Bancos de dados Prof. Dr. Francisco Prosdocimi Relational database Conceitos importantes Banco de dados Tabela Campos Relações Chave-primária A linguagem SQL Outra linguagem? Criando uma tabela e definindo campos A magia do comando SELECT A cláusula WHERE mysql> select * from bovEST_BLAST where (similarity > 70 and e_value < 1e-20) order by similarity DESC limit 40; +---------------+-------+------------+------------+------------+--------------+--------+-------+-----------+-----------+---------+-------+ | q_id | s_id | similarity | ali_length | mismatches | gap_openings | q_init | q_end | s_init | s_end | e_value | score | +---------------+-------+------------+------------+------------+--------------+--------+-------+-----------+-----------+---------+-------+ | RE087RA01.esd | Chr18 | 100 | 308 | 0 | 0 | 384 | 691 | 43689822 | 43689515 | 3e-172 | 611 | | RE087RA01.esd | Chr18 | 100 | 75 | 0 | 0 | 241 | 315 | 43691823 | 43691749 | 3e-33 | 149 | | RE087RA01.esd | Chr18 | 100 | 69 | 0 | 0 | 85 | 153 | 43694415 | 43694347 | 1e-29 | 137 | | RE087RB10.esd | Chr5 | 100 | 179 | 0 | 0 | 105 | 283 | 56439425 | 56439247 | 3e-95 | 355 | | RE087RB10.esd | Chr5 | 100 | 133 | 0 | 0 | 283 | 415 | 56438471 | 56438339 | 7e-68 | 264 | | RE087RC01.esd | Chr3 | 100 | 179 | 0 | 0 | 106 | 284 | 42018973 | 42018795 | 9e-96 | 355 | | RE087RC02.esd | Chr10 | 100 | 125 | 0 | 0 | 313 | 437 | 99740206 | 99740330 | 2e-63 | 248 | | RE087RC02.esd | Chr10 | 100 | 104 | 0 | 0 | 212 | 315 | 99739617 | 99739720 | 8e-51 | 206 | | RE087RC02.esd | Chr10 | 100 | 92 | 0 | 0 | 117 | 208 | 99738535 | 99738626 | 1e-43 | 182 | | RE087RC03.esd | Chr10 | 100 | 110 | 0 | 0 | 325 | 434 | 99740206 | 99740315 | 2e-54 | 218 | | RE087RC03.esd | Chr10 | 100 | 104 | 0 | 0 | 224 | 327 | 99739617 | 99739720 | 7e-51 | 206 | | RE087RC03.esd | Chr10 | 100 | 92 | 0 | 0 | 129 | 220 | 99738535 | 99738626 | 1e-43 | 182 | | RE087RC05.esd | Chr5 | 100 | 158 | 0 | 0 | 172 | 329 | 24199827 | 24199984 | 9e-83 | 313 | | RE087RC05.esd | Chr5 | 100 | 136 | 0 | 0 | 436 | 571 | 24201779 | 24201914 | 1e-69 | 270 | | RE087RC05.esd | Chr5 | 100 | 67 | 0 | 0 | 107 | 173 | 24199155 | 24199221 | 2e-28 | 133 | | RE087RC06.esd | Chr5 | 100 | 170 | 0 | 0 | 323 | 492 | 108223843 | 108223674 | 6e-90 | 337 | | RE087RC06.esd | Chr5 | 100 | 137 | 0 | 0 | 491 | 627 | 108223120 | 108222984 | 3e-70 | 272 | | RE087RC08.esd | Chr19 | 100 | 356 | 0 | 0 | 130 | 485 | 36886303 | 36886658 | 0 | 664 | | RE087RC10.esd | Chr14 | 100 | 103 | 0 | 0 | 146 | 248 | 1077123 | 1077021 | 6e-50 | 204 | | RE087RC10.esd | Chr11 | 100 | 103 | 0 | 0 | 146 | 248 | 93831389 | 93831287 | 6e-50 | 204 | | RE087RC11.esd | Chr7 | 100 | 91 | 0 | 0 | 103 | 193 | 33783452 | 33783362 | 6e-43 | 180 | | RE087RD01.esd | Chr14 | 100 | 103 | 0 | 0 | 155 | 257 | 1077123 | 1077021 | 6e-50 | 204 | | RE087RD01.esd | Chr11 | 100 | 103 | 0 | 0 | 155 | 257 | 93831389 | 93831287 | 6e-50 | 204 | | RE087RD04.esd | Chr8 | 100 | 198 | 0 | 0 | 252 | 449 | 100369996 | 100369799 | 1e-106 | 392 | | RE087RD05.esd | Chr7 | 100 | 91 | 0 | 0 | 368 | 458 | 39281415 | 39281505 | 8e-43 | 180 | | RE087RD07.esd | Chr14 | 100 | 219 | 0 | 0 | 151 | 369 | 23348458 | 23348676 | 3e-119 | 434 | | RE087RD07.esd | Chr14 | 100 | 101 | 0 | 0 | 541 | 641 | 23349620 | 23349720 | 9e-49 | 200 | | RE087RD07.esd | Chr14 | 100 | 75 | 0 | 0 | 368 | 442 | 23349004 | 23349078 | 3e-33 | 149 | | RE087RE01.esd | Chr13 | 100 | 332 | 0 | 0 | 112 | 443 | 51325163 | 51324832 | 3e-172 | 611 | | RE087RE02.esd | Chr19 | 100 | 125 | 0 | 0 | 204 | 328 | 56707552 | 56707428 | 4e-63 | 248 | | RE087RE02.esd | Chr19 | 100 | 62 | 0 | 0 | 142 | 203 | 56710310 | 56710249 | 2e-25 | 123 | | RE087RE05.esd | Chr2 | 100 | 241 | 0 | 0 | 275 | 515 | 131052933 | 131052693 | 3e-132 | 478 | | RE087RE05.esd | Chr2 | 100 | 79 | 0 | 0 | 145 | 223 | 131053063 | 131052985 | 1e-35 | 157 | | RE087RE09.esd | Chr19 | 100 | 106 | 0 | 0 | 100 | 205 | 13495533 | 13495428 | 1e-51 | 210 | | RE087RF01.esd | Chr3 | 100 | 195 | 0 | 0 | 86 | 280 | 14725822 | 14726016 | 7e-105 | 387 | | RE087RF01.esd | Chr3 | 100 | 180 | 0 | 0 | 279 | 458 | 14729898 | 14730077 | 6e-96 | 357 | | RE087RF01.esd | Chr3 | 100 | 119 | 0 | 0 | 457 | 575 | 14730286 | 14730404 | 2e-59 | 236 | | RE087RF01.esd | Chr3 | 100 | 74 | 0 | 0 | 575 | 648 | 14730866 | 14730939 | 1e-32 | 147 | | RE087RF02.esd | Chr5 | 100 | 133 | 0 | 0 | 282 | 414 | 56438471 | 56438339 | 7e-68 | 264 | | RE087RF02.esd | Chr5 | 100 | 107 | 0 | 0 | 413 | 519 | 56437590 | 56437484 | 2e-52 | 212 | +---------------+-------+------------+------------+------------+--------------+--------+-------+-----------+-----------+---------+-------+ 40 rows in set (14.36 sec) Bancos de dados Biológicos Prof. Dr. Francisco Prosdocimi Bancos de dados • Servem para organizar a informação biológica e disponibilizá-la de maneira simples aos pesquisadores • Bancos mais comuns Sequência, estrutura, proteinprotein interaction, domínios, assinaturas, famílias gênicas, evolutivos, paper-específicos Conceitos básicos • O conceito de curadoria de sequências • Bancos de dados primários – Genbank, PDB, EMBL • Bancos de dados secundários – Swissprot, RefSeq, COG, KEGG National Center for Biotechnology Information O NCBI fornece acesso a genomas completos de mais de 5.700 organismos. Genomas significam tanto sequências completas de organismos quanto os que estão em processo de sequenciamento. http://www.ncbi.nlm.nih.gov Os bancos de dados do NCBI • PubMed • • • • • • GenBank GenPept Genome dbGSS dbEST dbSNP GenBank • Genbank, ddBJ, EMBL • Identificadores – gI, accession number • Formatos – FASTA, GenBank – http://www.ncbi.nlm.nih.gov /nuccore/187830767?repor t=genbank&log$=seqview >gi|187830767|ref|NM_000546.4| Homo sapiens tumor protein p53 (TP53), transcript variant 1, mRNA GATTGGGGTTTTCCCCTCCCATGTGCTCAAGACTGGCGCTAAAAGTTTTGAGC TTCTCAAAAGTCTAGAGCCACCGTCCAGGGAGCAGGTAGCTGCTGGGCTCCGG GGACACTTTGCGTTCGGGCTGGGAGCGTGCTTTCCACGACGGTGACACGCTTC CCTGGATTGGCAGCCAGACTGCCTTCCGGGTCACTGCCATGGAGGAGCCGCAG TCAGATCCTAGCGTCGAGCCCCCTCTGAGTCAGGAAACATTTTCAGACCTATG GAAACTACTTCCTGAAAACAACGTTCTGTCCCCCTTGCCGTCCCAAGCAATGG ATGATTTGATGCTGTCCCCGGACGATATTGAACAATGGTTCACTGAAGACCCA GGTCCAGATGAAGCTCCCAG(...) Taxonomy • Permite verificar o número de sequências de nucleotídeos, proteínas e genomas de espécies • Contém a classificação taxonômica completa das espécies – Incluindo categorias nãolineanas BLAST databases • Peptide Sequence Databases – – – – – – – • Nr: All non-redundant GenBank CDS translations + RefSeq Proteins + PDB + SwissProt + PIR + PRF Refseq: RefSeq protein sequences from NCBI's Reference Sequence Project. Swissprot: Last major release of the SWISS-PROT protein sequence database (no updates). Pat: Proteins from the Patent division of GenPept. Pdb: Sequences derived from