O documento discute bases de dados biológicas como GenBank, COG e KEGG, que fornecem informações sobre sequências genéticas, proteínas e vias metabólicas. Ele explica como esses recursos podem ser usados para mapear genes a números orthologous e vias metabólicas.

1. +
Bioinformática
Bases de dados biológicos
Gabriel da Rocha Fernandes
Universidade Católica de Brasília
gabrielf@ucb.br - fernandes.gabriel@gmail.com

2. + 2
Bases de dados biológicos
n Disponibilizam de dados e informações biológicas.
n Bases de dados primárias: depósitos de sequências.
n DDBJ (DNA Data Bank of Japan)
n EBI
n GenBank - NCBI
n Bases
de dados secundárias: agrupam informações biológicas
- genômica, proteômica, metabolômica...
n COG/KOG
n UniProt
n Pfam
n KEGG
n PDB

3. + 3
NCBI - National Center for
Biotechnology Information
n Nucleotide - Todas as sequências de nucleotideos.
n Proteins - Sequências de aminoácidos.
n Genome - Genomas completos.
n Taxonomy - Informação taxonômica
n dbSNP - Base de dados de variações: SNP, INDEL...
n dbEST - Bases contendo sequencias de mRNA.
n SRA - Dados de NGS.
n CDD - Base de dados de domínios conservados
n Pubmed - Artigos.

4. + 4
NCBI
n www.ncbi.nlm.nih.gov

5. + 5
NCBI
National Institute
of Health
National Library
of Medicine

6. + 6
GenBank

7. + 7
Taxonomy

8. + 8
Genome

9. + 9
COG - Cluster of Orthologous
groups
n Base de dados do NCBI.
n 63 genomas procarióticos e 3 eucarióticos.
n Mais que 192 mil entradas em 4872 grupos.
n http://www.ncbi.nlm.nih.gov/COG/
n BBH - Bidirectional Best Hit
n Agrupa genes ortólogos sob um mesmo
identificador.
n

10. + 10
Trabalhando com COG

11. + 11
Trabalhando com COG

12. + 12
KEGG - Conjunto de bases de
dados integradas
n Idealizada
em 1995 – mapas metabólicos para o projeto
genoma humano.
n Sub bases de dados.
n "Pathway", "Genes", "Enzyme" e "Compound” no início.
n "Genome"em 2000, "Reaction" em 2001, e em 2002 “KEGG
Orthology (KO)”

13. + 13
KEGG - Conjunto de bases de
dados integradas

14. + 14
Composição
n Dados de 1601 genomas completos são utilizados.
n Todos os genes e respectivas proteínas mapeadas no genoma.
n 99
organismos representados em quase 3,8 milhões de contigs
de EST.
n 15 Metagenomas.

15. + 15
KEGG Pathway
n Agrupainformações de mapas de
vias metabólicas e não-metabólicas.
n 392 vias.
n Através
da integração de informações
de cada composto e enzima permite o
estudo de uma via por completo.

16. + 16
KEGG Pathway

17. + 17
KEGG Reaction
! Contém informações sobre
as reações químicas
catalizadas pelas enzimas.
! Permite associar a uma
enzima ou a um KO.
! Identificação de KO
equivalentes

18. + 18
Hierarquia do KEGG
! A fonte de anotação até então disponível – GO (Gene
Ontology) não possui uma organização em níveis funcionais.

19. + 19
Hierarquia do KEGG
! Padronização de 4 níveis hierárquicos.
! 7 Categorias, 37 subcategorias, 392 vias e 14618 KO.
Categoria
Sub categoria
Via
KO
! Anotação automatizada: KAAS e KOBAS

20. + 20
KEGG Orthology (KO)
n Integrar
a informação genômica às redes protéicas através dos
números EC.
n Utiliza
identificadores comuns nos genomas e nas vias
metabólicas.
n Gruposeram formados por análise manual de um banco de
similaridades combinada com características evolutivas.
n Informação propagada utilizando ferramentas computacionais
(KOALA)
n Peça chave para o sistema hierárquico do KEGG.

21. + 21
KEGG Orthology (KO)
! Identificador do grupo.
! Nome, definição e EC.
! Vias que participa.
! Módulos de vias envolvidos.
! Hierarquia completa.
! Equivalentes em outras bases.
! Genes.

