Bases de datos de secuencias

Transcripción

1 Bases de datos de secuencias (CNIO)

2 Bases de datos del NCBI

3 Bases de datos de secuencias Genomes Genes cdna Next-generation sequencing Contigs ESTs Short sequences Proteómica, secuenciación directa,... Proteins

4 Bases de datos de secuencias :: NCBI Genome Genomes Genes Gene cdna Gene Next-generation Contigs sequencing SRA: sequence read archive Short sequences dbgss ESTs dbest Proteómica, secuenciación directa,... Proteins Protein

5 Mi selección personal 1. NCBI, todo está allí, pero bastante crudo 2. UniProt /uniref: base de datos de proteínas que recopila mucha información de diferentes fuentes 3. Pfam: base de datos de dominios, muy útil en análisis de secuencias 4. Ensembl: ensembl, metazoaensembl, protists Colecciones de genomas, relaciones evolutivas entre genes, comparación de genomas biomart. 5. UCSC browser: un navegador de genomas. 6. ihop, google scholar, PubMed: bibliografía

6 Genbank, ejemplo NCBI

7 Genbank, ejemplo NCBI

8 Genbank, ejemplo NCBI

9 Genbank, ejemplo NCBI

10 Genbank, ejemplo NCBI

11 Genbank, ejemplo NCBI

12 Mi selección personal 1. NCBI, todo está allí, pero bastante crudo 2. UniProt /uniref: base de datos de proteínas que recopila mucha información de diferentes fuentes 3. Pfam: base de datos de dominios, muy útil en análisis de secuencias 4. Ensembl: ensembl, metazoaensembl, protists Colecciones de genomas, relaciones evolutivas entre genes, comparación de genomas biomart. 5. UCSC browser: un navegador de genomas. 6. ihop: bibliografía

13 Bases de datos de proteínas EMBL = GenBank = DDBJ

14 Bases de datos de proteínas UniprotKB tour

15 Bases de datos de proteínas Por qué UniRef100, UniRef90 y UniRef50? ñ ñ ñ ñ No sólo para aumentar velocidad de las búsquedas Reduce sesgos taxonómicos (p.e demasiadas secuencias de mamíferos, o de virus) Evita naufragar en un exceso de información En algunas condiciones, ayuda a los métodos de búsqueda

16 Uniref

17 Bases de datos de proteínas EMBL = GenBank = DDBJ

18 Bases de datos de proteínas

19 Bases de datos de proteínas

20 Bases de datos de proteínas

21 Bases de datos de proteínas Uniref50

22 Bases de datos de proteínas SignalP, TMHMM, Coils... Revisada por expertos Automática, basada en reglas extraidas/ aprendidas a partir de Swiss-prot Ojo, las bases de datos contienen muchos errores! Siempre buscad cuál o cuáles son las evidencias Las castas en el mundo de las proteínas: Ref-biblio, by-similarity, probable, potential, putative, hypothetical

23 Mi selección personal 1. NCBI, todo está allí, pero bastante crudo 2. UniProt /uniref: base de datos de proteínas que recopila mucha información de diferentes fuentes 3. Pfam: base de datos de dominios, muy útil en análisis de secuencias 4. Ensembl: ensembl, metazoaensembl, protists Colecciones de genomas, relaciones evolutivas entre genes, comparación de genomas biomart. 5. UCSC browser: un navegador de genomas. 6. ihop: bibliografía

24 Bases de datos taxonómicas NCBI Taxonomy: Uniprot: Tree of Life: ( referencia)

25 Bases de datos taxonómicas NCBI taxonomy Tree of Life

26 Bases de datos taxonómicas NCBI taxonomy Tree of Life

27 Bases de datos de bibliografía: PubMed

28 Bases de datos de bibliografía: PubMed

29 PubMed vs Google scholar: human genome

30 Bases de datos de bibliografía: PubMed, PubMed Central, ihop y Google scholar

31 Bases de datos de bibliografía: ihop

32 Bases de datos de bases de datos: Nucleic Acids Research, Bionformatics Links Directory, Google 2011: 96 DB nuevas 83 actualizadas 458 bases de datos 620 bases de datos

