm và biểu hiện tất cả thông tin sinh học chứa đựng về đoạn gen mã hóa đó. ank overview.html 13/03/2013 5 Cách khai thác & sử dụng Genbank • Chú trọng vào xử lý nucleotide của gene - nơi chứa nguồn thông tin trung tâm (Molecular Databases) • Là chỗ chứa đựng tất cả các trình tự mã hóa phổ biến theo dạng công cộng (public) • Dữ liệu được nhóm lại với nhau theo các cơ sở phân loại khác biệt • Chỉ có thể sử dụng & quản lý thông qua Internet • Nhanh, hiệu quả, cứ mỗi 2 tháng là có 1 ấn bản hoàn chỉnh về 1 gen. Cơ sở dữ liệu Genbank  Chứa nhiều đoạn gene đã được mã hóa và công bố theo dạng gói (zip batch) – Nhiều thông tin lệ thuộc nhau về • Tác giả dữ liệu • Loài/giống của gen • Cách phân loại chính xác – Chứa cả các đoạn gen mã hóa chưa được công bố – Mọi người đều có thể đưa trình tự vào (thông tin mở và tính khoa học không cao).  Tuy nhiên, nó được chỉnh sửa liên tục để ngày một hoàn thiện hơn 13/03/2013 6 Cơ sở dữ liệu Genbank • Dựa trên vào các trung tâm dữ liệu tin sinh học có thể chấp thuận việc nhập dữ liệu các gen mã hóa dưới dạng web cho phép sự truy cập của người dùng theo 3 website cơ bản. – GenBank (US) – EMBL- EBI (Europe) – DDBJ (Japan) • Thông tin có thể được trao đổi giữa 3 trung tâm trên Hệ thống phân loại loài trong GenBank • PRI –Primate (ĐV có vú bậc cao như người, vượn) • ROD -Rodent (Gặm nhấm) • MAM -Mammalian (ĐV có vú) • VRT -Vertebrate (ĐV có xương sống) • INV -Invertebrate (ĐV không xương sống) • PLN -Plant (Thực vật) • RNA -Structural (RNA cấu trúc) • VRL-Viral (Virus) • PHG-Phage (Các Phage chuyển gen) • SYN-Synthetic (Enzyme tổng hợp) • BCT –Bacterial (Vi khuẩn) • UNA-Unannotated (Chưa xác định) 13/03/2013 7 Hệ thống phân loại chức năng trong GenBank • PAT –Patent • EST -Expressed sequence tag • STS -Sequence tagged site • GSS -Genome survey sequence • HTG-High throughput genome Tại sao phải cập nhật các gen mã hóa trên Genbank? • Tính chia sẻ trong nghiên cứu khoa học • Không có nguồn gen mã hóa liên quan đến bài báo đã ấn bản • Các bài báo nghiên cứu khoa học trở nên lạc hậu và không còn đúng với hiện thực • Bản gen bằng điện tử hữu ích, hiệu quả hơn và được chấp nhận về tính giá trị • Cách tốt nhất trong việc trao đổi các thông tin dữ liệu mới và cập nhật 13/03/2013 8 Cấu trúc Genbank Tính liên kết trong Genbank Nguồn: 13/03/2013 9 Công cụ hỗ trợ việc ấn bản trình tự • BankIt: Công cụ dựa trên nền tảng web: – Nhanh & đơn giản, cần độ chính xác cao – Dễ sử dụng cho việc cập nhật các trình tự đơn giản – Kết nối với Internet để ấn bản online • Sequin: được download để sử dụng – Khó sử dụng hơn, chỉnh sửa được nhiều lần – Có các tư liệu hỗ trợ và lý tưởng cho các trình tự phức tạp, lớn và đa dạng hơn. – Làm việc không cần kết nối Internet (Offline) Giao diện BankIt 13/03/2013 10 BankIt BLAST BLAST = Basic Local Alignment Search Tool (Công cụ tìm kiếm