DNA vs. computer

АТФ
5`-
3`-

Как записывают последовательности нуклеиновых кислот ?
1. Последовательность = последовательность однобуквенных символов.
Никаких дефисов и обозначений фосфодиэфирных связей.
2. Одни и те же однобуквенные символы для последовательностей РНК и
ДНК (при записи РНК обычно ‘U’ ⇒ ‘T’ ).
Любая последовательность по умолчанию считается ДНК
(т.е. полимером 2'-дезоксирибонуклеотидов).
3. Одни и те же символы используются для обозначения азотистых
оснований, нуклеозидов и нуклеотидов
Допустимы заглавные и строчные буквы, хотя рекомендованы заглавные.
4. Последовательность записывается в направлении 5'→3'
Пример:
5'-CTCGAC-3'
Nomenclature Committee of the International Union of Biochemistry (NC-IUB)
Nomenclature for incompletely specified bases in nucleic acid sequences
Recommendations 1984
Biochem. J. (1985) 229, 281-286

Общепринятые однобуквенные обозначения для стандартных
азотистых оснований (остатков нуклеозидов и нуклеотидов)
и вырожденных позиций в выравниваниях нуклеиновых кислот

NCBI и EBI
National Center for Biotechnology Information и European Bioinformatics Institute (подразделение EMBL – European Molecular Biology Laboratory)
Три базы данных – GenBank, EMBL и DDBJ (японская) – по сути, одно и то же.
GenBank
EMBL database
DNA data bank of Japan

Что надо знать про банк EMBL
что это архив (за содержание записи несёт ответственность её автор)
поэтому разнобой в терминологии
поэтому одно и то же по многу раз
поэтому много неисправленных ошибок
что у последовательности из записи часто нет естественных границ
что это часть триединства (EMBL, GenBank, DDBJ)
ежедневный обмен данными
… ну и смысл основных полей, конечно (особенно структуру поля FT!)
http://www.ebi.ac.uk/embl/Documentation/User_manual/usrman.html

~2 500 000
последовательностей
компьютерный поиск гена, трансляция и компьютерная аннотация
UniRef
(UniProt
non-redundant
Reference
databases)
UniParc
(UniProt Archive)
~200 000 последовательностей
Экспертиза
Базы данных
научной литературы

Класс данных

Таксономический раздел

ID - identification (begins each entry; 1 per entry)
AC - accession number (>=1 per entry)
PR - project identifier (0 or 1 per entry)
DT - date (2 per entry)
DE - description (>=1 per entry)
KW - keyword (>=1 per entry)
OS - organism species (>=1 per entry)
OC - organism classification (>=1 per entry)
OG - organelle (0 or 1 per entry)
RN - reference number (>=1 per entry)
RC - reference comment (>=0 per entry)
RP - reference positions (>=1 per entry)
RX - reference cross-reference (>=0 per entry)
RG - reference group (>=0 per entry)
RA - reference author(s) (>=0 per entry)
RT - reference title (>=1 per entry)
RL - reference location (>=1 per entry)
DR - database cross-reference (>=0 per entry)
CC - comments or notes (>=0 per entry)
AH - assembly header (0 or 1 per entry)
AS - assembly information (0 or >=1 per entry)
FH - feature table header (2 per entry)
FT - feature table data (>=2 per entry)
XX - spacer line (many per entry)
SQ - sequence header (1 per entry)
CO - contig/construct line (0 or >=1 per entry)
bb - (blanks) sequence data (>=1 per entry)
// - termination line (ends each entry; 1 per entry)
Поле

FT
FT Key Location/Qualifiers=value
FT CDS 1..1000
/codon=(seq:"cug",aa:Ser)
/codon=(seq:"tga",aa:Trp)
http://www.ebi.ac.uk/embl/WebFeat/index.html

CDS и exons
CDS – кодирующая последовательность, то есть ровно те нуклеотиды, что соответствуют белку (по крайней мере его основной форме).
Кодирующие участки – те фрагменты ДНК, из которых составлен CDS.
Exons – экзоны, то из чего будет составлена зрелая матричная РНК, они включают в себя 5` и 3` - нетранслируемые области – те части РНК, которые отвечают за регуляцию трансляции.

Ссылки из записи Swiss-Prot на EMBL
Каждая строка – отдельный сиквенс; первая ссылка в строке – запись в EMBL, вторая – CDS внутри этой записи (здесь идентификатор, например, AAA24039.1 – это идентификатор CDS в специальном дочернем банке данных EMBL-Coding sequences).