1、第二章 GenBank 序列数据库简介一级蛋白质和核酸数据库在分子生物学界是如此的司空见惯，以致于我们很少会去考虑这些普遍存在的工具是如何建立的。但是如果我们能够了解这些序列是如何汇集到一起的，这将有助于我们加深对生物学的理解，并且能够更加充分地发掘这些记录中蕴藏的信息。GenBank 是美国国立卫生研究院维护的基因序列数据库，汇集并注释了所有公开的核酸以及蛋白质序列。每个记录代表了一个单独的、连续的、带有注释的DNA 或 RNA 片段。这些文件按类别分为几组：有些按照系统发生学划分，另外一些则按照生成这些序列数据的技术方法划分。目前 GenBank 中所有的记录均来自于最初作者向 DNA 序
2、列数据库的直接提交。这些作者将序列数据作为论文的一部分来发表，或将数据直接公开。GenBank 由位于马里兰州Bethesda 的美国国立卫生研究院下属国立生物技术信息中心建立，与日本DNA 数据库（DDBJ）以及欧洲生物信息研究院的欧洲分子生物学实验室核苷酸数据库（EMBL）一起，都是国际核苷酸序列数据库合作的成员。所有这三个中心都可以独立地接受数据提交，而三个中心之间则逐日交换信息，并制作相同的充分详细的数据库向公众开放（虽然格式上有细微的差别，并且所使用的信息系统也略有不同）。这一章描述 GenBank 数据库是如何构成的，它如何与蛋白质数据库相衔接，以及如何解释其中的数据成分。关于序列
3、数据库，前人已经作了大量的工作，具体可参见（Schuler et al., 1996; Bairoch and Apweiller, 1997; Benson et al., 1997; George et al., 1997; Stoesser et al., 1997; Tateno et al., 1997）。所有这些论文都指出了数据库快速增长的趋势，并对如何利用这些生物学资源提出了建议。出于科学研究的考虑，以及由于历史的原因，序列数据被分别存放在核苷酸和蛋白质数据库中。核苷酸序列是查询核苷酸数据库以及蛋白质数据库时的主要出发点，并且目前有一种趋势，将核苷酸数据库介入到蛋白质数据库的管理
4、之中（正如我们下面将要看到的那样）。这并不奇怪，因为数据库维护者与数据提交者之间的直接通讯将有利于保证数据的真实性与准确性（提交者需要一个检索号，并且他们想要得到他们添加到数据库中的新记录）。在很多情况下，这种对数据的关注意味着提供适当的信息来注释 CDS（coding sequence：编码序列），并告诉我们如何得到翻译产物。这种对蛋白质和核酸序列统一管理的倾向也明显地体现在 NCBI 的 Entrez 之中，在 GenBank 的管理之中，以及在 GenPept 格式记录的生成过程之中。在欧洲，EBI 的工作人员统一维护管理 Swiss-Prot 和 TREMBL，这些工作人员也负责 EM
5、BL 核苷酸数据库的管理工作。还有 Amos Bairoch 和他在日内瓦大学的研究组。（见本章后的列表）。尽管如此，建立核苷酸和蛋白质数据库的初衷还是有区别的。本章还初步讨论了将在第六章详细描述的数据模型。这一章主要是从 GenBank flatfile 的角度介绍序列数据，但必须明确的是， “flatfile”（不论是 GenBank, EMBL, Swiss-Prot 或 PIR），都只是 ASN.1 报告的一个方面。而 ASN.1 才是代表了 NCBI 数据模型的语言。GenBank 以 DNA 为核心，包含了许多计算生物学资源。历史上，蛋白质数据库先于核苷酸数据库。在 60 年代初，
6、Dayhoff 和他的同事们收集了所有当时已知的氨基酸序列，这就是“蛋白质序列与结构图册”（Dayhoff et al., 1965）。这一蛋白质数据库后来成为 PIR（George et al., 1997）。这本书为今天整个生物信息学界日常工作所依赖的计算生物学资源播下了种子。这个在 1965 年可以很容易地存放在一张软盘上的数据集（尽管那时并不存在软盘这种存储介质），是一小群人多年的工作成果。今天，任何一个 DNA 或蛋白质数据库每天增加的数据量都数倍于此。最早的 DNA 序列数据库于 1982 年在欧洲分子生物学实验室诞生，随即就开始了一个数据库爆炸的时代。（见图 2.1）。R. Co
