UniProt蛋白質(zhì)數(shù)據(jù)庫簡介

羅靜初

(北京大學 生命科學學院，北京100871)

1 UniProt數(shù)據(jù)庫及其前身的創(chuàng)建歷史

1.1 國際上最早創(chuàng)建的蛋白質(zhì)序列數(shù)據(jù)庫PIR-PSD

蛋白質(zhì)序列數(shù)據(jù)庫的創(chuàng)建可以追溯到半個多世紀以前。二十世紀六十年代中期，美國國家生物醫(yī)學基金會(National Biomedical Foundation, NBRF) Margaret Dayhoff領(lǐng)導的研究小組著手收集蛋白質(zhì)序列數(shù)據(jù)，以《蛋白質(zhì)序列和結(jié)構(gòu)圖集》(Atlas of Protein Sequence and Structure)為書名編著出版，以后又多次更新，一共出了5卷；最后一卷共470頁，于1978年出版。1983年，Dayhoff不幸病逝(1925-1983)，她的同事Winona Barker 繼續(xù)從事蛋白質(zhì)序列收集和蛋白質(zhì)家族分類研究。1984年，這一項目獲美國國立衛(wèi)生研究院(National Institutes of Health, NIH)資助，Barker和NBRF 主任Robert Ledley一起，成立了蛋白質(zhì)信息資源部(Protein Information Resource, PIR)，開發(fā)了蛋白質(zhì)資源鑒定系統(tǒng)(Protein Identification Resource)。該系統(tǒng)包括數(shù)據(jù)庫和分析軟件兩部分，其中數(shù)據(jù)庫則以蛋白質(zhì)序列為主，也包括核酸序列[1]。1988年，NBRF聯(lián)合德國慕尼黑蛋白質(zhì)序列信息中心(Munich Information Center for Protein Sequence, MIPS)和日本國際蛋白質(zhì)信息數(shù)據(jù)庫(Japan International Protein Information Database, JIPID)，在原有PIR的基礎(chǔ)上成立了國際蛋白質(zhì)序列數(shù)據(jù)庫(PIR-International Protein Sequence Database, PIR-PSD)。PIR-PSD是當時數(shù)據(jù)量最大的蛋白質(zhì)序列數(shù)據(jù)庫，根據(jù)序列注釋信息的不同，將所收集的蛋白質(zhì)序列分為PIR1-PIR4四個不同級別[2]。

1.2 人工審閱和注釋的瑞士蛋白質(zhì)序列數(shù)據(jù)庫Swiss-Prot

1986年，瑞士日內(nèi)瓦大學醫(yī)學院Amos Bairoch創(chuàng)建了蛋白質(zhì)序列數(shù)據(jù)庫Swiss-Prot，并作為他博士學位論文的一部分[3]。Swiss-Prot數(shù)據(jù)庫的格式借鑒1981年創(chuàng)建的歐洲核酸序列數(shù)據(jù)庫(EMBL)，其數(shù)據(jù)來源除上述PIR-PSD數(shù)據(jù)庫外，還包括核酸序列數(shù)據(jù)庫EMBL中編碼區(qū)序列翻譯得到的蛋白質(zhì)序列，以及文獻中收集的蛋白質(zhì)序列。該數(shù)據(jù)庫的特色是對序列條目進行人工審閱和注釋，包括物種分類學來源、功能、定位、表達等，同時也包括與其它數(shù)據(jù)庫的鏈接。1987年起，Swiss-Prot由日內(nèi)瓦大學和位于德國海德堡的歐洲分子生物學實驗室(European Molecular Biology Laboratory, EMBL)共同管理和發(fā)布。1994年，EMBL下屬歐洲生物信息學研究所(European Bioinformatics Institute, EBI)在英國劍橋南郊基因組園區(qū)建立，成為僅次于美國NCBI的國際生物信息中心，歐洲分子生物學實驗室負責維護的數(shù)據(jù)庫移交EBI。

