2. Adatbázisok

Vázlat:

1. Adatbázisok általában
2. Nukleinsavszekvencia-adatbázisok
   • Elsődleges DNS-szekvencia-adatbázisok
   • Specializált adatbázisok
3. Fehérjeszekvencia-adatbázisok
   • Elsődleges fehérjeszekvencia-adatbázisok
   • Összetett fehérjeszekvencia-adatbázisok
   • Másodlagos és harmadlagos (szekvenciamintázat-)adatbázisok
4. Térszerkezeti adatbázisok
5. Fehérjecsaládok adatbázisai
   • Klaszterezés
   • Szekvenciacsaládok adatbázisai
   • Szerkezeti családok adatbázisai

Adatbázisok általában

Rengeteg adatbázis, a következő részterületeken:

• DNS-szekvenciák
• Összehasonlító genomadatbázisok
• Génexpressziós adatok
• Génazonosítás és génszerkezet
• Genetikai és fizikai genomtérképek
• Genomok
• Intermolekuláris kölcsönhatások
• Anyagcsere- és szabályozási útvonalak
• Mutációk
• Betegségek
• Fehérjék
• Fehérjeszekvencia-mintázatok
• Proteomelemzés
• RNS-szekvenciák
• Térszerkezetek
• Gyógyszerek
• ...stb.

Már adatbázisok adatbázisa (katalógusa) is van: DBCAT

A Nucleic Acids Research folyóirat minden évben Adatbázis-különszámot ad ki. Ebben van egy hasznos adatbázislista.

Nukleinsavszekvencia-adatbázisok

Elsődleges DNS-szekvencia-adatbázisok

• A következők:
  • GenBank (USA, National Center for Biotechnology Information)
  • EMBL (Európa, European Bioinformatics Institute)
  • DDBJ (DNA Data Base of Japan, Japán, National Institute of Genetics)
• Együtt: International Nucleotide Sequence Database Collaboration
• Mindhárom adatbázis fenntartója gyűjti a szekvenciaadatokat:
  • közvetlenül a szekvenálást végző kutatóktól
  • az irodalomból
  • szabadalmakból
  • a nagy genomszekvenálási projektekből
• Együttműködnek, új adataikat naponta kicserélik egymás között (ezért ugyanaz van bennük)

A GenBank

• Méretei:
  

  2001 augusztus: kb. 12,8 millió szekvencia, ezekben 13,5 milliárd bázis. 14 havonként megduplázódik.

• A GenBank 17 kisebb szekcióból (division) áll, melyeknek hárombetűs rövidítése van:
  

  Szekció	Milyen szekvenciákat tartalmaz	Megjegyzés
  PRI	Főemlősök (Primates)	Az élővilág egyes csoportjai szerinti szekciók
  ROD	Rágcsálók (Rodents)
  MAM	Egyéb emlősök (Mammals)
  VRT	Egyéb gerincesek (Vertebrates)
  INV	Gerinctelenek (Invertebrates)
  PLN	Növények (Plant), gombák, moszatok
  BCT	Baktériumok (Bacteria)
  VRL	Vírusok (Viral)
  PHG	Bakteriofágok (phage)
  SYN	Szintetikus szekvenciák (synthetic)	Egyéb kategóriák
  UNA	Annotáció nélküliek (unannotated)
  EST	Expressed Sequence Tag-ek
  PAT	Szabadalmaztatott (patent)
  STS	Sequence Tagged Sites
  GSS	Genome Survey Sequences
  HTG	High Throughput Genomic Sequences
  HTC	High Throughput cDNA Sequences

