1、第六章 NCBI 数据模型前言 数据模型什么是数据模型生物学家大都熟悉用动物模型来研究人体疾病。尽管人体疾病有可能在动物中找不到完全相同的形式，但某种动物疾病和人体疾病有相当多的类似性质使我们可以从动物疾病中获得的数据来推断人体的疾病过程。通过将肌肉想象成弹簧和水压活塞的组合，将骨骼想象成杠杆臂，可以得到描述肌肉骨骼运动的数学模型。这样的模型可以对更多复杂的生物系统进行有意义的预测和检验。显然，如果模型与描述的实际现象可以更加接近或精致，则它对所模拟的自然现象的预测和理解就更有意义。八年前，NCBI 介绍了一种新的序列相关信息模型。这种新模型使基于 Entrez系统的完整数据库 GenBank
2、 的建立以及相应的软件得到快速的发展。该模型具有如下优点：它能轻而易举的从已公布的说明的 DNA 序列映射到编码蛋白，到基因的染色体设计，到三维蛋白质的结构（见第 5 章）。该模型的优点对生物学家使用 Entrez 有很大的帮助。但是很少有生物学家了解该模型的基础。当基因信息变得越来越丰富，越来越复杂的情况下，出现了很多符合 GenBank 数据，且模型本身更好理解的实际数据模型。这一章不深入讨论细节，只介绍一些实用的索引及 NCBI 模型所起的作用。模型的一些例子GenBank 数据是以 DNA 为中心角度的数据报告（见第 2 章），也就是以 CDS 特征为代表的一段编码蛋白质的 DNA 序
3、列。限定符/translation=“MLLYY“描述了将 CDS 特征翻译成的氨基酸顺序。其它的 DNA 特征（例如 mat-肽）有时被GenBank 数据应用来描述未命名蛋白质（部分由/translation 描述）的切分产物，但这不是一种令人满意的解决方法。相反，大多数蛋白质序列数据库以蛋白质为中心角度，这样可能完全失掉其与编码基因之间的联系，或者只是间接的用序列号表示其联系（这并不提供准确的对基因突变分析有重要作用的密码子-氨基酸对应关系）。NCBI 数据模型直接构造了包含 DNA 和蛋白质序列的模型。翻译的过程是由两种序列间的关系决定而不是由一种对另一种的解释确定。和蛋白质相关的注解
4、（例如肽切分产物）是由蛋白质序列特征直接注释。这样，用 BLAST 或其他序列搜索工具去分析由 CDS 特征得到蛋白质序列就变容易了，尽管返回基因时可能会丢失精确的中间联系。一组 DNA 序列和由它翻译的蛋白质被称为核酸蛋白质组，它是 NCBI 为使用这些数据的中间数据。GenBank 数据格式只是人类可读的一种特殊数据形式。它失去了有联系的序列集合，而倒退回比较熟悉的那种序列（以 DNA 为中心的视角）。Entrez 的目标是更直接的反映数据的低层结构。由 BLAST 实现的从 GenBank 到蛋白质序列的翻译实际上是从蛋白质核酸组得到蛋白质序列。Part A:LOCUS RNKOR1 1
5、757bp DNA ROD 25-MA-1995DEFINITION Rattus norvegicus kappa opioid receptor gene, exon 1 and 2.ACCESSION U17993NID g727256KEYWORDS .SEGMENT 1 of 3LOCUS RNKOR2 658bp DNA ROD 25-MA-1995DEFINITION Rattus norvegicus kappa opioid receptor gene, exon 3.ACCESSION U17994NID g727257KEYWORDS .SEGMENT 2 of 3LOC
6、US RNKOR3 4048bp DNA ROD 25-MA-1995DEFINITION Rattus norvegicus kappa opioid receptor gene, exon 4 and complete cds.ACCESSION U17995NID g727258KEYWORDS .SEGMENT 3 of 3Part B:LOCUS RNKOR 6463bp DNA ROD 25-MA-1995DEFINITION Rattus norvegicus kappa opioid receptor gene.ACCESSION ZZ123456NID g2182225KEY