1.3 核酸序列翻譯所得的蛋白質(zhì)序列數(shù)據(jù)庫TrEMBL

20世紀90年代，隨著核酸序列測定技術(shù)的發(fā)展，核酸序列數(shù)據(jù)激增，由核酸序列通過計算機程序翻譯得到的蛋白質(zhì)序列也急劇增長。1996年，歐洲生物信息學研究所Rolf Apweiler和瑞士日內(nèi)瓦大學Bairoch共同創(chuàng)建了蛋白質(zhì)序列數(shù)據(jù)庫TrEMBL，作為Swiss-Prot數(shù)據(jù)庫的補充和后備，專門存放核酸序列數(shù)據(jù)庫EMBL中蛋白質(zhì)編碼序列翻譯所得氨基酸序列。1998年，瑞士生物信息研究所(Swiss Institute of Bioinformatics，SIB)成立，主要負責管理、維護、發(fā)布和進一步開發(fā)Swiss-Prot數(shù)據(jù)庫，而EBI主要負責管理、維護和發(fā)布TrEMBL數(shù)據(jù)庫。

1.4 蛋白質(zhì)數(shù)據(jù)庫UniProt

2002年，獲美國國立衛(wèi)生研究院(National Institutes of Health)和美國科學基金會(National Science Foundation)、歐盟(European Union)，以及瑞士聯(lián)邦政府教育和科研聯(lián)合辦公室等機構(gòu)資助，Swiss-Prot、TrEMBL和PIR三個國際上主要蛋白質(zhì)序列數(shù)據(jù)庫合并，建立了通用蛋白質(zhì)資源(Universal Protein Resource, UniProt)，統(tǒng)一收集、管理、注釋、發(fā)布蛋白質(zhì)序列數(shù)據(jù)及注釋信息[4]。UniProt的核心數(shù)據(jù)是蛋白質(zhì)序列，因此也常被稱為蛋白質(zhì)序列數(shù)據(jù)庫，或簡稱蛋白質(zhì)數(shù)據(jù)庫。目前，UniProt已經(jīng)成為歐洲生命科學大數(shù)據(jù)聯(lián)盟(European Life Science Infrastructure for Biological Information, ELIXIR)主要核心數(shù)據(jù)資源之一，研究開發(fā)團隊共100多人，歐洲生物信息學研究所Alex Bateman、瑞士生物信息研究所Alan Bridge和美國特拉華大學(University of Delaware)生物信息學和計算生物學中心Cathy Wu共同擔任項目負責人，基金資助來源包括美國和歐洲多個政府部門。UniProt從創(chuàng)建至今，一直遵循人類基因組計劃實施時國際科學界達成的共識，即基因組、蛋白組等生物信息數(shù)據(jù)資源應該為全人類共享，為世界各國公眾提供無償服務(wù)。不言而喻，UniProt已經(jīng)成為生命科學研究和生物技術(shù)開發(fā)不可或缺的蛋白質(zhì)序列信息資源。

2 UniProt數(shù)據(jù)庫主要內(nèi)容

UniProt包括三個主要部分，即蛋白質(zhì)知識庫(UniProt Knowledgebase, UniProtKB)、蛋白質(zhì)序列歸檔庫(UniProt Sequence Archive, UniParc)和蛋白質(zhì)序列參考集(UniProt Reference Clusters, UniRef)。為適應蛋白組學研究的需要，UniProt數(shù)據(jù)庫還新增了蛋白組(Proteome)和參考蛋白組數(shù)據(jù)。此外，UniProt數(shù)據(jù)庫還包括文獻引用(Literature Citations)、物種分類學來源(Taxonomy)、亞細胞定位(Subcellular Locations)、數(shù)據(jù)庫交叉鏈接(Cross-reference Databases)、相關(guān)疾病(Diseases)和關(guān)鍵詞(Keywords)等輔助數(shù)據(jù)。

2.1 蛋白質(zhì)知識庫UniProtKB

蛋白質(zhì)知識庫UniProtKB是UniProt的精華，除核心數(shù)據(jù)蛋白質(zhì)序列外，還包含大量注釋信息[5]。這些信息是從學術(shù)文獻和其它數(shù)據(jù)庫中通過人工閱讀和計算機提取得到的，內(nèi)容包括蛋白質(zhì)功能基因本體(Gene Ontology, GO)注釋、物種名及分類、亞細胞定位、蛋白質(zhì)加工修飾、表達等信息。此外，UniProtKB還提供與基因組、核酸序列、蛋白質(zhì)結(jié)構(gòu)、蛋白質(zhì)家族、蛋白質(zhì)功能位點、蛋白質(zhì)相互作用等其它數(shù)據(jù)庫的交叉鏈接。