  • STS: Olyan, rövid szekvenciarészletek (<400 bp), amelyek a genomban csak egy helyen, egy bizonyos pozícióban találhatóak meg. Markerként, tájékozódási pontként használatosak.
  • EST: Olyan STS-szekvenciák, amelyeket cDNS részleges szekvenálásával nyertek (komplementer DNS: az mRNS DNS-re átírt változata). Felhasználhatóak egy gén azonosításához, térképezéséhez, klónozásához.
  • GSS: mint az EST, de a genomból nyert szekvenciák (nem feltétlenül egyedülállóak)
  • HTG: a nagy genomszekvenálási projektekből nyert, hosszabb, még nem véglegesített szekvenciák. Négy kategória:
    • Phase 0: klónokból véletlenszerűen nyert szekvenciarészletek
    • Phase 1: nem véglegesített szekvencia, rendezetlen, irányítatlan darabokból állhat, hézagokkal
    • Phase 2: már rendezett, irányított darabok, hézagokkal
    • Phase 3: véglegesítendő szekvencia, átkerül a megfelelő rendszertani szekcióba
  • HTC: nagy szekvenálási projektekből nyert cDNS szekvenciák
• A szekciókban lévő szekvenciák számának megoszlása (2000 október):
  
• A szekciókban lévő bázisok számának megoszlása:
  

  A szekvenciák száma szerinti eloszlásban az EST-k vannak többségben (67%), de a bázisok száma szerint nem, mert rövidek.

A GenBank fájlok felépítése ("flat file")

Példa

Specializált nukleinsavszekvencia-adatbázisok

• dbEST, dbSTS, dbGSS (az NCBI-nél): a GenBankban is meglévő szekvenciák adatbázisai, de bővebb információt is szolgáltatnak az egyes szekvenciákról
• Genomadatbázisok: Ensembl (emberi genom), SGD (élesztő genomja), ACeDB (A Canenorhabditis elegans DataBase, C. elegans genomja), stb. Fizikai géntérképekkel, stb. (Részletesen majd a genomikai előadásban)
• COGs: Clusters of Orthologous Groups of proteins: fehérjéket kódoló DNS-szekvenciák filogenetikai rendszerezése. 44 organizmus teljes genomja alapján készült. Az ortológokat egy csoportba sorolja. (Részletesebben majd a genomikai előadásban.)

Fehérjeszekvencia-adatbázisok

Elsődleges fehérjeszekvencia-adatbázisok

PIR (Protein Information Resource)

• 1960-as években alapozta meg Margaret Dayhoff a National Biomedical Research Foundationnál (USA)
• 1988 óta: PIR-International konzorcium tartja fenn (NBRF, JIPID [Japanese International Protein Information Database], MIPS [Munich Information Center for Protein Sequences])
• Mintegy 250 000 szekvencia, ezekben 80 millió aminosav (2001 szeptember)
• 4 szekció:
  • PIR1: teljesen klasszifikált, annotált szekvenciák
  • PIR2: előzetes szekvencia, részlegesen ellenőrzött és klasszifikált (ide tartozik az adatbázis legnagyobb része)
  • PIR3: egyáltalán nem ellenőrzött, nem osztályzott, nem annotált (pár száz db)
  • PIR4: a természetben nem előforduló, nem expresszálódó szekvenciák (pl. pszeudogének transzlációi, hibás transzlációk, szintetikus szekvenciák) (pár száz db)
• A szekvenciákat szekvenciaazonosság alapján családokba sorolja.

SWISS-PROT

• 1986-ban született a genfi egyetem és az EMBL együttműködéseként, 1994-től a hinxtoni EBI (European Bioinformatics Institute) vette át, majd 1998-tól a SIB (Swiss Institute of Bioinformatics) is beszállt
• Mintegy 101 000 szekvencia (37 millió aminosav) kb. 7200 fajból (2001 szeptember)

  

  A szekvenciák megoszlása az élőlények csoportjai szerint

• Fő törekvések:
  • nagyon magas szintű és részletes annotáció minden fehérjéhez (funkció, doménszerkezet, másodlagos és negyedleges szerkezet, poszttranszlációs módosítások, változatok, a fehérjével összefüggő betegségek, stb.)
  • minimális redundancia
  • bőséges kereszthivatkozások más adatbázisokra

A SWISS-PROT rekordok felépítése

Példa

TrEMBL (translated EMBL)

• A SWISS-PROT társadatbázisa, az EMBL-ben lévő összes CDS (kódoló szekvencia) lefordítása aminosavszekvenciára, számítógépesen annotálva
• Egy részük fokozatosan átkerül a SWISS-PROTba
• Mintegy 480 000 szekvencia (2001 szept.)