trình tự cơ bản) BLAST là một giải thuật sử dụng để so sánh các chuỗi trình tự sinh học, như các trình tự của các protein hay của các DNA khác nhau. – Chúng ta dùng BLAST khi câu hỏi đặt ra “liệu có trình tự nào trong ngân hàng dữ liệu giống hoặc gần giống với trình tự của bạn đang làm không? ” 13/03/2013 11 Giao diện BLAST trên NCBI Trình tự tìm kiếm trong BLAST Chính xác và hiểu rõ công việc 13/03/2013 12 Thuật toán BLAST • Thuật toán của BLAST có 2 phần – Chức năng tìm kiếm – Đánh giá thống kê. • Trong phần đánh giá thống kê, BLAST dựa trên cơ sở đánh giá của một cặp trình tự để tính ra một giá trị gọi là [Bit-score]. Giá trị Score càng cao các trình tự bắt cặp càng cao. • Ngoài ra BLAST tính toán một giá trị trông đợi E-Value (Expected-Value) phụ thuộc vào Bit- Score THÔNG SỐ TÌM KIẾM BLAST • Dựa vào các mối quan hệ về số liệu của trình tự – Score (bits): đo lường ý nghĩa thống kê của việc so sánh trình tự  Scores < 50 = không ý nghĩa – E-value: expectation value – (giá trị kỳ vọng) số lần mà giá trị Score có thể được dự báo thay đổi có thể xảy ra • Giá trị E-value càng thấp, các so sánh về trình tự mã hóa càng có ý nghĩa. • Giá trị E-value >0.001 = không ý nghĩa – L (locus information: điểm thông tin) –liên kết tới vị trí chính xác của đoạn gen đó trong hệ gen. 13/03/2013 13 Hiển thị cơ bản trong tìm kiếm BLAST • Chế độ view bằng giao diện đồ họa (Graphical View) • Chế độ view BLAST theo các cấu trúc khung đọc mở (Open Reading Frame - ORF) • Chế độ view theo Bảng chú thích (Description View) GRAPHICAL VIEW 13/03/2013 14 ORF VIEW DESCRIPTION VIEW 13/03/2013 15 Các dạng BLAST Nucleotide-nucleotide BLAST (blastn)  Protein-protein BLAST (blastp)  Position-Specific Iterative BLAST (PSI-BLAST) (blastpgp) Nucleotide 6-frame translation-protein (blastx) Nucleotide 6-frame translation-nucleotide (tblastx)  Protein-nucleotide 6-frame translation (tblastn)  Large numbers of query sequences (megablast) Các dạng BLAST 13/03/2013 16 Mỗi Entry CSDL chứa – Mã số nhận biết đặc hiệu (Accession number) – Tác giả (Author) – Trình tự (Sequence) – Tên gen (Gene name) – Vị trí chính xác điểm khởi đầu và kết thúc (Locus Information) – Trình tự dịch mã sang amino acid – Loài và phân loại (Organism and Classification) – Chi tiết về việc công bố xuất bản (Publication) BLAST PHÂN LOẠI CƠ SỞ DỮ LIỆU • CSDL Protein • CSDL Nucleotide • CSDL Genome • CSDL Primers 13/03/2013 17 CƠ SỞ DỮ LIỆU CẤU TRÚC (Structural Database) Nucleotide DNA NDB (Nucleic Acid Database) Cấu trúc 3D của DNA RNA RDP (Ribosomal Database Project) Cấu trúc 2D của gen rRNA, tRNA, mRNA Protein PDB (Protein Data Bank) Cấu trúc 3D của protein CSDL CẤU TRÚC PROTEIN • Nghiên cứu với các CSDL máy tính có các ấn bản trình tự protein – dựa trên các lập trình web cho phép đặt câu hỏi và thảo luận: SwissProt GenPept TrEMBL Brookh 13/03/2013 18 CSDL cấu trúc protein • Nhiệm vụ chính của hầu hết là – Tổ chức và xác định các cấu trúc protein, – Cung cấp cho cộng đồng sinh học các hữu ích nhất  Quản lý nguồn dữ liệu nghiên cứu PDB -Insulin hexamer CSDL Protein  CSDL cấu trúc đại phân tử (Macromolecular Structure Databases-EBI) -lựa chọn, quản lý và xây dựng dữ liệu về các cấu trúc đại phân tử.  