7、WORDS .SOURCE Norway rat.ORGANISM Rattus norvegicusEukauyotae; mitochondrial eukaryotes; Metazoa; Chordata;Vertebrata; Eutheria; Rodentia; Sciurognathi; Myomorpha; Muridae;Murinae; Rattus.REFERENCE 1 (base 1 to 1757)AUTHORS Yakovlev, A.G., Krueger, K.E. and Faden,A.I.TITLE Structure and expression o
8、f a rat kappa opioid receptor geneJOURNAL J. Biol. Chem.270, 641-6424(1995)MEDLINE 95204422PUBMED 7896774REFERENCE 2 (bases 1 to 1757)AUTHORS Yakovlev,A.G.TITLE Direct SubmissionJOURNAL Submitted(02-DEC_1994) Alexander G. Yakovlev, GeorgetownUniversity School of Medicine, Neurology, 3900 Reservoir R
9、d.,Washington, DC 20007, USAFEATURES Location/QualifiersSource 11757/organism=”Rattus norvegicus”/strain=”Sprague-Dawley”/sex=”maile”CONTIG join(U17993:11757,gap(200),U17994:1658,gap(),U17995:14048)图 6.1 A：从 GenBank 中一条记录的部分。GenBank 格式仅仅指出了记录是有顺序的序列的一部分；它不提供关于其他部分是什么或它们之间如何联系的。完整的该记录见 http:/www.ncbi
10、.nlm.nih.gov/htbin-post/Entrez/query?uid=2182225&form=6&db=n&Dopt=gB：新的 CON 中片段代表，新的 GenBank 格式的延续，容许片段记录之间建立联系，CONTIG 行可以包含单个序列，已知长度的间隔，未知长度的间隔。尽管这种格式中没有特征及序列，但每个组成成分仍以传统格式表达。GenBank 格式也隐藏了一些 DNA 序列的多序列性。例如一般意义上，一个基因的三个外显子是有顺序的，或是被侧面的非编码区或 DNA 内含子密集包围着，而内含子的整个长度是没有被测序的。这时候在 GenBank 的数据中会有三条记录，每一个对应
11、一个外显子。没有一个特征能清楚地代表该编码区完整的序列顺序（三个外显子是有一定的顺序并被一定长度的未翻译的 DNA 序列隔断）。在 GenBank 格式中，这时会有 SEGMENT 行指出第一个记录是 SEGMENT 1 of 3、第二个记录是 SEGMENT 2 of 3、第三个记录是 SEGMENT 3 of 3，但这仅告诉使用者这是一些没有确定顺序的片段（图 6.1A）。从整个 GenBank 角度来看，使用一种被称为 LOCUS 的算法将无序片段正确定位，组合在一起的片段使用相同的起始字母，以不同的数字结尾，例如 RNKOR1，RNKOR2，RNKOR3。显然当LOCUS 名字中包含其
12、它与该序列不相关的干扰时，这种复杂的安排会遇到问题。况且还没有一个序列记录包含了全部的片段，也没有任何方法可以描述片段之间的距离。因为在 EMBI 序列数据库中根本没有分割片段的信息，所以任何从这种形式派生出来的记录都缺乏一些基本的信息。NCBI 数据模型定义了一种直接代表片段的格式，被成为“片段序列”。其包含的元素不是 A，G，C，T，而是由怎样从其它序列构造的方法组成。所以以上面的例子为例，片段序列将包含：RNKOR1-200bp 间隔-RNKOR2-未知长度的间隔-RNKOR3。该片段序列和其他记录一样有自己的名称（RNKOR）、序列号、特征、位点和注解。通常我们将这种形式的存储方式称为
13、包含RNKOR1、RNKOR2、RNKOR3、所有中间联系和特征的序列 RNKOR 片段集。当GenBank 以核酸-蛋白质组形式发行时，片段集被分成多条记录，片段集就消失了。然而从 Entrez 图的视角看片段集，片段集象一条线将它的组分连接在一起。DDBJ/EMBL/GenBank 最近同意了一种方法用于代表构造结构，它将被放在新的CON 分割中（图 6.1B）。不同于 GenBank 格式，NCBI 片段序列不要求片段间有间隙，事实上片段可以重叠。这使得片段序列适合用于代表诸如细菌基因的长序列，这恰恰就是 Entrez基因分离细菌基因和其它诸如酵母等全染色体基因中所做的。NCBI 软件工