NRL_3D

• A Protein Data Bank térszerkezeti adatbázisból kivont szekvenciákat tartalmazza
• Csak a PDB-ben ténylegesen szerkezettel rendelkező aminosavak
• Bőséges annotáció (másodlagos szerk., felbontás, stb.)

Melyik szekvenciaadatbázist használjuk?

• NRL_3D a legkisebb, de van hozzá szerkezeti információ
• PIR(1-4) a legnagyobb, de az annotáció sokszor szegényes
• SWISS-PROT kiválóan annotált, de kevés szekvencia van benne

Két megoldás:

• Mindegyiket használjuk
• Összetett adatbázist használunk

Összetett fehérjeszekvencia-adatbázisok

Céljuk: egyesíteni az elsődleges fehérjeszekvencia-adatbázisokban lévő szekvenciákat, a redundanciák kiszűrésével. Több ilyen is van:

NRDB (Non-Redundant DataBase)

• Forrás: PDB, SWISSPROT, PIR, GenPept (a GenBank transzlációja), SPupdate (a SWISSPROT hetenkénti frissítései), GenPeptupdate (a GenPept naponkénti frissítései)
• Átfogó és naprakész
• De: Redundáns! Csak a teljes azonosságok vannak kiszűrve. Polimorfizmusok és kisebb szekvenálási hibák miatt ugyanaz a fehérje többször is szerepelhet; egyes rekordok más rekordokban lévő fragmentumok egyesítései, stb.
• NCBI fehérjeadatbázisa

OWL

• Forrás: SWISSPROT (legnagyobb prioritással), PIR, GenPept, NRL_3D
• Nem naprakész, csak 6-8 hetenként frissítik
• Kb. 280 000 szekvencia
• Kevésbé redundáns az NRDB-nél (egy aminosavban eltérő szekvenciákat is azonosnak vesz a szűréskor), de mégis van valamennyi redundancia

SWISS-PROT + TrEMBL

• ExPASy-nál együttesen kereshető a két adatbázis
• Naprakész
• Kevésbé redundáns, mint az OWL és az NRDB, de még így is kb. 30%-ban redundáns

Melyik összetett adatbázist használjuk?

• NRDB naprakész, de elég redundáns
• OWL kevésbé redundáns, de nem naprakész
• SWISSPROT+TrEMBL nem elég átfogó
• Legbiztosabb, ha mindegyiket használjuk, bár ez ellentétes a céljukkal!

Másodlagos és harmadlagos (szekvenciamintázat-)adatbázisok

Szekvenciamintázat-adatbázisok

• Az elsődleges adatbázisokban (a harmadlagosoknál a másodlagosokban lévő információk) lévő szekvenciák alapján többszörös szekvenciaösszerendezéseket készítünk. Ekkor láthatóvá válnak a konzerválódott régiók, a motívumok. Ezekből vezetik le a másodlagos, ill. a harmadlagos adatbázisokat.
• Számos adatbázis, részletesebben majd külön előadásban.
• Szekvenciaanalízisben nagy jelentőségük van

Térszerkezeti adatbázisok

PDB (Protein Data Bank)

• Brookhaven National Lab-ból átkerült a Research Collaboratory for Structural Bioinformatics-hoz
• Kb. 16 000 szerkezet, ebből kb. 15 000 fehérje, a többi nukleinsav és szénhidrát
• Erősen redundáns (ugyanaz a fehérje sokszor szerepelhet: különböző szubsztrátokkal és kristályosítási körülményekkel, mutánsok, stb.)
• Röntgen- és NMR-szerkezetek

A konnektivitás problémája

• A szekvencia megadja a molekula konnektivitását is (melyik atom melyikhez van kötve)
• Szerkezet-feldolgozó programok két módon reprodukálják a konnektivitást:
  • Kémiai szabályok alapján: vegyértékek, kötéshosszak alapján. Hátrány: pontatlan koordináták esetén hibás konnektivitás adódik
  • Molekulacsoport-könyvtárakkal: külön tároljuk az összes aminosav, kismolekula, stb. rendes szerkezetét a konnektivitásokkal együtt. Nem adódhat hibás konnektivitás.