7、ok-Deegan(1993)在基因战争中详细描述了这一时期人类基因组计划的历史。此后不久因一项 NIH 与洛斯阿拉莫斯国家实验室的合同而诞生了 GenBank。两个中心都致力于发展输入方式，这主要是将学术刊物上公开发表的论文转换为更适合计算机使用的电子格式。日本的 DNA数据库（DDBJ），在几年后加入了数据收集的合作。在 1988 年一次三方会议之后（现在称之为“国际 DNA 序列数据库合作计划”）达成了一项协议，对数据库的记录采用共同的格式，并且每个数据库只负责更新提交到这一数据库的那些数据。现在三个中心都收集直接提交的数据，并在三者之间发布。这样，任何一个中心都拥有并发布所有的序列数据
8、。这种方式下每条记录只被生成这条记录的数据库所拥有，也就是说只有生成这条记录的数据库可以对记录进行更新，这就防止了“更新冲突”。否则如果每个数据库都可以修改任一条记录，并覆盖其他数据库的数据，就必定会发生错误。近年来的安排保证了没有一个数据库可以覆盖其他数据库更新的记录。所有的序列数据库也都是计算生物学中心，并且越发表明序列数据不能简单地由自动化方式来生成。每个数据库都成为了一个中心，在那里生成序列数据，并由生物学家进行验证，同时还开发一些利用这些信息的工具（例如 NCBI 的 Entrez，见第 5 章，以及 EBI 现在正在开发的 SRS）。很明显的一点是一些专职的，介入到收集数据、提供发
9、现与检索工具，并且作为研究机构来研究新算法、发掘公共数据库并在最高水平进行科学活动的机构将能够最大限度地服务于用户群体。在这一环境下，知识被最高效率地获取与共享，并且新的研究与理解这样大量数据的方法也不断涌现。这一章的着重介绍 GenBank 核苷酸数据库，GenBank 是包含了三个重要蛋白质数据库（Swiss-Prot, PIR 和 PDB）的一系列数据库中的一个。这一系列数据库中的每一个都对数据库现在和将来的使用方法产生了或产生过重大影响。PDB 是关于核酸和蛋白质结构的数据库，将在第三章中详细介绍。Swiss-Prot和 PIR 可以称为二级数据库，它比已经存在于一级数据库中的数据提供
10、了更多的信息。Swiss-Prot 和 PIR 中的蛋白质序列主要来源于核苷酸数据库，另外一小部分是直接向 Swiss-Prot 提交的（这些蛋白质是直接测序的）或者是从公开发表的论文中搜索到的。这里没有详细讨论这些情况，我们建议读者通过其他途径了解更多的详情（Bairoch and Apweiller, 1997; George et al., 1997）。需要注意的是，如同在第六章和第十四章中一样，这里的“GenBank”指的是DDBJ/EMBL/GenBank。DDBJ 和 EMBL 核苷酸数据库与 GenBank 紧密合作，逐日交换数据。他们从不同的地点，用不同的格式发布同样的信息。他
11、们也都是提供其他数据、工具和服务的研究机构。这些虽然从理论上是无关的活动，但实际上很难分开。例如，Entrez（见第 5 章）是 NCBI 的一个计划，它包含了 GenBank 数据在其中。但 Entrez 和 GenBank（都是 NCBI 的产品）从本质上是不同的，前者是一个信息检索系统，而后者是一个 Entrez 从中进行检索的数据库。一级和二级数据库一级和二级数据库之间存在着本质的差别。序列数据库对科学界最重要的贡献就是这些序列本身。一级数据库记录了实验结果，以及一些初步的解释。而更进一步分析工作的结论只能从二级数据库中查找到。一级数据库中的核苷酸序列记录是从直接实验得到的，这些记录是
12、对存在于某个实验室的试管中的生物分子测序的结果。它们不代表共有序列（虽然是多次读取同一克隆，或相同的基因来源），它们也不代表一些计算机生成的字符串。这在序列分析的解释中很重要，也意味着在大多数情况下一个给定的序列就是研究者所需要的全部。每一个这样的 DNA 或 RNA 序列都将被注释以描述对实验结果的分析，这一分析阐明了为什么这一序列会被这样确定。在 DNA 序列记录中的一种常见的注释是编码序列（CDS）。大多数蛋白质序列都不是直接由实验确定的，而是通过 DNA 序列得到的。这在实验、计算以及相似性比对工作中占有很大的比重。这并行于赋予一个产物名称，或者功能说明（通过对相似性比对的分析）。这一