14、具包（Ostell，1996：见本章末尾的内部资源）包含了搜集数据的功能，包括序列和特征，自动将小的个体片段重新映射到全染色体上。这为图象视角、GenBank结构视角、FASTA 视角或对离散数据进行全染色体分析提供了可能。这种根据命令在大范围区域内组装片段的能力已经在细菌基因中有所应用。在越来越大的区域进行拼接或者许多不同组拼接时组装命令将越来越重要，而且这种基于大规模单片段基础上处理的思想是完全不现实的。ASN.1 处理方法NCBI 数据模型经常被提到或和“NCBI ASN.1”或“ASN.1 数据模型”混淆。Abstract Syntax Notation 1（ASN.1）是国际标准组织
15、（ISO）的标准之一，是为描述结构数据和保障允许各计算机和各种软件之间交换结构和内容可靠翻译数据。说一个数据模型是用 ASN.1 写的就象一个计算机程序是用 C 或FORTRAN 写的，指明了语言而不是指程序本身。从特殊的以 DNA 为中心的视角来看，熟悉的 GenBank 格式实际是的给人读的，而 ASN.1 是为计算机读的，并且有复杂的数据关系的描述。从这个简单的形式看，我们创造了一系列的人可读的格式如 Entrez，GenBank 和 BLAST 数据库。没有这些一般意义上的格式的存在，Entrez（见第 5 章）中相邻或连接关系的存在是不可能的。这一章是关于 NCBI 数据的结构和内容
16、以及它作为生物药学数据库和工具的作用。关于这个任务和格式的 ASN.1 选择参见 Ostell，1995。定义方式我们已经对 NCBI 数据模型所定义的序列举了几个例子，可以看出 NCBI 数据类型相比 GenBank 更加丰富、描述更加清晰。该模型的重点是它的细节问题，我们在下面将它进行展开。在这里我们简单地介绍一下该模型大致的理论和基本原理。将数据输入计算机的目的有两个：重现和发现。重现是基本的能够找回它原来的本身。尽管这很重要，但如果能比找回本身得到更多的信息，也就是说能从信息中得到发现，这当然是更有价值的。从识别数据库中完全不相关的两条数据中发现它们之间的关系，或者对数据进行新角度的分
17、析计算，科学家能从中得到发现。强调 NCBI 数据模型就是为了促进这种发现，从而定义了能描述信息间的联系和适合计算的数据模型。对这种模型的第二个考虑是稳定性。NCBI 是美国国家机构而不是由个人赞助的，因此成员对支持生物信息的努力有长远的考虑。NCBI 提供了大规模的能支持科学研究几十年的信息系统。就所有关于生物药学方面的人士所知，在近几十年内，可能会有许多概念性和技术上的革命，所以 NCBI 必须适应这些新的观点，适应对软件和数据新的要求。所以我们尽量选用基本观察或数据点的主要数据元素，不考虑解释的核心和这些元素的命名（这些都很可能会发生变化）。综合考虑上述原因，NCBI 有四个核心元素：文
18、献出处，DNA 序列，蛋白质序列和三维结构。另外两个项目（分类和基因图）更具解释性，但是不管怎样，它们和组织和联系方面一样重要所以 NCBI 在这个领域内建立了一个相当大的基础。出版物出版物是科学研究的核心。科学信息从这里进行检查、评价、传播和永久的记录。出版物可以说是活的连接实际中不同结构或内容域的数据库的桥梁（例如某序列数据库中的一条记录和基因库中的某条记录可能出自同一篇文章）。它们被当作联系实际数据库的无价之宝（“我读了关于这条记录的文章，现在我想看看这个数据”）。出版物也是功能的基本注释和实际数据库的上下文，也许是最好的注释。原因之一是实际数据库有能有效使用该数据库的结构，但缺乏足够的
19、代表性能继续进行完整的生物的、实验的或某记录的历史上下文。另一方面，发表的文章仅仅受语言的限制，比实际数据库中的记录更包含了更完整和详细的描述信息。根据发表文章的内容，作者被科学同僚评价，而不是根据数据库中的记录。即使由于要追求更好的目的，科学家在继续工作，即使关于它们的知识在增长而数据库保持静态的。很少有繁忙的科学家会有兴趣去学习数据库系统，并能保持个人记录能及时更新。NCBI 有一系列进行中的项目能保证 GenBank 记录的高可靠性，提供便利和强大的记录更新工具，以及与科学家日常工作习惯相应的有用数据。不管怎样，与出版物保持可靠的联系能保证及时对数据库记录进行最丰富的注解。一般来说，实际
