CHUONG II CO SO DU LIEU

TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP THỰC PHẨM TPHCM KHOA CNSH & KTMT HỆ ĐẠI HỌC Chương II Cơ sở liệu Tin sinh học (Bioinformatic Databases) Sự thử thách nguồn thông tin mở GV: ThS Nguyễn Thành Luân luannt@cntp.edu.vn Mục tiêu học  Nắm nguyên tắc so sánh trình tự sinh học  Sử dụng chương trình BLAST giúp nhanh chóng tìm trình tự sinh học tương đồng (nếu có CSDL lớn NCBI, EMBL, DDPJ…) với trình tự yêu cầu  Cung cấp số liệu tỉ lệ tương đồng, nguồn gốc trình tự tương đồng, … Nội dung học • Khái niệm sở liệu (CSDL) • Các cơng cụ sở liệu: – GenBank – BankIt – BLAST • Các nguồn sở liệu sinh học • Các cơng cụ tìm kiếm liệu • Phân loại CSDL Tin sinh học WHAT ARE DATABASES Cơ sở liệu gì? • Là tổ chức chuỗi thơng tin theo dạng tệp • Thơng tin bỏ vào lấy (Ease of Access) • Đơn giản hóa nguồn thơng tin ký hiệu đặc biệt (Số hóa – Digital databases) • Lưu trữ nguồn liệu thông qua ngân hàng CSDL website • Chứa đựng khám phá nghiên cứu khoa học What are Databases? • CSDL xếp • Thơng tin lưu “Hồ sơ” (records) “Đề mục”(Fields) • “Đề mục” loại phạm vi tìm kiếm – Phải giống tính chất chức • “Hồ sơ” chứa liệu liên quan chủ đề 9/25/2013 SNP ID SNPSeqI D Gene +primer -primer Hap A Hap B Hap C D1Mit160_1 10.MMHAP6 7FLD1.seq lymphocyte  antigen 84 AAGGTAAAA GGCAATCAG CACAGCC TCAACCTGG AGTCAGAGG CT C — A M­05554_1 12.MMHAP3 1FLD3.seq procollagen,  type III, alpha  TGCGCAGAA GCTGAAGTC TA TTTTGAGGTG TTAATGGTTC T C — A M­05554_2 X60184 complement  component  factor i ACTTCCAGC CCTGGCTCT ATATGCCAC CAAGAAGCA A C — M­09947_3 AF067835 caspase 8 TCACAGAGG GAAACATGA AG CTCCACATT GAACCAAAG CA G C T M­11415_1 U02023 insulin­like  growth factor  binding protein  GGGAAAAGC CTGAAAGAA GC AGCTGAAAC CGGACATCA AT T G — D1Mit284_ J05234 nucleolin TGTTGGAAC CGACTTCTTC A AAGAGTCAA AGAATTTATG GAATGA G T T Ví dụ CSDL • Các cột “Đề mục” (Fields) • Các hàng “Hồ sơ” (Records) • Ứng dụng hàm tìm kiếm Boolean: AND, OR, NOT 9/25/2013 CSDL tài liệu tham khảo & trích dẫn (Bibliographic databases) 9/25/2013 Thư viện Quốc hội Mỹ (Library of congress) Washington D.C – 120 million books, 750 km of shelves CSDL Pubmed • Sách tạp chí chun ngành y sinh học/ khoa học đời sống 21 million citations - back to 1966 • 500,000 ấn thêm vào năm www.pubmed.com 9/25/2013 Chức & nhiệm vụ CSDL • Định nghĩa miêu tả • Chìa khóa về: – Cập nhật phiên phần mềm tin sinh học – Liên kết tới nguồn CSDL khác – Lưu trữ tài liệu • Ấn bản, cập nhật chỉnh sửa tài liệu, trình tự dựa nguồn CSDL,… Cơ sở liệu sinh học (Biological databases) • Trình tự DNA, RNA protein gene • Hầu hết trường hợp, trình tự protein hiểu trình tự sinh học • Hiểu rõ dạng khác trình tự mấu chốt cho giải thích vấn đề • Phân tích lỗi xuất trình tự nhằm so sánh khác biệt trình tự CSDL trình tự Genome • TIGR (www.tigr.org) • The Whitehead (Giải mã trình tự 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 cao tìm hiểu gen sinh vật (genomics) TIGR (www.tigr.org) - Bộ sưu tập sở liệu DNA