13、方法很有效，但也有误导的可能。DNA，RNA 和蛋白质序列都是计算分析工作的对象，它们是一级数据库中有价值的成分。那些在 DNA 序列记录的基础上进行计算、分析或其他工作的研究者通常认为他们所处理的是原始信息。但是在很多情况下，氨基酸序列从某种程度上说是解释的结果，而并非是直接测序得到的。这样，在使用和说明由这些序列得到的结果时就需要格外小心。由 mRNA 序列数据推导出蛋白质序列通常并不难，但必须选择正确的启始编码子。对于原核生物或低等真核生物序列的注释通常相对简单，但研究者同样需要注意避免缺少注释或增加不必要的注释。（见第10 章以及 Cannon et al., 1997）。将序列标记为
14、 CDS 通常需要格外小心，因为这是蛋白质数据库全自动或半自动生成的开始步骤。格式与内容：计算机与人数据库被用来存放原始数据，以及一系列附加的注释。不同的检索工具和程序利用了这些信息中的不同部分。纵观各种格式，我们可以发现其中应用了一些共同的规则，以使得多种情况下在不同格式之间生成和交换数据成为可能。最便于人阅读的格式对计算机程序来讲很可能并非是最有效率的（例如 GenBank flatfile，见附录 2.1 和 2.2，这是一种人可以阅读的 ASN.1 版本）。这些记录还有二进代码版，更加紧凑，计算机处理也更快。但不幸的是，由于历史的原因，对一种固定格式的频繁使用使得引入另一种格式极为困难
15、，尽管新的格式可能更加富含信息，更加准确，易于复制和计算，易于抽取信息，易于使用。（但我们并未放弃尝试，见第 3、6 、14 章）。GBFF 的简单性，使我们都可以获得易用的工具，这也是 EMBL 和 GBFF 极大通用性的重要原因。作为最简单的格式，一个 DNA 序列可以表示为一个带有一些标记的核苷酸字符串。这里是一个以 FASTA（或 Pearson 格式）文件表示的核苷酸序列数据：L04459*或同样的，一个蛋白质记录：P31373*FASTA 格式广泛应用于许多分子生物学软件包之中。作为最简单的情况（正如上面所显示的），大于号（）表示一个新文件的开始。标记符上面第一个例子开始部分的 L
16、04459后面是大写或小写字母的 DNA 序列，通常 60 个字符一行（但这并非是标准规定）。如果需要的话，用户或数据库可以在这个简单格式的基础上增加复杂的结构化信息。例如，在不违反上面规定的前提下，可以在 FASTA 的说明行中加入更多的内容，使这个简单的格式包含更多的信息，就象下面这样：| *现在这个 FASTA 文件中包含了 gi 号码（见下面，以及第 6 章）、GenBank 检索号码、LOCUS 名称、以及 GenBank 记录中的 DEFINATION 字段。这个记录是从 ASN.1 记录生成的，（见附录 2.2），而 ASN.1 是 NCBI 用来存储和维护所有数据的格式。（在计
17、算机中这些数据保存为一行，如果打印出来，将比本书的页面宽出许多。所以，这里做了折行处理）。在分子生物学的历史上曾经使用过许多格式，其中有些格式现在还在使用，同时也有许多工具用来在这些格式之间转换数据。NCBI 的 asn2ff 程序可以将ASN.1 文件转换为多种 flatfile 文件格式，它可以生成GenBank、EMBL、GenPept、Swiss-Prot 以及 FASTA 格式的文件。这一程序包含在 NCBI 工具软件包之中（见第 6 章）。Don Gilbert 的 READSEQ（见本章末的互联网资源列表）是另一个广泛使用的工具，已包含在许多软件包中。在使用这些工具进行格式转换时
18、，用户应当注意，有些 GenBank 或 EMBL 格式下的特性将被丢失。READSEQ 只工作于序列自身，并不处理注释部分。那些只需要序列数据的程序（例如 BLAST，见第 7 章）最好使用 FASTA 格式的序列来进行查询。尽管 FASTA 格式的信息含量比其他格式少，但它提供了人和计算机都可理解的处理原始数据的简单方法。数据库正如上面提到的，所有在 EMBL 中出现的序列也都包含在 DDBJ 和 GenBank中，反之也如此。GenBank 每两个月发布一次新版本，并且每天都通过匿名FTP 提供递增式（以及非递增式）的更新。几个核苷酸数据库之间也每天以如同特性表文档（见下面）所描述的公共