20、的数据库并没有对引用的形式和内容进行详细的分析，因此不同数据库之间，引用的质量、格式和内容等有很大的出入。我们认识到和出版物相互联系的重要性，认识到科学知识相对文献的动态性以及 NCBI 的优势（因为 NCBI 是国际健康组织的国际医药图书馆的一部分），我们认为仔细和完整的工作是一项有意义的工作，尽管很多专业人士告诫说这是一项艰巨的任务。以下是一些数据库的说明，可供对 NCBI 有兴趣的科学家和使用者参考，完整的说明需要另外一章。作者在不同的数据库中作者的姓名是有不同的格式的：只有姓、姓和首字母、姓-逗号-首字母、姓/名，名首字母和全称姓的作者、带有和不带有称谓（如 Ph.D）或尾缀（Jr.，
21、III）。一些文献数据库（如 MEDLINE）可能仅用一个固定的数字代表作者。尽管这只是不便于读者阅读，但这对数据库系统产生了严重的问题，就象 Entrez 那样，只能提供按作者姓搜索的简单功能。由于这个原因，该说明提供了两种可选择的作者姓名代表格式，一个是简单的字符串形式，另一个是包含姓、名和其它等的结构域。当数据直接被送到 NCBI 或作者姓名有固定格式的其它数据库（如 MEDLINE）时使用结构形式。当该形式不能破译是则仍然被看成为字符串形式，但这时复现受到限制，但至少还是能用其他的方法复现出一些数据的。即使是结构形式的作者姓名也必须支持多样性，这是因为一些文献只给首字母，而另一些只给名
22、和中间名。这时要强调两点：第一点，NCBI 数据格式是为了适合于我们直接阅读以及能和现存数据相一致；第二点，在一个特殊的资源被转化时软件开发者必须了解该格式的意义。一般说来，NCBI 尽量使数据形式满足统一格式，但可能也会使其它的性能下降。作者的社会关系（如作者的工作地点等）就更加复杂了。至于作者姓名对于支持结构形式和字符串形式也还有一些问题。然而，即使对那些有统一格式作者姓名的文献来源，也不能将社会关系分解成结构形式。而且，也有很多作者是属于相同的机构或一个作者参与了几个机构。NCBI 数据模型支持以上情况。尽管在写本文时，MEDLINE 或 GenBank 只支持前一种格式，而两种格式都出
23、现在出版物上。文章最常见的生物科学的文献标题是期刊文献，所以对于生物数据库的引用格式缺省为期刊文献。然而，文章也可能出现在书、手稿以及电子期刊上，数据模型应该能引用书、期刊或手稿。文章出处占有一个域，其它域用于存储其它的能唯一确定其在书、期刊或手稿中的有用信息，如文章的作者（对应与书的作者或编辑者）、文章的标题、页码等等。那些能辨识文章出处的域以及对数据库使用者有用的能识别相同文章的域是完全不同的。NCBI 出处比对服务（见本章末）使用出处域来区分定位文献的出处，这个比对过程包含能同时配合相同的期刊名、年份、文章的首页以及文章作者的姓。其他的信息（例如文章标题、页数、全部页数、作者名单）仅用于
24、观看而对输入来源不起作用。作为出处的数据模型要容许最小信息集能作用，和MEDLINE 比对后，被从 MEDLINE 中得到的完整的域所替代，从而满足科学研究精确的需要。专利权随着专利的出现，我们需要将专利而不是文章当作文献条目进行引用。NCBI 支持由美国专利局合作的完整的专利引用顺序。实际上，专利说明书倾向于限制科学的作用，理由如下：专利是合法的文献而不是科学的文献，它的目的是支持专利的声明和存在，而不是完全描述生物的过程。这是为在律师办公室的情况，不是为做研究的科学家。所以存在的说明书只是解释专利中的一些方面，而不是文章的核心。只要不是基因的专利，组织信息、生物特征位点等等根本不可能出现。
25、不管怎样大多数出现在专利说明书中的序列也以一些更有用的格式（对科学家）出现在公共数据库中。从 NCBI 的观点，GenBank 列出专利说明中的序列的目的是能复现序列本身（通过相似性比较），用以定位和某序列相关的专利。这种情况下要实现合法的确定，我们必须检查专利的全文。要评价生物序列，人们必须定位专利中没有包含的信息。这里的联系是序列和专利号之间的联系。其它在专利定位中使用的域是诸如专利名称和发明者的姓名等。引用电子数据和 GenBank 类似，这是一类相对新的包含了数据提交数据库的方法的方案，这也是一种形式但又和一般期刊不完全相同的出版物。在一般情况下，文章的出版需要经过相当长的时间，而且从