UniProtKB分為Swiss-Prot和TrEMBL兩個子庫。兩個子庫序列條目分類相似，主要差別在于Swiss-Prot子庫中的序列條目以及相關(guān)信息都經(jīng)過手工注釋(Manual Annotation)和人工審閱(Reviewed)，由瑞士生物信息研究所團隊負責。該團隊由經(jīng)驗豐富的分子生物學家和生物化學家組成，專門從事蛋白質(zhì)序列數(shù)據(jù)的搜集、整理、分析、注釋，力圖為用戶提供高質(zhì)量的蛋白質(zhì)序列和豐富的注釋信息。

TrEMBL子庫由歐洲生物信息學研究所團隊負責，所有序列條目由計算機程序根據(jù)一定規(guī)則進行自動注釋，內(nèi)容包括蛋白質(zhì)名、基因名、物種名、分類學地位等基本信息，功能、表達、定位、家族和結(jié)構(gòu)域等注釋信息，以及與其它數(shù)據(jù)庫的交叉鏈接。需要說明的是，TrEMBL子庫中的序列未經(jīng)手工注釋，也未經(jīng)人工審閱(Unreviewed)，可靠性遠不及Swiss-Prot子庫中的序列，使用時需謹慎。TrEMBL和Swiss-Prot采用統(tǒng)一的數(shù)據(jù)庫格式和登錄號系統(tǒng)，TrEMBL中的序列經(jīng)手工注釋和人工審閱后，歸并到Swiss-Prot子庫中，不再在TrEMBL子庫中保留。這兩個子庫的數(shù)據(jù)量差別很大，如2019年1月發(fā)布的統(tǒng)計報表，Swiss-Prot子庫約含56萬條序列，而TrEMBL子庫的數(shù)據(jù)量達到1.4億條。

2.2 蛋白質(zhì)序列歸檔庫UniParc

蛋白質(zhì)序列歸檔庫UniParc是目前數(shù)據(jù)最為齊全的非冗余蛋白質(zhì)序列數(shù)據(jù)庫。由于數(shù)據(jù)來源、測定方法、遞交時間、審閱方式和更新周期等多種原因，同一蛋白質(zhì)可能存放于多個數(shù)據(jù)庫，而某個數(shù)據(jù)庫中收錄的若干條目其序列也可能相同。為避免上述冗余問題，UniParc 歸檔庫對相同序列歸并到同一個記錄中，并賦予特定標識符(Unique Identifier，UPI)。特定標識符一旦賦予，就不再改變，也永不刪除。UniParc定期更新，若源數(shù)據(jù)庫中某個序列有了更新，可以在UniParc中查到更新記錄。通過上述策略，UniParc以序列唯一性為標準，將國際上不同蛋白質(zhì)序列數(shù)據(jù)庫整合在一起，搜索UniParc，就相當于同時搜索這些數(shù)據(jù)庫。UniParc的數(shù)據(jù)來源除UniProtKB知識庫外，還包括國際核酸序列數(shù)據(jù)庫(EMBL/DDBJ/GenBank)、NCBI參考序列數(shù)據(jù)庫(Reference Sequence, RefSeq)、基因組數(shù)據(jù)庫(Ensembl)、脊椎動物基因組注釋(Vertebrate Genome Annotation, VEGA)、擬南芥等模式生物數(shù)據(jù)庫、蛋白質(zhì)三維結(jié)構(gòu)數(shù)據(jù)庫(Protein Data Bank, PDB)，以及歐美、日本、韓國等蛋白質(zhì)序列專利數(shù)據(jù)庫，共計二十多個。2019年1月發(fā)布的UniParc歸檔庫中，約含2.5億個記錄。