19、数据格式交换新生成的以及更新过的数据记录。这一特性表是了几个核苷酸数据库进行注释的共同语言。同时，核苷酸序列数据库还发展了一套数据提交流程（见第 14 章），这是一系列关于数据记录内容和格式的指示。（见本章末的互联网资源列表）。核苷酸记录是主要的序列数据和生物信息来源。大多数蛋白质序列数据库中的序列是从核酸数据库的记录中推导出来的，这导致了两个重要的结果：1. 如果一个编码序列没有能在核酸记录中正确地标识出来，它就不会出现在蛋白质数据库中。查询蛋白质数据库是最有效的相似性检索方法（见第 7 章），这样，应当但却没有在被研究的 mRNA 或基因序列中标识的CDS 就有可能导致丢失重要蛋白质序列。
20、 2. 不幸的是，在核酸数据库特性表文档中特别应用于蛋白质序列的特性是十分有限的，正如本章末的列表所显示的那样。 剖析 GenBank FlatfileGenBank flatfile（GBFF）是 GenBank 数据库的基本信息单位，也是最广泛地用以表示生物序列的格式之一。在本书写作的时候，它也是从 GenBank 到DDBJ 和 EMBL 数据库，以及 EMBL、DDBJ 之间或向其他数据库交换数据时所采用的格式。DDBJ flatfile 格式与 GBFF 格式是相同的（见附录 2.1）。EMBL 格式则每行都带有前缀，以表明本行的信息类型（见附录 2.3）。注释部分（见下面）前缀为“
21、FT”，在内容上与其他数据库相同。所有这些格式实际上都是由更结构化的 ASN.1（见附录 2.2）生成的。但是主要由于历史的原因，许多用户（专家或非专家）在工作中使用 GBFF（或 EMBL flatfile 格式）GBFF 可以分成三个部分，头部包含关于整个记录的信息（描述符）。第二部分包含了注释这一记录的特性，第三部分是核苷酸序列自身。所有的核苷酸数据库记录（DDBJ/ EMBL/ GenBank）都在最后一行以 / 结尾。头部头部是记录中与数据库关联最大的部分。各个的数据库并不一定在这一部分包含相同的信息，而可能存在着微小的差别。但各数据库已作出努力以在彼此之间保证信息兼容。所有的 Ge
22、nBank flatfile 开始于 LOCUS 行：*这一行中的第一项是 LOCUS 名称。历史上曾用这个名称来表示本记录描述的基因座，提交者和数据库工作人员花费了无数的时间来设计这一名称。这一成分开始于一个英文字母，总长度不能超过 10 个字符。第二个字符以后可以是数字或字母，所有字符均要大写。LOCUS 名称在以前是最为有用的，那时大多数 DNA 序列记录只表示一个基因座，这样在 GenBank 中寻找一个可以用少数几个字母和数字来代表生物体的独特的名字是很容易的事。经典的例子包括HUMHBB：人 -珠蛋白基因座，或 SV40：猿猴病毒（拷贝之一，因为存在许多拷贝）。为了可用起见，LOC
23、US 名称在数据库中必须是独一的。因为几乎所有有意义的命名符都被使用过了，所以今天 LOCUS 名称已不再是一个有用的成分。但仍有许多软件包依赖于一个独一无二的 LOCUS 名称，所以数据库还不能将其彻底去掉。可行的办法是代之以一个独一无二的词，最简单的是用一个保证不会重复的检索号码，象例子中的 AF010325 那样，以满足对LOCUS 名称的要求。*下一项是序列长度，从 1 到 350,000bp。在实践中 GenBank 和其他数据库很少接受 50bp 以下的记录。所以一般不鼓励将 PCR 引物（24bp）作为序列提交给数据库。350kb 限制是一个经验值，各个数据库用不同的方法提供更长
24、的重叠群（见第 6、12 章以及附录 2.4）。*LOCUS 行中的下一项表明生物分子的类型。“分子类型”通常是 DNA 或RNA，但也有少量其他类型出现，它们也都表明单链或双链（ss 或 ds）。这些属性现在已经很少使用了，这也是另一个历史遗留物。这些包括类型：DNA、RNA 、tRNA 、rRNA 、mRNA 和 uRNA，以表明生物分子的最初来源。例如，cDNA 测序实际上代表了一个 mRNA，而 mRNA 才是这个序列真正的分子类型。如果 tRNA 或 rRNA 是直接或以 cDNA 为中介测序的，那么 tRNA 或rRNA 就是分子类型。如果序列是通过聚合酶链反应（PCR）从基因组数