protein - Các biểu gen, vai trò tế bào - Tập hợp protein - Các số liệu phân loại loài vi khuẩn, thực vật người - Là nơi chứa liệu genome VSV nhiều chi tiết Viện nghiên cứu The Whitehead- Dự án giải mã trình tự MIT & Harvard • Dự án lớn Genome người Mỹ (US Human Genome Project – HGP) • Dự án bắt đầu năm 1990 kết thúc năm 2003 (14/04/2003) sớm so với dự kiến năm Human Genome Project (HGP) • Sau 13 năm thực đạt số kết quả: – Nhận biết tổng cộng 20,000 – 25,000 gen – Xác định chuỗi DNA người 3,300,000,000 bp – Lưu trữ thông tin CSDL lớn – Tiến hành cải tiến công cụ phân tích liệu – Phát triển quy định đạo đức 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 cấu trúc protein nghiên cứu insulin (1958) • So sánh phân tích trình tự DNA cấp độ lớn hệ gen người loài khác • Cung cấp nguồn CSDL mở cho tất người Celera-PE Biosystems (www.celera.com)  Khởi đầu nhắm vào giải mã trình tự gen người  Hiện tại, nơi chứa CSDL triệu nucleotide tiềm SNP (Single Nucleotide Polymophism – nucleotide đa hình đơn)  Các halotype liên kết Nơi sở hữu CSDL gen cho người, chuột ruồi giấm Ensembl (www.ensembl.org) Dựa hợp tác EBI & Sanger Institute Trung tâm CSDL: Cambridge Nguồn CSDL có khả tự động xác định hệ gen loài Eukaryote  Đặc biệt nghiên cứu người chuột  Nguồn CSDL gen loài ký sinh trùng Là nơi kết nối CSDL khác TG Giao diện Ensembl Các nguồn CSDL genome khác • UCSC: chứa nhiều genome người động vật khác ( http://genome.cse.ucsc/edu) • CSDL genome lúa (IRRI) (http://www.irri.org) • Dự án xây dựng gen lúa OMAP • CSDL GRAMENE (http://www.gramene.org): chứa genome, protein, đồ di truyền, marker lúa TV khác • CSDL hợp chất đại phân tử sinh học (Macromolecular Structural Databases – MSD) sản phẩm liên kết CSDL lớn EBI (European Bioinformatic Institute - Châu Âu) PDB (Protein Database Bank - Mỹ) Các nguồn CSDL sinh học khác Mạng lưới CSDL liên kết & tương tác hỗ trợ sinh học phân tử, hợp chất phân tử đường dẫn liên kết báo cáo khoa học – CSDL đường trao đổi chất (http://www.genome.jp/kegg/pathway.html) – CSDL đồ trình tự protein (http://www.ncbi.nlm.nih.gov/taxonomy) – CSDL báo phân tích (http://www.ncbi.nlm.nih.gov/Pubmed) Các kiến thức cần nhớ • Cơ sở liệu gì? Đặc điểm CSDL sinh học? • Các nhóm CSDL sinh học bản? • Khái niệm BLAST, phân loại BLAST chức BLAST? • Các nguồn CSDL nucleotide, protein, genome • Các nguồn CSDL sinh học khác KẾT THÚC CHƯƠNG II ... CT C — A M­05554_1 12.MMHAP3 1FLD3.seq procollagen,  type III, alpha  TGCGCAGAA GCTGAAGTC TA TTTTGAGGTG TTAATGGTTC T C — A M­05554_2 X60184 complement  component  factor i ACTTCCAGC CCTGGCTCT ATATGCCAC... liệu trình tự – Score (bits): đo lường ý nghĩa thống kê việc so sánh trình tự  Scores < 50 = không ý nghĩa – E-value: expectation value – (giá trị kỳ vọng) số lần mà giá trị Score dự báo thay... trình tự để tính giá trị gọi [Bit-score] Giá trị Score cao trình tự bắt cặp cao • Ngồi BLAST tính tốn giá trị trơng đợi E-Value (Expected-Value) phụ thuộc vào BitScore THƠNG SỐ TÌM KIẾM BLAST • Dựa