每個UniParc記錄除包含特定標識符UPI、序列、循環(huán)冗余校驗碼(Cyclic Redundancy Check Number)等基本信息外，同時列出源數(shù)據(jù)庫，包括源數(shù)據(jù)庫名稱、源數(shù)據(jù)庫中該序列的登錄號、版本號、最早收錄時間和最近更新時間。不論這些序列條目源自何處，具有同一標識符的所有條目序列完全相同。若源數(shù)據(jù)庫已經(jīng)不復存在或源數(shù)據(jù)庫中該序列條目已經(jīng)不復存在，則標注為無效(Inactive)條目。以血紅蛋白alpha亞基為例，其UniParc標識符為UPI0000000239，共包括214個有效條目，1 178個無效條目(2019年1月發(fā)布的版本)。通過有效條目中的登錄號，可以查看源數(shù)據(jù)庫中該序列條目。通過無效條目，可以追蹤該序列歷史，搞清該序列曾經(jīng)出現(xiàn)在哪些數(shù)據(jù)庫中。

2.3 蛋白質(zhì)序列參考集UniRef

蛋白質(zhì)序列參考集UniRef分為三個數(shù)據(jù)集(Sequence Cluster)，分別為UniRef100、UniRef90和UniRef50，其數(shù)據(jù)主要來自UniProtKB知識庫，同時也包括UniParc歸檔庫中部分條目[6]。2019年1月發(fā)布的數(shù)據(jù)，UniRef100數(shù)據(jù)集約含1.7億個記錄，UniRef90數(shù)據(jù)集記錄數(shù)約為UniRef100的一半，約9千萬個，而UniRef50數(shù)據(jù)集含3千多萬個記錄。UniRef三個數(shù)據(jù)集的構(gòu)建采用一定算法，分三步進行。第一步是把不同物種中長度不小于11個氨基酸的相同序列和序列片段合并在一起，得到UniRef100數(shù)據(jù)集。第二步是按相同位點所占序列全長比例90%為閾值，將UniRef100數(shù)據(jù)集中高度相似序列合并在一起，產(chǎn)生UniRef90數(shù)據(jù)集。第三步則是按相同位點所占序列全長比例50%為閾值，將UniRef90數(shù)據(jù)集中具有一定相似性的序列合并在一起，所得數(shù)據(jù)集即UniRef50。

UniRef三個數(shù)據(jù)集中每個記錄都有一個標識符，便于查詢和比較。例如，標識符為UniRef100_P01308的記錄中含4條胰島素序列(確切地說，應該是胰島素原前體Pre-proinsulin)，3條為人胰島素(Insulin)，1條為大猩猩(Gorilla)胰島素。若對這4條序列進行多序列比對，所有位點完全相同。需要說明的是，3條人胰島素序列中有2條為TrEMBL中未經(jīng)審閱的序列，其中1條為序列片段，長度為94 aa，而全長胰島素原前體長度為110 aa。UniRef三個數(shù)據(jù)集的每個記錄中，選取序列長度最長的一條序列作為種子序列(Seed)，選擇注釋最為詳盡的序列為代表序列(Representative)。例如，上述UniRef100_P01308記錄4條序列中，種子序列為大猩猩胰島素(登錄號Q6YK33)，長度為110 aa；代表序列為人胰島素(登錄號P01308)。

UniRef90_P01308記錄中包含11條序列，其相同位點比例不低于90%。除上述UniRef100_P01308中的4條序列外，其它7條序列來自6種靈長類動物：倭黑猩猩(Pygmy Chimpanzee)、婆羅洲猩猩(Bornean Orangutan)、蘇門答臘猩猩(Sumatran Orangutan)、白頰長臂猿(Northern White-cheeked Gibbon)、白頸白眉猴(Sooty Mangabey)、金絲猴(Golden Snub-nosed Monkey)，以及1種非靈長類動物樹鼩(Tree Shrew)。這11條序列中，種子序列為來自UniParc的白頰長臂猿胰島素剪接變體(Isoform1 X1)，序列長度為134 aa；代表序列仍為人胰島素(P01308)。

UniRef50_P01308記錄共含79條序列，其相同位點比例不低于50%，物種分布范圍則包括靈長類、嚙齒類、獸類、兩棲類、魚類等多個譜系。這79條序列中，種子序列為來自UniParc的巖鴿(Rock Dove)胰島素剪接變體，長度為139 aa；代表序列仍為人胰島素(P01308)。