25、据中得到的，那么 DNA 是分子类型，尽管这一序列实际上编码结构 RNA。*下一项是 GenBank 分类码，由三个字母组成，这或者具有物种分类意义，或者出于其他分类目的。这一代码的存在也是由于历史的原因，可以追溯到GenBank 为了保持可管理的文件大小而将整个数据库按物种分类分割为几个文件的时候。GenBank 的分类与 EMBL 以及 DDBJ 略有不同，这在其他文献中有介绍（Ouellette and Boguski, 1997）。在历史上这种分类是非常随意的，现在已不再象历史上那样起到重要的作用，因为物种分类信息已经表现在了“生物体”行以及“来源”特性中。这比仅用三个字母作为分类码要
26、清晰明确得多。NCBI 近几年来没有再采用更多的基于生物体的分类，但有些新的基于功能的分类却显得越来越重要，因为它们代表了功能方面可定义的差别（Ouellette and Boguski, 1997）。已表达序列标记（EST）分类在 1993 年被采用，其后很快又增加了序列标记位点（STS）类。还有基因组综述序列（GSS ）和未完成的高通量基因组序列（HTG）都代表了按功能划分的一类数据，这些都要求用户以及数据库工作人员用不同的方法来处理。例如，用户可以在这些数据集中检索（例如通过 FLASTN 在 EST 或 HTG 分类中查找），并对命中的记录做进一步分析解释。这时，所有数据库均以相同的方
27、式来说明功能性分类，并且在任一数据库中所有的数据集都会出现在同一分类中。CON 类是一个正在计划被使用的新的实验性分类，将用来表征通过重叠群构造的片段或大的整合序列。这样就很有可能超出现在对单一记录的 350kb 限制。这样的记录可能以如同附录 2.4 的形式出现，这个 CON 类记录给出了大肠杆菌的全基因组序列，长度在 4.6mb 以上。这个记录没有包含序列或注释，但包含了如何将存在于其他分类中的片段拼接成完整序列的指示。这一实验性分类中的记录将带有检索号和版本号，并且同其他记录一样，在几个合作者之间交换。所有被切分的数据也将出现在这一分类中。*LOCUS 行中的日期是数据最后被公开的日期。
28、在许多情况下，也是第一次被公开的日期。记录中包含的另一个日期是序列提交给数据库的日期（见下面）。必须注意的是，这两个日期并没有法律保证，数据库并未声明这两个日期是正确的。所以它们只供用户参考，并不能作为仲裁的判据。就作者的经验，它们也从未被用以作为优先权声明或专利权请求的依据。*DEFINITION 行（也称为“DEF”行）在 GenBank 记录中用以总结记录的生物意义。这一行将出现在 NCBI 的 FASTA 文件中，这样任何人进行 BLAST 相似性搜索时都会看到这些信息。生成这一行时要非常小心，因为许多记录生成工作可以部分地自动进行。所以数据库工作人员要检查这一行以保证信息的一致性和有
29、效性。但是，用一行文字来说明生物背景并不总是可行的，对此不同的数据库采用了各自的解决方法。其中有一些共识，并且每个数据库也都了解其他数据库的解决方法，并尽力与之一致。下面是 DEFINITION 行结构标准的一个小结。对于 mRNA，可以象这样：属 种 产物名称 （基因符号） mRNA complete cds或者对于基因组记录：属 种 产物名称 （基因符号） gene complete cds当然，各个数据库采用的解决方法也考虑到了其他类型的记录。下列这些规则应用于细胞器序列，以保证用户及数据库工作人员明了 DNA 的来源和生物背景（假定提交者是明了的）：DEFINITION 属 种 蛋白质
30、 X（xxx） gene， （下列选一）complete cds., 编码线粒体蛋白质的核基因, 编码叶绿体蛋白质的核基因, 编码线粒体蛋白质的线粒体基因, 编码叶绿体蛋白质的叶绿体基因或者DEFINITION 属 种 XXS 核糖体 RNA gene， （下列选一）complete sequence., 编码线粒体 RNA 的线粒体基因, 编码叶绿体 RNA 的叶绿体基因基于一项合作数据库之间最近达成的协议，将在 DEFINITION 行中给出属和种的全名，而不再使用通用名（如 human）或属名缩写（如 H.sapiens）。数据库中在此协议之前生成的记录将最终按此协议进行更新。只有一个生
