什么是Genbank,它的主要用途是什么?

GenBank 概述

· 什么是GenBank？ GenBank 是一个有来自于70,000多种生物的核苷酸序列的数据库。每条纪录都有编码区（CDS）特征的注释，还包括氨基酸的翻译。GenBank属于一个序列数据库的国际合作组织，包括EMBL和DDBJ。

· 纪录样本 - 关于GenBank的各个字段的详细描述，以及同Entrez搜索字段的交叉索引。

· 访问GenBank - 通过 Entrez Nucleotides 来查询。用 accession number，作者姓名，物种，基因/蛋白名字，还有许多其他的文本术语来查询。关于 Entrez 更多的信息请看下文。用 BLAST 来在 GenBank 和其他数据库中进行序列相似搜索。用E-mail来访问Entrez 和 BLAST 可以通过 Query 和 BLAST 服务器。另外一种选择是可以用 FTP 下载整个的 GenBank 和更新数据。

· 增长统计 - 参见公布通知的2.2.6（每个分类的统计），2.2.7（每个物种的统计），2.2.8（GenBank增长）小节。

· 公布通知，最新 - 最近和即将有的变化，GenBank 的分类，数据增长统计，GenBank 的引用。

· 公布通知，旧 - 同上相同，是过去公布的统计。

· 遗传密码 - 15个遗传密码的概要。用来确保GenBank中纪录的编码序列被正确的翻译。

向GenBank提交数据

· 关于提交序列数据，收到 accession number，和对纪录作更新的一般信息。

· BankIt - 用于一条或者少数条提交的基于WWW的提交工具软件。（请在提交前用 VecScreen 去除载体）

· Sequin - 提交软件程序，用于一条或者很多条的提交，长序列，完整基因组，alignments，人群/种系/突变研究的提交。可以懒⑹褂茫�蛘哂没�赥CP/IP的"network aware"模式，可以链接到其他NCBI的资源和软件比如Entrez和PowerBLAST。（请在提交前用VecScreen去除载体）

· ESTs - 表达序列标签，短的、单次（测序）阅读的cDNA序列。也包括来自于差异显示和 RACE 实验的 cDNA 序列。

· GSSs - 基因组调查序列，短的、单次（测序）阅读的cDNA序列，exon trap 获得的序列，cosmid/BAC/YAC 末端，及其他。

· HTGs - 来自于大规模测序中心的高通量基因组序列，未完成的（阶段0，1，2）和完成的（阶段3）序列。（注意：完成的人类的HTG序列可以同时在 GenBank 和 Human Genome Sequencing 页面上访问。）

· STSs - 序列标签位点。短的在基因组上可以被唯一 *** 作的序列，用于产生作图位点。

· 注：SNPs - 人类的和其他物种的遗传变异数据可以提交到NCBI数据库的单核苷酸多态性库中（dbSNP）。

国际核苷酸序列数据库合作组织

· GenBank，DDBJ，EMBL - 合作计划的概述，并链接到相应的主页。GenBank，DDBJ（DNA Data Bank of Japan），and EMBL （European Molecular Biology Laboratory）数据库共享的数据是每天都交换的，因此他们是相等的。数据纪录的格式和搜索方式可能会不一样，但是accession number，序列数据和注解都是一模一样的。即，你可以用accession number U12345在GenBank，DDBJ或EMBL中查找相应纪录，得到的结果是完全一样的序列数据，参考内容等等。

· DDBJ/EMBJ/GenBank 特性表 - 特性表格式和标准被合作数据库用在序列记录的注释上，使得数据共享成为可能，包括详细的描述生物特性和特性限定语的附录，以及IUPAC规定的核苷酸和氨基酸的代号。

FTP GenBank 及每日更新

· GenBank普通文件格式 - 参见GenBank记录样本和在GenBank公布通知中的详细描述，下载大多数最近的完全公告和日常积累或非积累更新数据。

· ASN.1格式 - 摘要句法记号1，国际标准组织（ISO）数据表示格式，下载大多数最近的完全公告和日常积累或非积累更新数据。

· FASTA格式 - 定义行号后只跟随序列数据（示例），参见描述数据库的readme文件，包括nt.Z（每天更新的非冗余BLAST核酸数据库，包括GenBank+EMBL+DDBJ+PDB序列，但是不包括EST, STS, GSS, or HTGS序列），nr.Z（每日更新的非冗余蛋白质），est.Z, gss.Z, htg.Z, sts.Z,和其它文件。

http://www.bioon.com/biology/Print.asp?ArticleID=1256

(1)在公共DNA数据库（比如GenBank）中有多少玉米相关的条目（entries）？在数据库中与玉米相关数据中有多少Waxy (granule-bound starch synthase)基因序列？

(2)SSH实验得到了一个未知序列，请在公共数据库中找到最佳匹配（hit）（其实就是做比对，blast），然后预测潜在的功能。（结构相似性与功能相似性）

(3)用动态算法（指定了这个算法：Needleman-Wunsch algorithm）对以下序列进行全局比对，打分系统用BLOSUM50空位罚分8。（需要你去了解这个算法，然后用程序实现应用到比对中，最后得出最佳的匹配方案得到结果）

(4) 在竹子的基因组片段中找基因

(5) 在植物抗病基因中找一致性序列（domains/motifs）（这个你可以用寻找motif的软件工具，如MEME）

(6) 构建植物抗病基因的系统发生树

(7) 写一篇近两年关于谷物类基因或者人类基因组相关的综述。

P.S. LZ你这个是课程结束作业么，工作量不小啊

因为这样精确。

测序数据有小数是因为这样精确

测序数据有小数是为了防止误差，得到的小片段（类似ATCCTA..GCTA）counts：与已知序列（基因）比对上的reads个数（为整数，可能是个位数也可能是几千，与基因表达情况和测序深度有关）由于不同基因的reads长度不同，从统计角度上看，需要采用FPKM或RPKM来排除随机抽样带来的偏倚。并且，不同的测序深度，直接影响counts的个数。通常，如果数据集都为整数，基本上可以判定是counts值，如果是小数，基本上可以判定是做整理后的FPKM或RPKM，这个就需要找到数据集的源头（NCBI或其它数据库）查看数据的说明

---