2.4 蛋白組Proteome

除UniProtKB知識庫、UniRef參考序列集和UniParc歸檔庫外，自2011年9月起，UniProt又增加了蛋白組數(shù)據(jù)。英文“蛋白組”(Proteome)這一術(shù)語，由澳大利亞學者Marc Wilkins于1994年在一次學術(shù)討論會上提出。我們知道，一個物種的基因組DNA序列只有一套，而轉(zhuǎn)錄組mRNA序列則不止一套，不同組織、不同發(fā)育階段、不同環(huán)境條件的轉(zhuǎn)錄組均不相同。即使是同一套轉(zhuǎn)錄組，經(jīng)過翻譯后處理、修飾等，其最終產(chǎn)物蛋白組也很不相同。盡管目前已經(jīng)可以通過質(zhì)譜等手段直接測定肽段序列，并經(jīng)過拼接后獲得蛋白質(zhì)序列，與基因組和轉(zhuǎn)錄組測序相比，無論是測序成本還是測序通量，仍有較大距離。UniProt數(shù)據(jù)庫中的蛋白組數(shù)據(jù)，主要是指已經(jīng)完成全基因組測序物種的核酸序列翻譯所得的蛋白質(zhì)序列。

截至2019年1月，UniProt數(shù)據(jù)庫中收錄的蛋白組數(shù)據(jù)共18.8萬多組，每組數(shù)據(jù)都賦予蛋白組特定標識符(Unique Proteome Identifier)，如大腸桿菌K12菌株的標識符為UP000000625。上述蛋白組數(shù)據(jù)絕大部分來自細菌和病毒，如大腸桿菌就有6 000多套蛋白組數(shù)據(jù)，而艾滋病毒也有近6 000套蛋白組數(shù)據(jù)。由于研究背景、測序質(zhì)量、注釋程度等多方面原因，同一物種不同蛋白組的數(shù)據(jù)質(zhì)量也參差不齊。為此，UniProt數(shù)據(jù)庫挑選測序質(zhì)量較好、數(shù)據(jù)比較完整、注釋比較詳盡的蛋白組為參考蛋白組(Reference Proteome)，目前總計有1.3萬多套參考蛋白組數(shù)據(jù)。參考蛋白組通常為具有代表性的蛋白組，有的通過人工選擇確定，有的則通過一定算法由計算機選擇得到。大腸桿菌共三套參考蛋白組數(shù)據(jù)，分別來自K12、O157:H7和ISC11三個不同菌株，而艾滋病毒則有6套蛋白組數(shù)據(jù)，包括I型和II型兩種不同亞型的數(shù)據(jù)。真核生物蛋白組數(shù)據(jù)遠比細菌和病毒少，2019年1月發(fā)布的版本中不到1 500套。

需要說明的是，參考蛋白組中的序列條目并非都經(jīng)過人工審閱，如上述大腸桿菌三個參考蛋白組的數(shù)據(jù)，K12菌株共有4 446個條目，其中4 345個條目已經(jīng)人工審閱；O157:H7(蛋白組標識符UP000000558)共有5 062個條目，其中2 028個已經(jīng)人工審閱；而ISC11(蛋白組標識符UP000019194)全部6 130個條目均未經(jīng)人工審閱。人類基因組計劃指定的模式生物釀酒酵母(Saccharomyces cerevisiae, strain ATCC 204508 / S288c, 蛋白組標識符UP000002311)所有6 049個序列條目，均已經(jīng)過人工審閱。人類參考蛋白組(蛋白組標識符UP000005640)共計約7.4萬個序列條目，其中約2萬個已經(jīng)人工審閱。