31、物在这个协议之外，那就是人免疫缺陷病毒将在 DEFINITION 行中表示为 HIV1 和HIV2。*检索号在记录的第三行，是从数据库中检索一个记录的主要关键词（见第 6 章）。这个号码将在参考文献中被引用，并始终和序列在一起。就是说，当序列被更新（例如更正一个核苷酸）时，这个号码不会改变。检索号码采取下列两种方式之一：1+5 或 2+6 格式。 1+5 格式是指 1 个大写字母后跟 5 位数字；2+6格式是指 2 个大写字母后跟 6 位数字。绝大多数新近加入数据库的记录采取后一种方式。所有的 GenBank 记录都只有一个单独的 ACCESSION 行，行中可能有多个检索号码，但绝大多数情况
32、只有一个检索号。这通常称为主检索号码，其余的是二级检索号码。*不幸的是，在以前二级检索号码还有一些不同的含义，但定义方式并不统一。二级检索号码可能与主检索号码相关，或者主检索号码只是已经取消的二级检索号码的替代品。合作数据库正在努力使后者成为任何情况下的缺省方式。但因为二级检索号码已经使用了 15 年以上（在此期间 GenBank 的管理方式也经过了多次调整），能阐述所有情况的全部数据已无从得到。*NID 行是了核苷酸序列的 gi 号码（geninfo identifier）（见第 6 章）。前缀字母（d，e 或 g）表明是哪一个数据库生成了这个号码，或这一号码用于哪个数据库。因为 NCBI
33、首先使用了这个号码，所以 DDBJ 和 EMBL 用NCBI（GenBank）指定的号码来填充他们的数据库。简单地说，一个 gi 号码对应于一个核酸序列（蛋白质序列也有 gi 号码，见下面以及第 6 章）。当序列改变时，gi 号码也改变，但检索号码不变。在本书出版时，将出现第三种标识符。合作数据库已同意将版本号加在不同版本的序列上（就象 NID 或 gi）。格式是：检索号.版本号。例如：*这表明序列第 1 版，检索号为 AF010325，gi 号为 2245686。在本书写作时，还没有确定这个标识符应放在哪一行中，但肯定会在 ACCESSION 和 NID 行之后。很可能就选择在 VERSIO
34、N 行（正如上面那样）。相关信息请参考最新的 GenBank release note。这个标识符中的版本号码将随每次序列改变而加1，gi 的更改也是如此（但不是每次加 1，而是改变到下一个可能的整数）。这个标识符格式的检索号码将承担现在由检索号/gi 号（在 NID 行）所承担的任务，它最终取代 GBFF 的 NID 行将一点也不令人奇怪。Accession 行在可预见的将来不会被取消，因为它还有历史价值，也因为还存在一些由于历史原因而保留的二级号码。*KEYWORDS 是另一个有趣的历史遗留物，并且不幸地在很多情况下被误用了。给一个记录加上关键词通常并不十分有效，因为在过去的年月中有许多作
35、者选用了不在受控词表中的词，并且在整个数据库中用法也不一致。因此，NCBI不鼓励使用关键词，但在查询时加入关键词是可以的，特别是那些没有在其它记录中出现的过词，或以一种受控的方式来使用的词（例如：对于EST， STS， GSS，HTG 记录）。这时，拒绝加入关键词只是 NCBI/GenBank的策略。*SOURCE 行中有生物的通用名或科学名称。有些情况下也有其它来源的信息（见下面）。现在正在一致努力以保证来源特性中包含所有必须的信息（不同于现在的 SOURCE 行），并且所有关于分类的信息（SOURCE 行和ORGANISMS 行）可以从来源特性以及 NCBI 分类服务器中获得。对于系统族或
36、关于分类的其它方面感兴趣的读者可以访问 NCBI 的分类主页（见章末列表）。这一分类被所有核苷酸序列数据库以及蛋白质数据库 Swiss-Prot 所采用。*每个 GenBank 记录至少要有一篇参考文献。许多情况下有两篇，就象附录 2.1那样。前面这个例子是一篇未发表的论文（应该是“已投”），如果将来文章发表的话则将代替于此。参考文献提供了科学证据以及一个背景来解释这个特定的序列为何会这样确定。当参考文献发表时，通常会有一个 MEDLINE 标识符，正如下面例子中一样，提供了指向 MEDLINE/PubMed 数据库的链接。*在 1998 年末，又加入了一个新的行，以及其标识符 PUBMED，
