GPB | GenBase：匯交、存儲(chǔ)、管理與共享核酸和蛋白質(zhì)序列的基因序列數(shù)據(jù)庫
共 7221字，需瀏覽 15分鐘
·
2024-07-28 21:00
引言
基因序列和注釋信息（包括DNA、RNA和蛋白序列信息）是支撐基因功能研究的核心基礎(chǔ)數(shù)據(jù)之一。伴隨生物學(xué)的迅猛發(fā)展，在過去幾十年中，我國生命科學(xué)領(lǐng)域的科學(xué)家產(chǎn)出了海量的基因序列數(shù)據(jù)，其中許多已經(jīng)提交到了國際核酸序列共享聯(lián)盟（International Nucleotide Sequence Database Collaboration，INSDC）。目前，中國和其他國家/地區(qū)的研究人員嚴(yán)重依賴INSDC進(jìn)行序列提交和檢索。同時(shí)，測序技術(shù)的快速發(fā)展導(dǎo)致序列數(shù)據(jù)量的快速增加，這為及時(shí)有效的提交和共享帶來了巨大挑戰(zhàn)。為保障我國基因序列數(shù)據(jù)的主權(quán)和安全，滿足我國科研人員在基因序列數(shù)據(jù)匯交、管理和共享過程中的現(xiàn)實(shí)需求，對標(biāo)美國國家生物信息中心NCBI的GenBank數(shù)據(jù)庫，我們完成了基因序列數(shù)據(jù)庫GenBase的開發(fā)（https://ngdc.cncb.ac.cn/genbase/）。
GenBase是國家基因組科學(xué)數(shù)據(jù)中心的核心資源，它采用GenBank的數(shù)據(jù)模型，通過在線的雙語提交系統(tǒng)支持提交多種數(shù)據(jù)類型，包括基因組DNA、mRNA、ncRNA，以及來源于細(xì)胞器、病毒、質(zhì)粒和噬菌體的核酸序列。此外，GenBase集成了所有來自GenBank的序列，并保持每日更新，提供免費(fèi)且公開可訪問的數(shù)據(jù)，支持國際數(shù)據(jù)集的分發(fā)和共享，促進(jìn)中國研究人員的數(shù)據(jù)訪問。
數(shù)據(jù)模型和數(shù)據(jù)訪問
GenBase的數(shù)據(jù)模型與INSDC數(shù)據(jù)模型兼容，并允許與兩個(gè)CNCB-NGDC元數(shù)據(jù)描述數(shù)據(jù)庫關(guān)聯(lián)：BioProject 和BioSample。GenBase允許用戶一次性批量提交來自多個(gè)物種的核酸序列。提交后，系統(tǒng)將生成一個(gè)帶有 “sub” 前綴的唯一編號。經(jīng)過質(zhì)量控制，每個(gè)核酸序列被分配一個(gè)以“C_”開頭，后跟2個(gè)字母、6個(gè)數(shù)字和序列版本號后綴的訪問編號。同時(shí)，與給定核酸序列相關(guān)的每個(gè)蛋白質(zhì)序列會(huì)分配一個(gè)以“C_”開頭，后跟3個(gè)字母、5個(gè)數(shù)字和序列版本號后綴的訪問編號（圖1）。每當(dāng)序列發(fā)生變化時(shí)，序列版本號就會(huì)修改。序列以ASN.1格式生成并存儲(chǔ)，并以GBFF格式在線顯示，這兩種格式通常由GenBank使用。
圖1 GenBase數(shù)據(jù)模型
數(shù)據(jù)提交和驗(yàn)證
通用序列
GenBase構(gòu)建了一個(gè)用戶友好、同時(shí)支持中英文的通用序列在線提交系統(tǒng)，包含九個(gè)部分，即提交者、出版信息、測序技術(shù)、序列、集合或批次、類別、元信息、特征和結(jié)果預(yù)覽（圖2）。該提交系統(tǒng)支持全面的實(shí)時(shí)驗(yàn)證。
圖2 GenBase整體架構(gòu)
在“序列”階段（步驟4），GenBase會(huì)對用戶上傳的序列文件進(jìn)行在線校驗(yàn)，包括序列格式、序列內(nèi)容、物種名稱、分子類型和遺傳密碼。在“元信息”階段（步驟7），GenBase基于Excel格式收集序列相關(guān)的57個(gè)元數(shù)據(jù)信息，并對其進(jìn)行實(shí)時(shí)校驗(yàn)。例如，對采樣地、細(xì)胞器/位置等字段進(jìn)行受控詞匯表校驗(yàn)，對收集日期和經(jīng)緯度進(jìn)行特定格式校驗(yàn)。在“特征”階段（步驟8），GenBase支持三種格式的注釋文件：5列GenBank特征表、GFF3和Excel格式。用戶可選擇其中一種格式進(jìn)行序列注釋。GenBase會(huì)對用戶提交的注釋文件進(jìn)行實(shí)時(shí)驗(yàn)證。例如，驗(yàn)證注釋文件中的所有序列ID是否與核酸序列文件中的ID完全匹配，坐標(biāo)是否為整數(shù)，基因注釋是否符合INSDC規(guī)范。目前，已有768個(gè)特征及其相應(yīng)的注釋信息可用于序列注釋。用戶在“結(jié)果預(yù)覽”頁面確認(rèn)所有信息后，GenBase使用table2asn（https://www.ncbi.nlm.nih.gov/genbank/table2asn/）對提交的序列進(jìn)行最終檢查，并生成高質(zhì)量的序列文件（例如：GBFF和SQN文件）。
