生物信息学引论钟 扬.ppt

课程内容 数据仓库的定义 (W.H.Inmon)： 面向主题的、集成的、稳定的、历史的数据集合，用于支持战略决策制订 (而传统的操作型数据库是面向应用的、细节的、可更新的、瞬时的) 1）面向主题的：每个主题对应于一个宏观分析领域 2）集成的：入库之前，要进行加工集成 (转成面向主题的) 3）稳定的：几乎不更新（覆盖） 4）历史的：一般要用到过去5-10年的数据 数据挖掘的定义：一种决策支持过程，主要基于人工智能、机器学习、统计学等技术，高度自动化地分析原始数据，做出正确的决策 从大量的、不完整的、有噪声的、模糊的、随机的……数据中, 提取隐含其中的、人们事先不知道的、潜在有用的……信息和知识的过程、技术…… NCBI National Center for Biotechnology Information / 全球最大的生物信息资源中心 DNA 序列、蛋白质序列、出版物、数据挖掘工具等 KEGG数据库组织框架 主要的序列数据格式 FASTA GenBank SwissProt ASN.1 XML FASTA格式 用于各种FASTA 工具 简要说明之后就是序列 没有注释信息, 只有序列 例: GenBank格式 GenBank用纯文本文件 注释、作者 、版本等信息 例: SWISS-PROT格式 用于SWISS-PROT 数据库 包括注释信息 例: XML格式 eXtensible Markup Language 类似HTML 国际标准 半结构化 例: ASN.1格式 国际标准 半结构化格式 用于NCBI 数据 例: 格式转换 通常一种工具采用一种格式, 可用 (在线) 软件进行格式转换 ReadSeq /seq-util/Options/readseq.html SEQIO /~gusfield/seqio.html 数据下载 查询并选择数据库数据 从网页直接下载数据 用脚本下载数据 Perl / BioPerl 用FTP批量下载数据 如 在一个项目中同时采用上述多种方法 KEGG 光合作用代谢通路 rbcL 基因及一个光合作用通路 蛋白质相互作用数据库 （1） 蛋白质相互作用数据库 （2） 蛋白质相互作用数据库 （3） 蛋白质相互作用数据库 （4） 蛋白质相互作用数据库 （5） gi|1040960|gb|U35641.1|MMU35641 Mus musculus Brca1 mRNA, complete cds GGCACGAGGATCCAGCACCTCTCTTGGGGCTTCTCCGTCCTCGGCGCTTGGAAGTACGGATCTTTTTTCT CGGAGAAAAGTTCACTGGAACTGGAAGAAATGGATTTATCTGCCGTCCAAATTCAAGAAGTACAAAATGT CCTTCATGCTATGCAGAAAATCTTAGAGTGTCCGATCTGTTTGGAACTGATCAAAGAACCTGTTTCCACA AAGTGTGACCACATATTTTGCAAATTTTGTATGCTGAAACTTCTTAACCAGAAGAAAGGGCCTTCACAAT GTCCTTTGTGTAAGAATGAGATAACCAAAAGGAGCCTACAGGGAAGCACAAGGTTTAGTCAGCTTGCTGA AGAGCTGCTGAGAATAATGGCTGCTTTTGAGCTTGACACGGGAATGCAGCTTACAAATGGTTTTAGTTTT TCAAAAAAGAGAAATAATTCTTGTGAGCGTTTGAATGAGGAGGCGTCGATCATCCAGAGCGTGGGCTACC GGAACCGTGTCAGAAGGCTTCCCCAGGTCGAACCTGGAAATGCCACCTTGAAGGACAGCCTAGGTGTCCA GCTGTCTAACCTTGGAATCGTGAGATCAGTGAAGAAAAACAGGCAGACCCAACCTCGAAAGAAATCTGTC TACATTGAACTAGACTCTGATTCTTCTGAAGAGACAGTAACTAAGCCAGGTGATTGCAGTGTGAGAGACC … LOCUS MMU35641 5538 bp mRNA linear ROD 18-OCT-1996 DEFINITION Mus musculus Brca1 mRNA, complete cds. ACCESSION U35641 VERSION U35641.1 GI:1040960 KEYWORDS . SOURCE house mouse strain=C57Bl/