Fájlformátumok

• Klasszikus PDB formátum: Példa

  Kulcsszó	Magyarázat
  HEADER	Fejléc, a molekula besorolása
  COMPND	A molekula megnevezése
  SOURCE	Forrásorganizmus
  AUTHOR	Szerzők
  REVDAT	Frissítési dátumok
  JRNL	Az irodalmi hivatkozás
  REMARK	Megjegyzések: további irodalmi hivatkozások, felbontás, a finomítás módszerei, megjegyzések a szerkezethez, javítások
  SEQRES	A szekvencia. Nem mindig ugyanaz, mint a koordinátáknál megadott szekvencia! Itt a valódi biológiai szekvencia van.
  HELIX, SHEET	Másodlagos szerk.
  SSBOND	Diszulfidhidak
  SITE	Megjelölt helyek, pl. kötőhelyek, aktív helyek
  CRYST1	Elemi cella adatai
  MTRIX	Másik alegység generáláshoz szükséges mátrix
  ATOM, HETATM	Az egyes atomok adatai. Sorszám, atom neve, alternatív pozíció jelzője, oldallánc neve, lánc betűjele, oldallánc sorszáma, beszúrási kód, koordináták, occupancy, hőmérsékleti faktor, lábjegyzet száma
  TER	Láncvég
  CONECT	Összekötendő atomok
  MASTER	Különféle rekordok száma, ellenőrző összegek
  END	Vég

• Sok probléma: bonyolult formátum, számos hibalehetőség, programmal nehezen beolvasható (sokféle ellenőrzés kell, stb.), kémiai gráfot nem mindig képes pontosan megadni
• Előny: ember által is jól olvasható
• Hidrogénatomok csak NMR-szerkezeteknél, ezekben több szerkezet is lehet
• mmCIF (macromolecular Chemical Interchange Format)
  • bonyolult formátum, sokféle kulcsszóval, számos plusz információval (pl. kötésszögek)
  • ember számára nehezen olvasható, programokkal könnyen
  • PDB formátum számos hibáját kiküszöböli
• MMDB
  • ASN.1 szerkezet: hierarchikus felépítésű fájl. Ember számára nehezen, számítógép számára könnyen olvasható
  • Oldallánc-könyvtár alapján pontosan definiálja a kémiai gráfot
  • NCBI használja, az ő Cn3D nézegetőprogramjuk ismeri

PDBsum

Összefoglalások a PDB-szerkezetekről, rengeteg linkkel más adatbázisokhoz

PQS (Protein Quaternary Structures)

• A homooligomereknél a PDB általában csak egy alegységet tartalmaz
• PQS: automatikus módszerekkel generálják a biológiailag aktív oligomer szerkezetet (nemtriviális, nem mindig egyértelmű, a valószínű szerkezetet adja meg)

Nézegetők

Rasmol, Cn3d, Weblab Viewer, stb. (ingyenes programok): megjelenítik a térszerkezeteket

Tökéletlenségek: pl. Rasmol az alternatív atompozícióknál hibázik (ld. 5hvp, C lánc)

Fehérjecsaládok adatbázisai

Klaszterezés

• Klaszterezés: eljárás, mellyel egy halmaz elemeit egymáshoz való közelségük alapján csoportokba soroljuk. Lehet egyszerű vagy hierarchikus:
  

  Egyszerű klaszterezés: részhalmazokra bontás

  

  Hierarchikus klaszterezés: az osztályozás fastrukúrával reprezentálható

  
  
• Bármilyen halmazon végezhető, amelyben két elem közötti távolság értelmezhető.
• Szekvenciákra alkalmazva: szekvenciacsaládok adatbázisai
• Térszerkezetekre alkalmazva: szerkezeti családok adatbázisai

Szekvenciacsaládok adatbázisai

• Klaszterezésével családokba sorolhatóak a szekvenciák
• Sok ilyen adatbázis (CLUSTR, PROT-FAM, stb.)
• Bővebben egy másik előadásban

Szerkezeti családok adatbázisai

A fehérjék (klaszterezéssel) szerkezeti családokba sorolhatóak, a PDB 15000 szerkezete között csak kb. 600 teljesen különböző alapszerkezet (fold) van.