26、来没有数据库的积累会赶在发表之前，因此数据的积累会有一定的间隔。提交的数据由于是一种形式的出版物可能包含了在本记录中工作过的科学家的姓名，这和真正出版物列出的名单可能不一致。大多数情况下提交数据给数据库的科学家是提交数据的作者，但也不完全是，特别是大序列中心。最终 NCBI 提出了也引用修改的记录，在记录的修改栏里做简单的注释，注释记录的变化，所有的提交数据都在记录中保存留下编辑的历史记录。MEDLINE 和 PubMed UIDs一旦文章的出处和 MEDLINE 中的匹配，最简单和最可靠的方法去找到该篇文章的方法是 MEDLINE 唯一辨识器（MUID），这是一个简单的整数。NCBI 提供了
27、许多服务去使用 MUID 来恢复出处和从 MUID 获得摘要、将数据和文章联系起来或者提供 WWW 的网上连接。最近根据和 MEDLINE 以及许多出版者的协定，NCBI 提出了 PubMed。和直接由出版者提供类似，PubMed 包含了所有的 MEDLINE，而且 PubMed 还包含了最近出版的文章，还包括了一些由于它们的主题原因将永远不能在 MEDLINE 中出现的文章。这时，NCBI 提出了一种新的文章辨识器叫 PubMed 辨识器（PMID）。出现在 MEDLINE 中的文章将同时有 PMID 和 MUID。只出现在 PubMed 中的文章则只有PMID。PMID 和 MUID 提供
28、了相同的目的是提供一种简单可靠的和出处的连接或一种方法建立网上热连接。NCBI 现在正将所有的服务转向使用 PMID。NCBI 数据模型存储了大部分的出处，即所谓的出版等价物，是由一系列的出处等价物组成，包括可靠的辨识器（PMID 或 MUID）和出处本身。出处格式的存在使得不用从数据库中特别恢复，因为辨识器提供了一个可靠的记录的出处的联系或是说索引。Seq-IdS：序列标识NCBI 数据模型定义了一类对象，被称为序列辨识器（SeqId）。需要这类对象是因为 NCBI 合成了许多用不同方法命名的数据源并且这些名字具有不同的含义。例如一个简单的情况：PIR，SWISS-PROT 和核甘酸序列数据
29、库都使用有类似格式的序列号，光说“A10234”是不能唯一地从所有这些数据库集合中找到序列记录的。我们必须区别从 SWISS-PORT 和从 PIR 中的A10234。（DDBJ/EMBL/GenBank 核酸数据库共用一套序列号，所以从 EMBL 中的A12345 和从 GenBank 中的 A12345 是相同的。）这些形式也可能是不相同的，因此当序列数据库处理仅考虑包含一序列的一条记录时，PDB 记录只有一个简单的结构，该结构有可能包含不只一个序列。所以 PDB 的 SeqId 包含了分子名称和链状 ID 去标识一个唯一的序列。下面一部分就叙述通常使用的几种 SeqId的格式以及使用。L
30、OCUS 名称LOCUS 出现在 GenBank 中的 LOCUS 行以及 DDBJ 记录（EMBLE 的 ID 行）是GenBank 中最初的辨识器。就象基因 LOCUS 名称一样，它兼有唯一辨识器、功能记忆以及序列的组织源等功能。由于 LOCUS 行是有固定的格式，LOCUS 的名称限制在少于或等于 10 个数字或大写字母。在 GenBank 中，名字的前三个字母是组织码，剩下的字母是基因码（如：HUMHBB 代表人体 -球蛋白区域）。然而，当该区域的功能和原先设想的功能不同时，LOCUS 中的基因码会发生变化。这种不稳定性显然是复现中的一个问题。另一个问题是 GenBank 中的序列和组
31、织随时间呈几何指数增长，这使得发明或修改记忆名称是不可能的。基于以上几点使得 LOCUS 名称在 GenBank 中不再作为有用的名称，尽管它将永远存在在数据的首行，这只是为了和以往的数据格式兼容。序列号由于使用 LOCUS（或 ID）名称作为对核酸序列唯一辨识器的困难，国际核酸序列数据库合作者们（DDBJ/EMBL/GenBank）引入了序列号。开始时它不具有生物意义是为了保证其相对的稳定性。它是由一个大写字母和五个数字组成。（新的序列号是由两个大写字母和六个数字组成。）首字母是为了分配到不同的数据库以便序列号对于不同的数据库是唯一的。序列号是对 LOCUS/ID 号的改进，但实际使用中，问