22. + 22
Acessando os dados do KEGG

23. + 23
Trabalhando com os dados do
KEGG
+--------------------+-----------------------+------------+--------+ +--------+------------------+
| level1 | level2 | pathway | ko | | ko | id |
+--------------------+-----------------------+------------+--------+ +--------+------------------+
| Cellular Processes | Cell Growth and Death | Cell cycle | K04381 | | K04381 | hsa:3925 |
| K04381 | ptr:456650 |
| Cellular Processes | Cell Growth and Death | Cell cycle | K04503 |
| K04381 | mmu:16765 |
| Cellular Processes | Cell Growth and Death | Cell cycle | K10151 | | K04381 | rno:29332 |
| Cellular Processes | Cell Growth and Death | Cell cycle | K10152 | | K04381 | rno:303471 |
| Cellular Processes | Cell Growth and Death | Cell cycle | K02089 | | K04381 | cfa:478175 |
| Cellular Processes | Cell Growth and Death | Cell cycle | K02091 | | K04381 | bta:539789 |
| Cellular Processes | Cell Growth and Death | Cell cycle | K06618 | | K04381 | bta:616317 |
| Cellular Processes | Cell Growth and Death | Cell cycle | K04681 | | K04381 | ssc:494463 |
| Cellular Processes | Cell Growth and Death | Cell cycle | K06619 | | K04381 | ecb:100057411 |
| Cellular Processes | Cell Growth and Death | Cell cycle | K06067 | | K04381 | mdo:100011564 |
| Cellular Processes | Cell Growth and Death | Cell cycle | K06620 | | K04381 | oaa:100083723 |
| Cellular Processes | Cell Growth and Death | Cell cycle | K09389 | | K04381 | gga:396057 |
| Cellular Processes | Cell Growth and Death | Cell cycle | K04682 | | K04381 | xla:380364 |
| K04381 | xla:397962 |
| Cellular Processes | Cell Growth and Death | Cell cycle | K04683 |
| K04381 | xtr:493340 |
| Cellular Processes | Cell Growth and Death | Cell cycle | K09392 | | K04381 | dre:550548 |
| Cellular Processes | Cell Growth and Death | Cell cycle | K03083 | | K04381 | spu:579431 |
| Cellular Processes | Cell Growth and Death | Cell cycle | K04384 | | K04381 | dme:Dmel_CG31641 |
| Cellular Processes | Cell Growth and Death | Cell cycle | K04500 |
| Cellular Processes | Cell Growth and Death | Cell cycle | K04501 |
| Cellular Processes | Cell Growth and Death | Cell cycle | K04377 |
| Cellular Processes | Cell Growth and Death | Cell cycle | K10500 |
| Cellular Processes | Cell Growth and Death | Cell cycle | K06621 |

24. + 24
Trabalhando com os dados do
KEGG
+--------+------------+------+
| ko | UniProt_ac | txid | >B3KX76
+--------+------------+------+ MSMHNVKIFMFQLLRGLAYCHHRKILHRDLKPQNLLINERGELKLADFGLARAKSVP
| K02087 | B3KX76 | 9606 | TKTYSNEVVTLWYRPPDVLLGSTEYSTPIDMWGVGCIHYEMATGRPLFPGSTVKEEL
| K02087 | B4DK59 | 9606 | HLIFRLLGTPTEETWPGVTAFSEFRTYSFPCYLPQPLINHAPR
| K02087 | B7Z3D6 | 9606 |
| K02087 | O94921 | 9606 | >B4DK59
| K02087 | P06493 | 9606 | MLALTLRPPPLAKSHLKLGGTPAPARVNGKLVALKVIRLQEEEGTPFTAIREASLLK
| K02087 | P24941 | 9606 | GLKHANIVLLHDIIHTKETLTLVFEYVHTDLCQYMDKHPGGLHPDNVKLFLFQLLRG
| K02087 | Q00526 | 9606 | LSYIHQRYILHRDLKPQNLLISDTGELKLADFGLARAKSVPSHTYSNEVVTLWYRPP
| K02087 | Q5H9N4 | 9606 | DVLLGSTEYSTCLDMWGVGCIFVEMIQGVAALPGMKDIQDQLERIFLVLGTPNEDTW
| K02087 | Q96Q40 | 9606 | PGVHSLPHFKPERFTLYSSKNLGQAWNKLSYVNHAEDLASKLLQCSPKNRLSAQAAL
| K02089 | A4D1G0 | 9606 | SHEYFSDLPPRLWELTDMSSIFTVPNVRLQPEAGESMRAFGKNNSYGKSLSNSKH
| K02089 | B2R9A0 | 9606 |
| K02089 | P11802 | 9606 | >B7Z3D6
| K02089 | Q00534 | 9606 | MEDYTKIEKIGEGTYGVVYKGRHKTTGQVVAMKKIRLESEEEGVPSTAIREISLLKE
| K02089 | Q6LC83 | 9606 | LRHPNIVSLQDVLMQDSRLYLIFEFLSMDLKKYLDSIPPGQYMDSSLVKVKA