33 Formatos de secuencias Fasta, MSF, Phylip, Nexus, Clustal, etc, etc, etc MSF MSF: Name: Name: Name: Name: Name: Phylip 510 Type: P Check: I FOSB_MOUSE ACHE_BOVIN oo Len: 510 Check: 7842 Weight: 16.0 ACHE_HUMAN oo Len: 510 Check: 8553 Weight: 17.8 ACHE_MOUSE oo Len: 510 Check: 229 Weight: 12.5 ACHE_RAT oo Len: 510 Check: 8410 Weight: 14.2 ACHE_XENLA oo Len: 510 Check: 2702 Weight: 39.2 // ACHE_BOVIN ACHE_HUMAN ACHE_MOUSE ACHE_RAT ACHE_XENLA MAGALLCALL MARAPLGVLL MAGALLGALL MTMALLGTLL MESGVRILSL LLQLLGRGEG LLGLLGRGVG LLTLFGRSQG LLALFGRSQG LILLHNSLAS KNEELRLYHY KNEELRLYHH KNEELSLYHH KNEELSLYHH ESEESRLIKH LFDTYDPGRR LFNNYDPGSR LFDNYDPECR LFDNYDPECR LFTSYDQKAR PVQEPEDTVT PVREPEDTVT PVRRPEDTVT PVRRPEDTVT PSKGLDDVVP ACHE_BOVIN ACHE_HUMAN ACHE_MOUSE ACHE_RAT ACHE_XENLA ISLKVTLTNL ISLKVTLTNL ITLKVTLTNL ITLKVTLTNL VTLKLTLTNL ISLNEKEETL ISLNEKEETL ISLNEKEETL ISLNEKEETL IDLNEKEETL TTSVWIGIDW TTSVWIGIDW TTSVWIGIDW TTSVWIGIEW TTNVWVQIAW QDYRLNYSKG QDYRLNYSKD HDYRLNYSKD QDYRLNFSKD NDDRLVWNVT DFGGVETLRV DFGGIETLRV DFAGVGILRV DFAGVEILRV DYGGIGFVPV Fasta >FOSB_MOUSE Protein fosb. 338 bp MFQAFPGDYDSGSRCSSSPSAESQYLSSVDSFGSPPTAAASQECAGLGEMPGSFVPTVTA ITTSQDLQWLVQPTLISSMAQSQGQPLASQPPAVDPYDMPGTSYSTPGLSAYSTGGASGS GGPSTSTTTSGPVSARPARARPRRPREETLTPEEEEKRRVRRERNKLAAAKCRNRRRELT DRLQAETDQLEEEKAELESEIAELQKEKERLEFVLVAHKPGCKIPYEEGPGPGPLAEVRD LPGSTSAKEDGFGWLLPPPPPPPLPFQSSRDAPPNLTASLFTHSEVQVLGDPFPVVSPSY TSSFVLTCPEVSAFAGAQRTSGSEQPSDPLNSPSLLAL MFQAFPGDYD PGSFVPTVTA GTSYSTPGLS TPEEEEKRRV IAELQKEKER GFGWLLPPPP TSSFVLTCPE SGSRCSSSPS ITTSQDLQWL AYSTGGASGS RRERNKLAAA LEFVLVAHKP PPPLPFQSSR VSAFAGAQRT AESQYLSSVD VQPTLISSMA GGPSTSTTTS KCRNRRRELT GCKIPYEEGP DAPPNLTASL SGSEQPSDPL SFGSPPTAAA QSQGQPLASQ GPVSARPARA DRLQAETDQL GPGPLAEVRD FTHSEVQVLG NSPSLLAL SQECAGLGEM PPAVDPYDMP RPRRPREETL EEEKAELESE LPGSTSAKED DPFPVVSPSY Aligned fasta >Chicken MANHSQLGFQDASSPIMEELVEFHDHALMVALAICSLVLYLLTLMLMEKLS-SNTVDAQEVELIWTILPAIVLVLL ALPSLQILYMMDEIDEPDLTLKAIGHQWYWTYEYTDFKDLSFDSYMTPTTDLPLGHFRLLEVDHRIVIPMESPIRV IITADDVLHSWAVPALGVKTDAIPGRLNQTSFITTRPGVFYGQCSEICGANHSYMPIVVESTPLKHFEAWSSL-----LSS >Human MAHAAQVGLQDATSPIMEELITFHDHALMIIFLICFLVLYALFLTLTTKLTNTNISDAQEMETVWTILPAIILVLI ALPSLRILYMTDEVNDPSLTIKSIGHQWYWTYEYTDYGGLIFNSYMLPPLFLEPGDLRLLDVDNRVVLPIEAPIRM MITSQDVLHSWAVPTLGLKTDAIPGRLNQTTFTATRPGVYYGQCSEICGANHSFMPIVLELIPLKIFEM------GPVFTL >Loach MAHPTQLGFQDAASPVMEELLHFHDHALMIVFLISALVLYVIITTVSTKLTNMYILDSQEIEIVWTVLPALILILI ALPSLRILYLMDEINDPHLTIKAMGHQWYWSYEYTDYENLSFDSYMIPTQDLTPGQFRLLETDHRMVVPMESPIRI LVSAEDVLHSWALPAMGVKMDAVPGRLNQTAFIASRPGVFYGQCSEICGANHSFMPIVVEAVPLSHFENWSTLMLK DASLGS

34 Formatos de secuencias Fasta, MSF, Phylip, Nexus, Clustal, etc, etc, etc ReadSeq Jalview Alter Perl: propio / bioperl

35 Bases de datos: conversion de identificadores BRCA1_HUMAN

36 Bases de datos: conversion de identificadores Uniprot tool: PERL (bajar ficheros y buscar en ellos las correspondencias) Biomart (muy potente; biomart) Y cuando no encontramos las correspondencias...? Podemos comparar las secuencias!

37 Deberes por qué este alineamiento? qué significan estos guiones? Y leer alguna de las lecturas recomendadas! (Zuckerkandl)