32、题和不足是显然的。例如，当序列对于时间是稳定时，许多使用者发现用相同的序列号复现出的序列并不总是相同的。这是因为序列号标明了整个数据库的记录，一旦记录被修改了（或者说从开始部分插入了 1000bp）的时候，序列号不变（只是相同记录的升级版）。如果我们分析起始序列和记录序列 U00001 的第 100 个位置假设是与蛋白质相关的位点，升级后一个完全不同的序列将在第 100 个位置上。序列号出现在 GenBank 的 ACCESSION 行上。该行的第一个序列号称为基本序列号，它是复现该记录的关键，大部分记录只有这个序列号。第二级序列号是为了给该记录提供历史信息。例如如果 U00001 和 U00
33、002 是同一个记录的不同版本，则 U00002 将成为一个新记录的基本序列号，U00001 是二级序列号。在实际的标准中 U00001 记录将从 GenBank 中删除因为旧的记录已经过时，二级序列号将取代旧的成为用户需要复现的记录。这时应该标注二级序列号不是指同一对象，所以用户应仔细检查它们的注释。（数据库的不同，甚至是同一数据库的不同时间）使用二级序列号也有自己的问题，这是因为没有足够的信息去确定怎样发生和为什么会发生。但不管怎样，序列号仍然是 DDBJ/EMBL/GenBank记录恢复中最可控最稳定的方法。Gi 号1992 年 NCBI 开始对所有 Entrez 中的序列使用基因信息号
34、（gi），其中包含从DDBJ/EMBL/GenBank 中的核酸序列、根据 CDS 特征翻译的蛋白质序列以及从SWISS-PROT、PIR、PRE、PDB、专利以及其它得到的蛋白质序列等。Gi 是由原数据库提供的另外的 SeqId。尽管由于原数据库的不同 SeqId 的形式和意义不同，但 gi 在意义和形式上对不同源数据库是相同的。在形式上，它只是简单的整数（所以有时被称为 GI 号）。它只是一些特定序列的辨识器。假定一个序列加入 GenBank，给定序列号 U00001。当该序列在 NCBI所内部处理时，它加入所谓的 ID 数据库。ID 确认以前从未见过 U00001，就给它一个 gi 号
35、54。当提交器通过改变出处修改记录时，U00001 又加入 ID。ID 认出该记录出现过，恢复原先的 U00001 和新记录进行比较，如果完全相同，则给该记录 gi 号 54；如果不相同，即使只有一对碱基不同，则给新 gi 号 88。然而因为原数据库的意义，新序列仍保持序列号 U00001。这时 ID 标识旧记录（gi54）的替换时间，并将它加入历史指示它被 gi88 的记录替代。ID 也加入历史 gi88 指出它替代了 gi54。Gi 号有三种主要功能：1. 提供了从多源数据库序列间的简单标志； 2. 提供了指示特别序列的标志。任何分析 gi54 存储分析的人可以肯定只要U00001 有 g
36、i54，它就是有效的； 3. 它是稳定且可恢复的。NCBI 保持每个 gi 号的最新版本。由于历史在记录中存在，任何发现 gi54 不再是 GenBank 的一部分的人仍然可以通过NCBI 的 ID 复现该记录，通过查看历史可以看到它被 gi88 替代。检查gi54 和 gi88 可以确定它们的关系，研究人员可以映射以前的分析到gi88 或者重新分析数据。由于 gi54 在 ID 中总是存在的，这使得我们可以随时分析时局而不仅限于 GenBank 发行时间。 基于上述原因，从计算 Entrez 序列邻居到确定新序列的处理或 BLAST 数据库的产生所有 NCBI 的内部处理序列都是基于 gi
37、号。NID/PIDsGenBank 中的 NID 和 PID 指示了核酸的 gi 号和记录的蛋白质序列。补充这个是使希望能在一个平台上计算序列的科学家能利用稳定的 gi 号去追踪序列。正象前面提到的，使用 gi 号而不是用序列号将保持使用有效，即使记录的序列以后发生变化（例如，5端）。在写本文时，又出现了一种新的 SeqId（序列版本，见下文），它是被用于选择的序列辨识器。一旦这种转变完成，可能 NID 和 PID 号将不再出现在数据格式中，尽管使用 gi 号的分析将继续有效。而且，初始数据将出现在 NCBI 准备与 GenBank 数据平行的 ASN.1 文件中。序列版本组合辨识器最近，国际
