Samenvatting Bio-informatica en Databases (Inleiding)

Databanken en data provisioning

• Verschillende organisaties die databanken aanbieden/onderhouden: NCBI (VS) en EBI (Europees) als onderdeel van EMBL.

• Elixir: Europees ESFRI-project; platform voor het bewaren van tools, data, infrastructure en ondersteuning tijdens crisissituaties zoals COVID-19; up-to-date houden van tools.

• Doel van web-based databanken: beschikbaar stellen, training geven, data provisioneren en wetenschappelijk onderzoek faciliteren.

Flat file-formaten en dataformaten

• Flat file formats: GenBank, EMBL, FASTA, FASTQ.

• GenBank: twee kolommen (veld en informatie); bevat accessionsnummer, metadata, features (genen en eiwitspecies), inferenties (welk gen codeert voor welk eiwit), db_xref naar andere databanken.

• EMBL: vergelijkbare informatie als GenBank, maar minder referenties naar databanken.

• FASTA: header lijnen starten met ">"; multi-FASTA mogelijk; data is sequentie in vervolgregels.

• FASTQ: combinatie van sequentie en quality-tegenwaarde; illustreert per-base kwaliteit; bij Illumina ook x- en y-coördinaten van flow cell; FASTQ encodeert quality per base in één karakter per base (Q-score) in de data; voorbeeld: Q20 impliceert een foutkans van 1/100; relatie tussen Q-score en foutkans: $p<em>{\text{err}} = 10^{-Q/10}$; bij Q=20: $p</em>{\text{err}} = 10^{-2} = 0.01$.

SQL en relationele databanken

• SQL wordt gebruikt om databanken te creëren en te beheren; voorbeeld: proteïne databank (protab1 met proteïne namen en lengtes; protab2 met sequenties);

• Voorbeeld van SQL-commando’s: CREATE DATABASE, USE, CREATE TABLE; begrenzen van kolomlengtes (bv. VARCHAR lengtes);

• Joins: data van twee tabellen combineren om een nieuw tabel te vormen.

• Primaire databases vs afgeleide databases: primaire databanken bevatten oorspronkelijke data (eiwitsequenties, enz.); afgeleide databanken combineren/kuisen primaire databanken (bv. een gensequentie met gerelateerde proteïne-informatie).

Databanken en structuren

• Europese en NSTC-structuur: GenBank, ENA/EMBL-DDBJ (primary nucleotide databases) verdeeld in CoreNucleotide, dbEST, dbGSS; cross-referencing met NCBI en ENA portals.

• NCBI/is: GenBank, RefSeq, Protein, PubMed, PubMed Central, MeSH terms, PMIDs.

• RefSeq: gecureerde, niet-redundante en rijk-geannoteerde dataset uit primaire databanken; ideale dataset voor genoomannotatie, vergelijkende genomica, variaties en expressie.

• UniProt KB, Swiss-Prot, TrEMBL; PIR; NCBI Protein; PubMed; PubMed Central; MeSH terms; GO (Gene Ontology): 3 hoofd-nodes tijdens ontologie: Molecular Function, Biological Process, Cellular Component.

• ClinVar, dbSNP, dbVar, OMIM: variaties en hun relatie met menselijke ziekten; hybride data en cross-linking tussen databanken.

• KEGG en MetaCyc: metabole paden; PDB: eiwitstructuren; BRENDA: enzyminformatie; InterPro: eiwitdomeinen; Protein DataBank (PDB) en Silva/GreenGenes: taxonomie-gerelateerde data (rRNA referenties).

Entrez en zoekstrategieën

• Entrez: NCBI’s zoeksysteem voor tekst-gebaseerde zoekopdrachten over verschillende databanken (PubMed, Nucleotide, Protein, etc.).

• Zoekoperatoren: AND, OR, NOT (met hoofdletters); quotes om termen samen te nemen; wildcard (*) voor meervoudige zoektermen.

• Velden-limiters via vierkante haken; voorbeeld: covID limitation en trefwoord-zoekopdrachten zoals covid leveren referentiegenomen, virale genen, etc.

Genoom-browsers en Ensembl/UCSC/NCBI

• Genen browsen voor genomische context; drie grote initiatieven: Ensembl, UCSC en NCBI.

• Ensembl biedt warehousing (underlying databanken, middenlaag die zoekt en samenvoegt); via BioPython/BioPerl kun je scripted queries uitvoeren om duizenden genen tegelijk te opzoeken.

• Mogelijkheden met Ensembl:

  • Weergeven van genen en annotaties op verschillende chromosomen.

  • Alternatieve transcripten van genen.

  • Homologen tussen organismen.

  • Alignments, expressie-informatie.

• Ensembl-genomische structuur en identifiers (menselijk): ENSG (gene), ENST (transcript), ENSP (peptide), ENSE (exon).

• Voor niet-menselijke species gebruik je suffixen zoals ENSMUSG voor Mus musculus.

• EnsemblGenomes: EnsemblBacteria, EnsemblFungi, enz.; EnsemblBacteria kan een circulair genoom (karyotype) tonen.

• UCSC Genome Browser: uitgebreide platform met verschillende tracks en features.

Praktische databanken en hun doelgroepen

• NCBI (VS) en EBI (Europa) als hoofdspelers; ELIXIR als Europees platform voor data provisioning en infrastructuur.

• Belangrijke databankgroepen:

  • Nucleotide/Protein/GenBank/RefSeq; PubMed en PubMed Central; MeSH terms; PubMed IDs (PMID).

  • OMIM: menselijke ziektebeelden, literatuurverwijzingen, gecureerde annotaties.

  • dbSNP: brede collectie van SNPs en varianten; dbVar: grotere varianten (inserties, deleties, duplicaties, inversies); ClinVar: varianten in relatie tot ziekten.

  • Taxonomy: taxa-id en lineage; verwijzingen naar databanken met info over die species.

  • GO (Gene Ontology): drie hoofnoders en hiërarchie: Molecular Function, Biological Process, Cellular Component.

  • BRENDA: enzymeninformatie (naamgeving, optimale temperatuur, organismen waar enzym voorkomt).

  • InterPro: samengebrachte eiwitdomeinen; afgeleid databank die domein-functie-annotaties verbindt across proteïnen.

  • PDB: eiwitstructuren.

  • KEGG & MetaCyc: metabole pathways (enzymen, pathways).

  • Silva & GreenGenes: taxonomie-annotaties op basis van ribosomale RNA; GreenGenes is commercieel beschikbaar.

Data provisioning in de praktijk

• ENA (European Nucleotide Archive) en GenBank/RefSeq als bronnen van sequenties; cross-linking tussen ENA, GenBank en NCBI/DDBJ.

• UniProtKB: protein databank; Swiss-Prot (gedeeltelijk gecureerd) en TrEMBL (voor onbewerkte/vertaalde EMBL-data);

• PIR, NCBI Protein; PubMed/MeSH-termgebruik; PubMed Central beschikbaarheid van artikelen.

• Data quality en cross-referencing zijn cruciaal; MIAME-standaarden voor microarray data.

• Swiss-Prot/UniProt biedt uitgebreidere informatie dan enkel gen- of proteïne sequenties; data verificatieroutes via links naar databanken.