CSDL về phân loại trình tự cấu trúc (EBI) cấu trúc bậc 2, tính đồng đẳng và các đoạn gấp  Cấu trúc 3D (EMBL) CSDL của tất cả các cấu trúc protein và các trình tự liên quan. PIR SWISS-PROT TrEMBL 13/03/2013 19 PIR (Protein Information Resource) là 1 phân nhánh của Tổ chức Nghiên cứu Y sinh Malaysia (The National Biomedical Research Foundation -NBRF) được liên kết với Trung tâm Y học Đại học Georgetown, Penang, Malaysia (GUMC) CSDL Protein  SWISS-PROT-1 nguồn CSDL trình tự protein duy trì sự hợp tác bởi Viện Tin sinh học Thụy Sĩ (the Swiss Institute for Bioinformatics-SIB) và Viện Tin Sinh học Châu Âu (EBI-European Bioinformatics Institute)  TrEMBL-là 1 phần phụ hỗ trợ xác định bằng máy tính của SWISS-PROT, chứa tất cả các dịch mã của các trình tự nucleotide chưa được hợp nhất trong SWISS-PROT  Cả 2 CSDL trình tự trên đã được sát nhập vào CSDL UniProt 13/03/2013 20 Tiềm năng của CSDL Protein • Tìm kiếm các protein đồng đẳng nhằm tìm và nhận dạng các protein có cùng nguồn gốc chung. • So sánh các trình tự protein kết hợp tìm kiếm các trình tự đồng đẳng (cùng chức năng) từ các loài khác nhau  tiến hóa loài. • Cấu trúc và chức năng protein từ đoạn trình tự • Hình thành nên ngành học mới là protein học (proteomics) 13/03/2013 21 Nghiên cứu các sự tiến hóa protein từ các cấu trúc chức năng khác nhau (Proteomics) CSDL cấu trúc nucleotide • Chia làm 2 mảng nghiên cứu: – Cấu trúc hệ gene (Genomics) – Cấu trúc DNA & RNA 13/03/2013 22 Cấu trúc DNA  Nghiên cứu các cấu trúc DNA nhằm đánh giá và phân tích các bệnh di truyền, kỹ thuật xác định vân tay trong việc xác định tội phạm và nghiên cứu di truyền phả hệ  Thông tin về CSDL cấu trúc DNA có thể được ấn bản theo dạng công cộng hoặc cá nhân Cấu trúc RNA Nghiên cứu nhiều lĩnh vực liên quan đến  Cấu trúc phân tử nhỏ  Các nucleic acid nhỏ (DNA)  tRNA,mRNA và rRNA (RNA) Hiểu thêm chức năng về sự phát triển của các đoạn gen ở ribosome Cấu trúc 50S-subunit của ribosome RNA 13/03/2013 23 Các CSDL trình tự nucleotide khác • EMBL Nucleotide Sequence Database (EBI) • EMEST: giải mã trình tự EST thuộc EBI • Các đột biến – So sánh trình tự khác biệt (EBI) • MitBase (Mitochondrial Base)- CSDL DNA ti thể (EBI) • CSDL về trình tự các bệnh cúm (Influenza) (LANL) CSDL trình tự Genome • TIGR (www.tigr.org) • The Whitehead (Giải mã trình tự của MIT) (www.genome.wi.mit.edu) • The Sanger Institute (www.sanger.ac.uk) • Celera-PE Biosystems (www.celera.com) • Ensembl (www.ensembl.org)  Phục vụ cho nhu cầu ngày