38、核酸序列数据库联合会（DDBJ，EMBL 和 GenBank）同意引入一种更好的辨识器。这种辨识器是组合了序列（标明特定的序列记录）和版本号（根据序列本身变化）。这种 SeqId 被期望成为理想的引用序列的方法。使用者将仍能够仅仅基于序列号就能复现记录而不需要特殊的版本号。这种情况下，将得到该记录的最新版本，这也是 Entrez 和其它复现程序现在所作的工作。分析数据库数据的科学家（例如将所有脱水酒精序列用一种特定分类方法中分离）和希望他们的结论保持有效的科学家希望能参考序列号和版本号。某序列的子序列（例如在研究基因的规则的 5延长端）被调整后，将导致版本号的增加。由于同时引用序列号和版本号，
39、使得复现出同一记录，原始分析将保持有效。同时引用序列号和版本号将使马虎的使用者认识到在分析作完后序列可能已经发生了变化。而且根据版本号可以轻易的知道一个序列被修改的次数。由于序列版本辨识器的优先权，现已存在的 NIDs 和 PIDs（简单使用 gi 号）将被去除。蛋白质序列的序列号联合会也同意给蛋白质序列记录分配序列版本号。以前，除了使用 gi 号，很难可靠地引用给定编码区翻译后的产品。这限制了 BLAST 结果的使用。例如，这些序列将和提交给蛋白质数据库的蛋白质序列有相同的状态，并且它们有和对应核酸序列优先的连接权。一般的 SeqId一般的 SeqId 是指被基因中心和其他组织当作标识序列的
40、一种辩识基因所使用的。其中一些序列可能永远也不会出现在公共数据库中，或者是最终被提交的初级数据。例如，在 Entrez 基因分离的人体染色体的记录包含了除序列组成的多种物理和基因映射关系。物理映射是由不同组织提供的，是用一般的 SeqId标识组织的。局部的 SeqId局部的序列辨识器最突出地被使用在数据提交的工具 Sequin 中（见第 14 章）。每个序列仅当完整的被提交公共数据库处理后，才能最终得到一个序列号和一个 gi 号。提交过程中，Sequin 分配一个局部辨识器给每个序列。就象许多NCBI 提供的软件工具一样要求序列辨识器，局部的 ID 允许使用这些工具而不需要先提交到公共数据库。
41、BIOSEQ：生物序列Bioseq 即生物序列是 NCBI 数据模型的中心元素。它包括一个简单的连续的核酸分子或蛋白质分子，它定义了一个线性完整的协调系统。生物序列必须至少有一个序列辨识器（SeqId）。它包含了分子（DNA，RNA 和蛋白质）的物理类型的信息，也有一些注释信息（例如指示特定生物序列的特定区域的生物特征）。它还有描述信息（例如该分子是从某个组织中获得的，这描述了整个生物序列）。然而，生物序列不需要分子的完整序列。它可能是一个分开的序列，例如外显子序列，而不是所有内含子序列。或者它可能是只有一点标识的基因或物理映射。序列是相同的即使实际序列没有完全确定，所有生物序列有一个整数值的
42、完整协调系统。所以对物理映射或对高分割基因的外显子来说，标识和外显子之间的距离只有从一群胶体中得到。所以当一个完整的序列染色体的协调关系已经精确了解后，那些基因和物理映射是最佳的推测，即和实际关系的错误概率最小。不管怎样，任何生物信息都能被注释以相同的信息。例如一个基因特征可以被放在 DNA 序列的一个区域内，或者是物理映射的某个位置。该映射和序列可以根据共同的基因特征归为一类。这大大简化了能展示这些表面上不相关的数据的软件的编写任务。序列是不相同的尽管相同的协调系统有很多优点，不同的生物序列类所代表的方式不同。最一般的类（见图 6.2）简单介绍如下。实际生物序列 在实际生物序列中我们知道分子
43、类型，可能是它的长度和拓扑结构（例如线性，环状），但不是实际的序列。它可以代表基因分子（只有外显子序列已经确定）的内含子。长度可能只能从一群胶体的数量得到。原始生物序列这是大多数人想的序列，一串简单连续的碱基和残基是已知的。因此长度是已知的，序列中它应该和碱基或残基的数量配合。离散的生物序列离散的生物序列不包含原始生物序列，但其他生物序列的辨识器。这可以被用于代表只有外显子已知的基因序列。离散生物序列中的部分将是代表外显子的原生物序列和代表内含子的实生物序列。离散生物序列也被用于 NCBI 来代表整个染色体。这就是 Entrez 基因分离的方法（见图 6.3）。这时，所有的部分都可能是原生物序
44、列（许多情况的记录都已经存在于 GenBank 中）。可能在连接部分有重叠。Delta 生物序列Delta 生物序列是用于代表从不同的基因序列中心得到的未完高产量基因序列（HTGS）。即使有未知的生物序列子区域存在，使用 Delta 序列而不是离散序列是指对整个序列只需一个序列辨识器。也就是说即使数据库中存在早期的版本，Delta 序列保持着相同的序列号（见本章末尾）。映射生物序列映射生物序列用于代表遗传和物理的映射关系，和实生物序列类似都包含有分子结构可能是拓扑结构以及真实分子长度粗糙估计的长度信息。这个信息只提供协调系统以每个生物序列的属性。对一个遗传映射给定协调系统我们可以根据遗传证据估