A fold ("gomboly") fogalma

• Fold: Egy fehérje nagybani, durva szerkezete, a polipeptidlánc gerincének durván vett térbeli lefutása. Magában foglalja a másodlagos szerkezeti elemek körülbelüli, relatív elhelyezkedését és összeköttetéseik sorrendjét. A folding (felgombolyodás) szóból. Magyarul gombolynak mondhatnánk.
• A hasonló szerkezetű fehérjéknek ugyanaz a foldja, vagyis a gombolya. A fold tehát egy fehérjecsaládot határoz meg, szerkezeti hasonlóság alapján.

Példa:

Különböző fajokból származó trióz-foszfát izomerázok (TIM) és hasonló fehérjék egymásra illesztett szerkezete (alfa-szénatomokból álló váz).	A fehérjecsalád fold-ja, azaz "gombolya", az ún. TIM-barrel fold

SCOP (Structural Classification of Proteins) adatbázis

• Részben manuálisan, részben automatizált módszerekkel készített adatbázis
• Hierarchikus rendszerezés:
  • Fold ("gomboly"): Jelentős szerkezeti hasonlóság az egyazon foldhoz tartozó szerkezetek között.
    Lényegében ugyanolyan másodlagos szerkezeti elemek, ugyanolyan sorrendben, ugyanolyan topológiával. A perifériális részek jelentősen eltérhetnek. Nem feltétlenül közös eredet magyarázza a hasonló szerkezetet.
  • Főcsalád (superfamily): Valószínűsíthető közös evolúciós eredet az egyazon főcsaládhoz tartozó fehérjék között
    Alacsony szekvenciaazonosság, de a funkcionális és szerkezeti hasonlóságok közös evolúciós eredetre utalnak
  • Család: egyértelmű evolúciós rokonság az egyazon családhoz tartozó fehérjék között
    A szekvenciaazonosság a család tagjai között 30% vagy nagyobb, vagy pedig a hasonló funkcióból és szerkezetből egyértelmű az evolúciós rokonság (alacsonyabb szekvenciaazonosság esetén is)

CATH adatbázis

• A hierarchia szintjei: Class, Architecture, Topology, Homologous superfamily: Osztály, Architektúra, Topológia, Homológ főcsalád

  

• Szintén részben manuálisan, részben automatikusan létrehozott adatbázis
• CATH hierarchia teteje: osztályok (class):
  1. Tisztán alfa fehérjék
  2. Tisztán béta
  3. Alfa és béta (a/b) (parallel béta, váltakozó alfa és béta régiók)
  4. Alfa és béta (a+b) (antiparallel béta, elkülönülő alfa és béta régiók)
  5. Többdoménes fehérjék (domének más-más osztályban)
  6. Membrán- és sejtfelszíni fehérjék és peptidek
  7. Kis fehérjék (nagy része ligandum vagy prosztetikus csoport)
  8. "Coiled coil" fehérjék
  9. Kisfelbontású fehérjék
  10. Peptidek
  11. Tervezett fehérjék
• "CATH-kerék": az adatbázisban lévő osztályok megoszlása:
  
  • Színek: piros (alfa), zöld (béta), sárga (alfa/béta), kék (nincs másodlagos szerk.)
  • Belső kerék: architektúrák
  • Külső kerék: topológiák

Fontosabb architektúrák:

FSSP (Families of Structurally Similar Proteins) adatbázis

• Teljesen automatikusan létrehozott adatbázis
• A DALI algoritmus a PDB-ben lévő szerkezetek között hasonlóságot állapít meg, ennek alapján családokat különít el
• Előnye a SCOPpal és CATHtal szemben: a DALI szervernek el lehet küldeni új, ismeretlen szerkezetet, s megtalálja a hozzá hasonlókat

A szerkezeteknek a SCOP, a CATH és az FSSP szerinti osztályozása lényegében megegyezik, apróbb eltérésekkel. A legtöbb kiegészítő információ a SCOP-ban található.