càng cao về tìm hiểu bộ gen của sinh vật (genomics) 13/03/2013 24 TIGR (www.tigr.org) - Bộ sưu tập của các cơ sở dữ liệu về DNA và protein - Các biểu hiện gen, vai trò tế bào - Tập hợp protein - Các số liệu trong phân loại loài ở vi khuẩn, thực vật và người - Là nơi chứa dữ liệu genome VSV nhiều nhất và chi tiết nhất Viện nghiên cứu The Whitehead- Dự án giải mã trình tự của MIT & Harvard • Dự án lớn nhất về Genome người ở Mỹ (US Human Genome Project – HGP) • Dự án bắt đầu năm 1990 kết thúc năm 2003 (14/04/2003) sớm hơn so với dự kiến 2 năm 13/03/2013 25 Human Genome Project (HGP) • Sau hơn 13 năm thực hiện đã đạt được 1 số kết quả: – Nhận biết được tổng cộng 20,000 – 25,000 bộ gen – Xác định được chuỗi DNA người là 3,300,000,000 bp – Lưu trữ thông tin trong các CSDL lớn – Tiến hành cải tiến những công cụ phân tích dữ liệu – Phát triển những quy định về đạo đức và pháp luật từ dự án The Sanger Institute (www.sanger.ac.uk) • Lấy theo tên nhà khoa học người Anh Frederick Sanger (1918) • Nobel sinh học về cấu trúc protein và nghiên cứu về insulin (1958) • So sánh và phân tích trình tự DNA ở cấp độ lớn của hệ gen người và các loài khác • Cung cấp nguồn CSDL mở cho tất cả mọi người 13/03/2013 26 Celera-PE Biosystems (www.celera.com)  Khởi đầu nhắm vào giải mã trình tự gen ở người.  Hiện tại, là nơi chứa CSDL của trên 3 triệu các nucleotide tiềm năng SNP (Single Nucleotide Polymophism – các nucleotide đa hình đơn)  Các halotype liên kết Nơi sở hữu các CSDL về gen cho người, chuột và ruồi giấm Ensembl (www.ensembl.org) Dựa trên sự hợp tác của EBI & Sanger Institute Trung tâm CSDL: Cambridge Nguồn CSDL có khả năng tự động xác định hệ gen của các loài Eukaryote  Đặc biệt nghiên cứu về người và chuột  Nguồn CSDL gen của các loài ký sinh trùng Là nơi kết nối các CSDL khác trên TG 13/03/2013 27 Giao diện Ensembl Các nguồn CSDL genome khác • UCSC: chứa nhiều genome về người và các động vật khác ( • CSDL genome cây lúa (IRRI) ( • Dự án xây dựng bộ gen lúa OMAP • CSDL GRAMENE ( chứa các genome, protein, bản đồ di truyền, marker của lúa và TV khác • CSDL các hợp chất đại phân tử sinh học (Macromolecular Structural Databases – MSD) là sản phẩm liên kết giữa 2 CSDL lớn là EBI (European Bioinformatic Institute - Châu Âu) và PDB (Protein Database Bank - Mỹ) 13/03/2013 28 Các nguồn CSDL sinh học khác Mạng lưới CSDL liên kết & tương tác hỗ trợ về sinh học phân tử, hợp chất phân tử và đường dẫn liên kết các báo cáo khoa học – CSDL con đường trao đổi chất ( – CSDL bản đồ trình tự protein ( – CSDL các bài báo phân tích ( Các kiến thức cần nhớ • Cơ sở dữ liệu là gì? Đặc điểm CSDL sinh học? • Các nhóm CSDL sinh học cơ bản? • Khái niệm BLAST, phân loại BLAST và các chức năng của BLAST? • Các nguồn CSDL nucleotide, protein, genome • Các nguồn CSDL sinh học khác 13/03/2013 29 KẾT THÚC CHƯƠNG II 13/03/2013 30