SARS-CoV-2序列
為了提高SARS-CoV-2序列的匯交效率，GenBase設(shè)計(jì)了一個(gè)專用的SARS-CoV-2序列提交模塊。該模塊的提交過程與通用序列類似，但集成了VADR程序，可實(shí)現(xiàn)對SARS-CoV-2序列進(jìn)行自動(dòng)注釋。此外，GenBase為SARS-CoV-2提供了專用的元數(shù)據(jù)Excel文件格式，確保與INSDC和全球共享所有流感數(shù)據(jù)倡議（Global Initiative on Sharing All Influenza Data, GISAID）的兼容性。
統(tǒng)計(jì)信息
自2023年3月24日正式上線以來，GenBase實(shí)現(xiàn)了數(shù)據(jù)量的快速增長（圖3A和B）。截至2024年4月16日，GenBase已整合并更新了來自GenBank的270,606,796條核酸序列和305,810,135條蛋白質(zhì)序列（圖3C）。截至2024年4月16日，GenBase已接收用戶提交的67,399條核酸序列和681,930條蛋白質(zhì)序列，涵蓋393個(gè)物種（圖3C）。提交的數(shù)據(jù)中，62,988條核酸序列（93%）和613,351條注釋蛋白質(zhì)序列（90%）已釋放。值得注意的是，在54,884條提交的具有標(biāo)準(zhǔn)化注釋的SARS-CoV-2基因組序列中，已有52,147條被發(fā)布。
圖3 GenBase數(shù)據(jù)統(tǒng)計(jì)（截至2024年4月16日）
檢索和下載
在GenBase中，用戶可以使用具有31個(gè)搜索字段的高級搜索功能進(jìn)行檢索，同時(shí)，高級搜索設(shè)有保留歷史記錄功能，便于查看歷史檢索信息。用戶可以使用物種、數(shù)據(jù)來源、數(shù)據(jù)類型等過濾條件細(xì)化搜索結(jié)果，以及使用不同的排序選項(xiàng)（例如，訪問編號、修改日期、生物體和序列長度）進(jìn)行結(jié)果排序。GenBase提供四種數(shù)據(jù)顯示格式，并支持批量下載，以滿足不同的使用需求。為了便于批量下載FASTA文件，開發(fā)了REST API（如https://ngdc.cncb.ac.cn/genbase/api/file/fasta?acc=C_AA001108.1）。此外，還提供了FTP站點(diǎn)（https://download2.cncb.ac.cn/genbase/daily/），方便用戶下載GenBase每日發(fā)布的核酸和蛋白質(zhì)序列。
未來發(fā)展
GenBase立足中國，服務(wù)全球，接收來自全球科研人員的數(shù)據(jù)提交，可為基因序列數(shù)據(jù)的匯交、存儲(chǔ)、發(fā)布和共享提供一站式的Web服務(wù)。未來，GenBase將持續(xù)致力于努力推進(jìn)生物領(lǐng)域的研究和發(fā)展，包括改進(jìn)數(shù)據(jù)提交、檢索和展示的Web界面，擴(kuò)大服務(wù)范圍，包括基因組注釋，例如病毒、線粒體和葉綠體基因組，確保下游數(shù)據(jù)分析的準(zhǔn)確性。此外，我們還將整合用戶友好的在線工具，方便序列數(shù)據(jù)分析，如物種鑒定。最后，我們將通過與INSDC成員共享和交換所有公開可用的核酸序列來促進(jìn)合作，從而為全球研究人員提供全面的數(shù)據(jù)資源。
審校人：
GPB青年編委周展
GPB論文：
GenBase: A Nucleotide Sequence DatabaseGenomics, Proteomics & Bioinformatics [基因組蛋白質(zhì)組與生物信息學(xué)報(bào)（英文），簡稱GPB] 于2003年創(chuàng)刊，是由中國科學(xué)院主管、中國科學(xué)院北京基因組研究所（國家生物信息中心）與中國遺傳學(xué)會(huì)共同主辦的英文學(xué)術(shù)期刊，由牛津大學(xué)出版社金色開放獲取（Gold Open Access）出版。刊載來自世界范圍內(nèi)組學(xué)、生物信息學(xué)及相關(guān)領(lǐng)域的優(yōu)質(zhì)稿件。現(xiàn)為中國科學(xué)引文數(shù)據(jù)庫（CSCD）和中國科技論文與引文數(shù)據(jù)庫（CSTPCD）核心期刊，被SCIE、PubMed/MEDLINE、Scopus等數(shù)據(jù)庫收錄。2024年公布的官方數(shù)據(jù)顯示，CiteScore為14.3；2年和5年Impact Factor分別為11.5和10.3；2023 JCI為2.58，排名WoS遺傳學(xué)領(lǐng)域6/191。期刊由科技部等七部門聯(lián)合實(shí)施的“中國科技期刊卓越行動(dòng)計(jì)劃“資助（2019–2023）。