37、允许指向PubMed 数据库以及发表者在线全文电子版的链接。*最后一次引用通常出现于许多 GenBank 的记录中，为那些将要围绕这一序列开展工作的研究者提供科学依据。这其中通常包括第一作者完成此项工作的主要实验室，或作者的通讯地址。日期是记录被提交给数据库的日期，而不是这些数据第一次公开发表的日期，那将在 LOCUS 行中出现（见上面），如果这一记录没有被更新过的话。GBFF 头部的最后一部分是评论。这一部分包括关于整个记录的许多不同的注释和评论（也称之为“描述部分”）。基因中心喜欢在这一部分中加入自己的内容，以及致谢等。有许多 GenBank 记录没有这一部分，这是可选的。这里也可以包括电
38、子邮件地址和 URL，但在实践中 NCBI 并不鼓励这样（虽然象上面提到的一样有些基因组测序中心已经这样作了），对此简单的解释是电子邮件地址通常比建筑物的地址更容易被轻易更换。但 DDBJ 几年前就已经将电子邮件地址包含在了记录之中，这又一次体现了政策考虑上的微妙差别。特性表GBFF 记录的中间部分，也是最重要的一部分，就是注释，它直接表达了记录的生物背景知识。也许有人争辩说生物背景在记录所引用的参考文献中有最好的表现，但不论怎样，记录中的一整套注释有助于快速地抽取相关生物信息，并允许提交者指出这一记录当时为什么会被提交到这个数据库中（见第 14 章）。这里对于注释的选择就十分关键了。特性表文
39、档（见第 14 章）详细描述了合法的特性（允许使用的注释），以及这些特性的允许限制词。不幸的是，这里经常有一些非法的，推测性的或由计算得出的注释。如果一个注释是仅由计算得到的，它作为记录说明的可用性就大打折扣了。一般考虑这一节描述 GenBank 中的一些关键特性，讲述他们的重要性以及包含的信息。由于第 14 章包含了关于这一部分的大量最新的 GBFF 文档，所以这里的讨论只限于生物背景，以及关于这一部分由 NCBI 工作人员给出的指导性意见。这些材料将引导读者深入了解数据模型（第 6 章）以及 GBFF 在序列分析中的重要地位，并且也作为对特性定义以及 GenBank 语言中限定语的介绍。这
40、里的特性与其它在第 6 章以及第 14 章中讨论的特性略有不同。在 GBFF 记录中，GBFF 的每项注释都称之为一个“特性”。而在 NCBI 数据模型中，特性指对于部分序列的注释，但关于整个序列的注释通常称为“描述符”。这样在GenBank 词汇表中，从数据模型的角度看来源实际上是一个描述符（BioSource ，指整个序列），而不象在其它地方那样是一个特性。但因为本章是关于 GenBank 数据库的，所以我们采用了前一种定义。读者应该清楚其中的微妙差别，特别是在读本书的其他部分时。来源来源（source ）是唯一一个必须在所有 GenBank 记录中出现的特性。所有的特性都有一系列合法的限
41、定词，有些是强制性的（例如来源中的/organism（生物体）。所有的 DNA 序列记录都有出处，即使是合成序列这样极端的特例也一样。大多数情况下一个记录只能有一个来源特性，并带有/organism 限定词。这里是附录 2.1 中的例子：*限定词 organism 包含属和种的科学名称，有些情况下还可以在亚种水平描述。对于来源，一系列限定词将包括了关于 BioSource 的所有材料，这可能包括图谱、染色体或组织、克隆标识以及其它库信息。在来源以及其它所有 GenBank记录的特性中，作者都必须要注意避免加入冗余的信息。对于读者来说，对一切不能由计算证实的东西都必须抱一点怀疑态度。组织来源以及
42、文库也只有和相关的发表文献对照才比较可靠（如果有文献的话），并且只有在这种情况下这类信息才在 GenBank 的所有记录中一致地使用。在以系统化的方式使用限定词的一批记录中，正象许多大的 EST 集一样，分类可以被证实（就是说，这一生物确实存在于 NCBI 维护的关于所有生物的数据库中）。此外如果限定词还在所有记录中一致地使用，对于研究者将是十分有益的。但不幸的是，许多限定词在数据库中的使用缺乏充分的一致性，这就使得它们实际上没有很大的价值。隐含于 BioSource 以及生物体中的是 DNA 或 RNA 使用的基因编码，这将被用以将核苷酸翻译为蛋白质序列（如果记录中存在的话）。这一信息包含在
43、 CDS中。CDS正如在第六章中详细介绍的，CDS 指示读者如何将两个序列连接在一起，或如何根据核苷酸序列以及基因编码得到氨基酸序列。GBFF 以 DNA 为核心，通过DNA 序列坐标系统映射所有特性，而不是从氨基酸的角度。正如下面GenBank Y11895 的例子所显示的（这个例子来自一个提交到 EMBL 的记录）。*在分析这些数据时，我们必须从 DNA 坐标推导出氨基酸位置，并且我们对于所编码蛋白质的了解也将仅限于从对 DNA 特性的描述中获得。这一限制可被Sequin 克服（见第 14 章）。这一例子也显示了数据库交叉索引（db_xref）的使用。这一受控限制词允许数据库将另一个外部数