the 3-dimensional structure from Brookhaven Protein Data Bank. Month: All new or revised GenBank CDS translation+PDB+SwissProt+PIR+PRF released in the last 30 days. env_nr: Protein sequences from environmental samples. Nucleotide Sequence Databases – – – Nr: All GenBank + RefSeq Nucleotides + EMBL + DDBJ + PDB sequences (excluding HTGS0,1,2, EST, GSS, STS, PAT, WGS). No longer "non-redundant". refseq_rna, refseq_genomic Est: Database of GenBank + EMBL + DDBJ sequences from EST Divisions • – – – – – – – est_human, est_mouse, est_others gss: Genome Survey Sequence, includes single-pass genomic data, exon-trapped sequences, and Alu PCR sequences. Pat: Nucleotides from the Patent division of GenBank. Month: All new or revised GenBank + EMBL + DDBJ + PDB sequences released in the last 30 days. Dbsts: Database of GenBank+EMBL+DDBJ sequences from STS Divisions . Chromosome: A database with complete genomes and chromosomes from the NCBI Reference Sequence project.. Wgs: A database for whole genome shotgun sequence entries. env_nt: Nucleotide sequences from environmental samples, including those from Sargasso Sea and Mine Drainage projects. Trace Archive • Contém os dados brutos de sequenciamento para diversas espécies • O pesquisador pode fazer o download e realizar o base-calling da maneira como preferir • Arquivos pesados (dados brutos) • Obsoleto... – short read archive RefSeq • Banco de dados de sequências de referência para genomas • Apresenta uma única cópia para cada gene no genoma – É o verdadeiro NR • Dividido em genoma, cDNA e proteína (NC, NM e NP) • Contém sequências de splicing alternativo Níveis de curadoria RefSeq • Predita: automática – cDNA com ORF sem função descrita • Provisória: manual – proteína com função conhecida ou inferida – o melhor representante do GenBank, mais anotado • Revisada: manual – compilação sobre o gene e seus transcritos – sequência, propriedades, nomenclatura, referências, retirada de vetor, adição de UTRs, domínios conservados, descrição da função do gene, links dbEST • Contém sequências de ESTs (e ORestes) de diversos organismos dbGSS • Contém sequências genômicas single-passed para diversos organismos UniGene • Contém clusters de ESTs formados a partir de similaridades usando o algoritmo megaBLAST • Reúne variantes de splicing no mesmo identificador • Cataloga variantes de splicing por tecido UniGene • Organização das sequências do GenBank em um conjunto de aglomerados • Cada aglomerado do UniGene contém as sequências que representam um gene único • E também informações relacionadas, como em que tecidos o gene é expresso, etc. • E também onde está mapeado MegaBLAST gera o UniGene Todas ESTs contra todas Detecção de homologia > 96% de identidade > 70% do potencial Aglomerar GEO database • Contém dados de experimentos de microarray COG • Cluster of Orthologous Groups – 66 genomas bacterianos • Best Hits cruzados entre 3 organismos • Genes bacterianos agrupados por função biológica • KOG, eucariotos CDD, conserved domains • Banco de dados de domínios • NCBI-curated domains • Baseado nas bases de dados: – Pfam, SMART, COG, PRK, TIGRFAM • Permite mostrar a arquitetura de domínios de uma sequência quando o usuário faz um BLAST • Utiliza o RPS-blast Go to => NCBI Outros serviços NCBI • Serviços educacionais – http://www.ncbi.nlm.nih.gov/Education/ • NCBI Handbook – http://www.ncbi.nlm.nih.gov/books/bv.fcgi?call=bv.Vie