45、计基因的位置。和原生物序列的数据是碱基和残基类似，作用基因特征表是映射生物序列的主要数据。BIOSEQSETS：序列集合生物序列经常储存在相关序列的上下文中。例如核酸序列和它编码的蛋白质序列自然属于一类。NCBI 数据模型为这个目的提供了序列集合。序列集合有一系列描述。将生物序列进行压缩时，需要对集合中每个序列进行描述。将出版物和生物原信息结合在一起是比较方便的安排，这些生物原信息是期望对所有序列的但经常在序列集合中出现相同。例如，DNA 和蛋白质序列都是从同一组织中获得的，所以该描述信息应该用于该集合，同样也适用于出版物。最一般的序列集合如下。核酸-蛋白质集合核酸-蛋白质集合包含核酸和一个或
46、多个蛋白质，它是最经常由 SequIn 数据提交产生的集合。序列的组成是通过描述从核酸到蛋白质的翻译过程的编码区（CDS）的特征来联系的。传统的核酸和蛋白质数据库中这些记录可能用交叉参考来指明这种联系。核酸-蛋白质集合将二者放在一起使得这种联系更加清楚。它也允许用于所有序列的描述信息的同时存在（例如组织或出处）。数量、种类的研究序列提交的一个主要的类是以人口或种类研究的形式出现。这些研究包括同种类（数量研究）或不同种类（种类研究）一定数量的个体相同基因的比对。序列比对可能从以下的序列比对中得到。若基因编码了某个蛋白质，则数量或种类的序列集合可能也是一个核酸-蛋白质集合。其它的生物序列集合Seg
47、 集合包含了一个离散的生物序列和一个部分生物集合，反过来部分生物集合有包含了被离散生物序列引用的原生物序列（这可能组成了核酸-蛋白质集合的核酸部分）。Equiv 生物序列集合被用于 Entrez 基因分离，以维持生物序列的多平衡。例如，人体染色体有一个或多个不同种类的遗传、物理映射。不同生物序列之间的比对是基于对一般人员的注释（见第 12 章和图 12.4）。序列的注释属性序列注释是对序列注释的一个自包含包裹，或是指向特定序列的特定位置的信息。它可能包含一个特征表，一类序列比对或一类序列的图表。多序列注释可以放在生物序列或生物序列集合中。每个生物注释可以有特殊的属性。例如 PowerBLAST
48、（Zhang and Madden，1997）创造了包含序列比对的序列注释，每个序列注释是基于使用的 BLAST 程序（例如 BLASTN，BLASTX）命名。个体块的比对在 Enrez 和 Sequin 中可以看到。由于序列注释的组成有对序列的特定参考，因此序列注释可以单独存在或和其他科学家互换；它不需要存在于具体的序列记录上。（另一方面，描述的范围依靠于包裹的位置。）因此关于生物序列的信息可以创造，交换以及独立于生物序列的比较。这是序列注释和 NCBI 数据模型的一个重要特性。序列特征序列特征（Seq-feat）是一块通过一或两个序列位置（Seq-locs）清楚附在生物序列区域的结构数据。
49、序列数据自己本身是可以包含一般的信息。例如，它有能指示一些特征的标志。这些特征包括是否是部分（超过了生物序列末尾）、是否有一个生物的例外（解释为什么基因序列的密码子没有按预期的翻译成氨基酸的编辑 RNA）、是否该特征是由实验决定的（例如，信使 RNA 隔离于假定的编码区）。一个特征经常有位置。Seq-loc 指示了作用蛋白质序列的位置。编码区经常以ATG 开始，以终止子结束。如果分布位点是在一个基因序列上，而且信使 RNA有连接出现，则位点可以有多于一个中间物。（为防止其它连接产生了分离的编码区特征，对每个离散的分子种类有一个多中介 Seq-loc）特征可以是有选择的产生作用。对一个编码区 Seq-loc 的产物指向相应的蛋白质序列。这是使数据模型能单独地保持核酸和蛋白质序列的连接，而且有每个序列对分子适当的注释。基因序列中信使 RNA 的特征可能含有反映后翻译 RNA的信使 RNA 序列。该特征包含有唯一对应该特征的信息。例如 CDS 特征有遗传编码区和阅读框架，同时信使 RNA 特征有翻译氨基酸的信息。折衷设计完全调整了特征要求的组成。如果一个特殊的特征需要一个特定的域而其它域不会受到影响。一种新的特征类型即使一个复杂的特征类型可以被加入，其它特征不受影响。用于显示特征在序列上位置的软件只需要考虑对通用特征的位置。尽管 DDBJ/EMBL/GenBank 特