44、据库的序列（第一个标识符）与一个在本数据库中使用的标识符交叉索引。允许 db_xref 的数据库都是合作数据库所维护的（见章末列表）。正如上面提到的，以及将在第六章中讨论的，NCBI 给每个记录赋予一个gi（geninfo）标识符。这意味着翻译产物蛋白质序列（不是简单附属于 DNA记录，如同在 GenBank 记录中显示的），也有自己的 gi 号码。一个特定的标识符当且仅当序列更改时才更改。蛋白质 gi 号码现在作为 PID db_xref 或蛋白质标识符出现。下面这个例子显示了两种情况：/db_xref = “PID:e322087”/db_xref = “PID:g2415691”前缀 e
45、 和 g 表示 EMBL 及 GenBank。g前缀后面的整数是 NCBI 赋予的gi（这里的 gi 没有字母，只有 PID 值）。这里可以有两个 PID，因为每个数据库各自维护其标识符。在 GenBank 中，只有 EMBL 生成的记录有两个 PID，其中一个带有e 前缀，另一个带有 g前缀。这一混乱将很快结束，因为1998 年后 gi 号码的使用将被简化。对于核苷酸序列，还将有一个序列标识符，带有版本号成分，以及一个固定的序列标识符（或检索号）。*在过渡时期，所有的序列标识符需要同时存在，但 PID 将最终被取消。Protein_id（或核苷酸序列数据库生成的蛋白质检索号）将由 3 个字母
46、加 5 位数字构成，后跟一个句号和另一个整数，显示这个蛋白质序列的版本。当序列更新时，这一数字也将增加，就象 gi 那样。这样如果旧版本存在的话用户将可以简单地通过版本号来查找以前版本的记录。氨基酸序列是核苷酸序列数据库最重要的副产品之一，所以已经有大量的努力来保证其正确性（如果对 GenBank记录进行翻译，必须找到正确的相位，以指导对给定序列的翻译）。这些序列提供了蛋白质数据库的原始材料，也提供了最有效的发现新基因的方法（见第7 章）。当注释可以被证实时，它们就有附加值，所以正确的标识符是十分重要的。产物名称或蛋白质名称有可能是主观的，并且经常是通过与其它未充分注释的序列的微弱相似性而赋予
47、的，而且它们本身也常常没有被充分注释。所以用户必须意识到信息缺乏的恶性循环。当一个记录描述了一个单独基因或全长 mRNA 序列，并伴有已发表的文章时，往往可以由此获得充分的信息。这样的记录通常是一个研究组的工作成果，这个组对基因的细节已进行了一定的研究。幸运的是，已有许多这类记录在数据库中，构成了研究者应用这些数据的知识基础。基因最近才加入的基因特性实际上自数据库开始时就已经隐含地使用了，它以前经常作为一个基因限定词出现在一些其它特性中。将其作为一个单独的特性来显式地使用，极大地便利了根据这一特性来注释的其它数据成分的生成和确定过程。这个新特性也统一了生物学家对 GenBank 记录中基因特性
48、的不同定义和使用方法。虽然很明显不会所有的生物学家都同意关于基因的一个统一定义，但作为最简单的说明，基因代表了 DNA 的一个可以用一个名字标识的片段（例如附录 2.1的例子中的 CHIP 基因），或经常在基因组测序计划中使用的数字（例如GenBank 检索号 U95973 中的 T19D16.1）。基因特性允许用户看到感兴趣的基因片段，并在某些情况下作出选择。RNA不同的结构 RNA 可以用来注释基因组序列中的 RNA（例如mRNA、rRNA、tRNA）。虽然目前这些还没有象蛋白质序列那样分成单独的记录，但这些序列（尤其是 mRNA）对我们对于基因组高级构成的理解是十分重要的。RNA 有特别的意义，因为它们是可以在实验室中被观测的生物对象。因此，它们是有关基因组的极有价值的信息片段，并且经常是它们自身的mRNA 记录。这与启动子不同，启动子没有什么特征，不均匀地分布在大量记录中，很难从生物角度定义，并且实际上对于 GenBank 记录没有什么用处。基因组记录中的 RNA 特性代表了一个生物分子存在的实验依据。小结DDBJ/EMBL/GenBank 数据库是最常用的核苷酸及蛋