w..ShowTOC&rid=handbook.TOC&depth=2 • ORF finder • Muito mais... – Coffe break http://www.ncbi.nlm.nih.gov/bookshelf/br.fcgi?book=c offeebrk SwissPROT • Banco de dados de sequências de proteínas mais curado e mais utilizado no mundo • Europeus não usam NCBI TrEMBL • Complemento não anotado ao SwissPROT • Não houve curadoria manual • Anotação automática Famílias protéicas • A maioria das proteínas pode ser agrupada em famílias com base na similaridade entre suas sequências – Similaridade intra-espécies – Evidência de ancestralidade comum • Proteínas da mesma família costumam ter funções moleculares e biológicas semelhantes → inferência biológica • Inferência de função – Similaridade de sequência – Análise filogenética Famílias e alinhamento dkk1 dkk2 dkk3 Prokinecitin/ Intestinal toxin Lipase protein cofactor Pfam : Dickkopf N-terminal domain Colipase Colipase C-terminal domain Assinaturas ou domínios protéicos • Obtidos através da análise de regiões que se mantém constantes em grupos de sequências similares alinhadas • Distingue membros de famílias dos nãomembros • Auxilia a atribuição de funcionalidades moleculares e biológicas Identificação de famílias por expressões regulares Montando uma expressão regular Expressão regular Expressão regular para a família Uso de expressões regulares • Identificação de padrões de famílias • Identificação de promotores, sítios para a ligação do ribossomo (consenso de kosak) • Problemas – Pequenas diferenças em um membro da família pode retirá-lo do grupo – Lembrete: a vida não apresenta regras rígidas – Programas com base estatística ou baseados em inteligência artificial Prosite Prosite INFO Prosite INFO pFAM • Cadeias de Markov: não se acessa o estado, porém um observação probabilística do estado Bancos de dados de domínios InterPRO KEGG • Kyoto Encyclopedia of Genes and Genomes • Permite anotar a presença de enzimas e completar vias bioquímicas • Visão integrada do metabolismo KEGG pathways • Enzimas/proteínas encontradas são marcadas em verde Gene Ontology • Primeira ontologia criada em biologia molecular, 2000 • Consórcio para a padronização da anotação gênica • Vocabulário padrão para a descrição de genes em três categorias – Processo biológico – Função molecular – Localização celular Human, mouse, worm, fly, etc... Processo biológico Função molecular Localização Celular Além do Gene Ontology • OBO foundry: The open biomedical ontologies • Anatomy ontologies BaliBASE • Banco de dados de alinhamentos múltiplos • Curado manualmente • Visão integrada do metabolismo Proteômica • Swiss-2D-page • Banco de dados de géis bidimensionais Codon Usage DB • Preferência em códons sinônimos • Utilização preferencial de certos códons por aminoácidos • Diferença por organismo/organela Lembrete • Muitos bancos de dados estão disponíveis para FTP – Faça o download e instale na sua máquina – Bancos de dados locais e pesquisaespecíficos ajudam no desenvolvimento e análise de dados • Instale no MySQL mais próximo – Monte suas tabelas e faça seus selects! – PERL + SQL (a biblioteca DBI) Conclusões • Há bancos de dados em bioinformática para praticamente qualquer tipo de abordagem em biologia molecular • Stein, 2009 • O papel central da bioinformática na pesquisa genômica moderna • NAR, duas edições por ano • É preciso conhecer os serviços, mais cedo ou mais tarde, você pode precisar