25. + 25
Trabalhando com os dados do
KEGG
! O resultado de BLAST aponta uma proteína presente na base
do KEGG e com isso podemos facilmente associa-la a um KO
e a uma via.
gnl|UG|Hs#S30142429 Q13616 96.55 29 1 0 72 158 648 676 8e-11 58.2
gnl|UG|Hs#S30142911 P63208 99.13 115 1 0 109 453 1 115 1e-64 236
gnl|UG|Hs#S30143098 P63208 100.00 91 0 0 114 386 1 91 8e-53 193
gnl|UG|Hs#S30143098 P63208 84.62 13 2 0 403 441 98 110 8e-53 25.0
gnl|UG|Hs#S30143241 Q92793 100.00 109 0 0 18 344 1153 1261 1e-66 242
gnl|UG|Hs#S30143494 Q8N3U4 91.67 36 3 0 189 296 1 36 3e-15 71.6
gnl|UG|Hs#S30143519 P01106 98.11 106 2 0 17 334 236 341 2e-57 211
gnl|UG|Hs#S30144095 P62258 95.77 71 3 0 128 340 1 71 6e-34 133
gnl|UG|Hs#S30144095 P62258 95.77 71 3 0 128 340 1 71 6e-34 133
gnl|UG|Hs#S30144153 Q14683 99.07 108 1 0 17 340 563 670 5e-60 220
gnl|UG|Hs#S30144285 P14635 100.00 78 0 0 17 250 292 369 4e-43 164
gnl|UG|Hs#S30144467 P63208 98.67 75 1 0 114 338 1 75 4e-41 157
gnl|UG|Hs#S30144468 P63208 96.00 75 3 0 114 338 1 75 3e-40 154
gnl|UG|Hs#S30144470 P62258 97.26 73 2 0 108 326 1 73 1e-35 139
gnl|UG|Hs#S30144470 P62258 97.26 73 2 0 108 326 1 73 1e-35 139
gnl|UG|Hs#S30144585 P63208 100.00 68 0 0 135 338 1 68 2e-36 141

26. + 26
Trabalhando com os dados do
KEGG
+---------------------+---------+-------+-------+--------+
| query | subject | ident | score | ko |
+---------------------+---------+-------+-------+--------+
| gnl|UG|Hs#S30189081 | A9UF07 | 100 | 62.8 | K06619 |
| gnl|UG|Hs#S30189081 | A9UF07 | 100 | 62.8 | K08887 |
| gnl|UG|Hs#S30147748 | B2RCP2 | 36.46 | 75.1 | K10500 |
| gnl|UG|Hs#S30154730 | B4DDB4 | 97.06 | 74.3 | K06628 |
| gnl|UG|Hs#S30155837 | B4DWW4 | 91.86 | 162 | K02541 |
| gnl|UG|Hs#S30155838 | B4DWW4 | 91.86 | 162 | K02541 |
| gnl|UG|Hs#S30178663 | B4DWW4 | 100 | 142 | K02541 |
| gnl|UG|Hs#S30150201 | B4DXB4 | 44.33 | 107 | K10500 |
| gnl|UG|Hs#S30186479 | C9J9T0 | 100 | 142 | K01783 |
| gnl|UG|Hs#S30186479 | C9J9T0 | 100 | 142 | K02540 |
+---------------------+---------+-------+-------+--------+
+--------+----------+---------------------------------------------------------------------+
| ko | quantida | description |
+--------+----------+---------------------------------------------------------------------+
| K06630 | 42 | tyrosine 3-monooxygenase/tryptophan 5-monooxygenase activation |
| K06644 | 42 | stratifin |
| K06636 | 34 | structural maintenance of chromosome 1 |
| K03094 | 27 | S-phase kinase-associated protein 1 |
| K10500 | 14 | zinc finger and BTB domain-containing protein 17 |
| K02210 | 10 | minichromosome maintenance protein 7 (cell division control protein |
| K03868 | 9 | RING-box protein 1 |
| K04381 | 8 | stathmin |
| K06642 | 8 | DNA-dependent protein kinase catalytic subunit [EC:2.7.11.1] |
| K04498 | 8 | E1A/CREB-binding protein [EC:2.3.1.48] |
+--------+----------+---------------------------------------------------------------------+

27. + 27
Trabalhando com os dados do
KEGG

28. + 28
Outras bases de vias metabólicas
n BioCyc - www.biocyc.org
n Reactome - www.reactome.org
n Panther - www.pantherdb.org

29. + 29
PDB - Estrutura

30. + 30
UniProt
n UniProtKB: mais
que 14 milhões de entradas anotadas provenientes
de Swiss-Prot (manual) e trEMBL (automática).
n UniRef: agrupa
entradas que compartilham 50%, 90% ou 100% de
identidade em uma sequência não redundante.

31. + 31
dbSNP

32. + 32
Gene Ontology