3 UniProt網(wǎng)站功能模塊

與NCBI和EBI等國際著名生物信息中心一樣，UniProt網(wǎng)站(https://www.uniprot.org/)的用戶界面簡潔明了，使用十分方便[7]。主頁面中用一句話說明UniProt的宗旨：為廣大用戶無償提供完整的、高質(zhì)量的蛋白質(zhì)序列和功能信息。主頁面上方列出了UniProt主要組成部分名稱和簡單說明，即蛋白質(zhì)知識庫UniProtKB及其兩個子庫Swiss-Prot和TrEMBL的數(shù)據(jù)量，蛋白質(zhì)序列參考集UniRef，蛋白質(zhì)序列歸檔庫UniParc和蛋白組Proteome，以及文獻引用、交叉數(shù)據(jù)庫、物種分類學來源、疾病、亞細胞定位、關(guān)鍵詞等主要輔助信息。主頁面右側(cè)新聞(News)專欄可供用戶了解數(shù)據(jù)庫更新等情況。此外，UniProt還提供了常用工具、數(shù)據(jù)下載、統(tǒng)計報表、數(shù)據(jù)遞交、應用程序接口等多個功能模塊。而該網(wǎng)站高級檢索功能、幫助文檔、以及蛋白質(zhì)分子精選(Protein Spotlight)，則是UniProt數(shù)據(jù)庫的特色板塊。限于篇幅，下面對這些功能模塊只作簡單介紹。

3.1 高級檢索

方便實用的數(shù)據(jù)庫檢索功能是UniProt網(wǎng)站最大特色之一，特別是高級檢索功能。利用強大的數(shù)據(jù)庫索引技術(shù)，基于數(shù)據(jù)庫條目中不同字段，對數(shù)據(jù)庫中大量注釋信息作了索引，為快速準確查找特定信息提供了方便。值得一提的是，UniProt網(wǎng)站為該數(shù)據(jù)庫中的不同數(shù)據(jù)集提供了統(tǒng)一的檢索界面，點擊檢索框左側(cè)下拉式菜單，即可列出所有可檢索的數(shù)據(jù)集，包括UniProtKB知識庫、UniRef參考序列集、UniParc歸檔庫、Proteome蛋白組，以及文獻、物種等輔助數(shù)據(jù)集，就連幫助文檔也可按關(guān)鍵詞進行檢索。此外，UniProt數(shù)據(jù)庫也支持基于邏輯運算的高級檢索，便于用戶依據(jù)序列條目注釋信息進行精確檢索。

3.2 幫助文檔

豐富的幫助文檔，是UniProt數(shù)據(jù)庫另外一大特色。無論是用戶指南中給出的文本檢索實例(Text Search)，還是有關(guān)UniProt數(shù)據(jù)庫的基本介紹(About UniProt)，或者是常見問題解答(FAQ)，以及UniProtKB用戶手冊(User Manual)，都提供了大量數(shù)據(jù)庫使用的幫助信息。而所有這些幫助信息，均在幫助頁面(https://www.uniprot.org/help/)中分門別類地列出，供用戶瀏覽；也可在主頁面上方的檢索框中指定檢索對象為幫助文檔(Help)后輸入關(guān)鍵詞進行全文搜索。

3.3 在線工具

UniProt數(shù)據(jù)庫中提供的在線工具包括數(shù)據(jù)庫相似性搜索工具(Blast)、序列比對工具(Sequence Alignment)、數(shù)據(jù)批量提取和登錄號映射(Retrieve/ID Mapping)工具和多肽搜索工具(Peptide Search)。在線獲得多序列比對結(jié)果后，用戶可根據(jù)注釋信息和氨基酸特性用不同顏色標注不同位點的序列特征信息。

3.4 數(shù)據(jù)下載

UniProt所有數(shù)據(jù)均可免費下載，其數(shù)據(jù)發(fā)布基于國際知識共享(Creative Commons Attribution CCBY 4.0)許可(https://creativecommons.org/licenses/by/4.0/)。 該網(wǎng)站數(shù)據(jù)下載頁面詳細列出UniProtKB、UniRef和UniParc等不同數(shù)據(jù)集專用文件下載服務(wù)器(FTP)的鏈接，同時包括常見問題回答(FAQ)和必讀文檔(README)等，為用戶特別是初學者提供了有用的信息。值得一提的是，UniProt 還提供基因組注釋數(shù)軌(Genome Annotation Tracks)，用戶可用基因組瀏覽器(Genome Browser)查看UniProt序列條目的注釋信息，為基因組研究提供了很大幫助。需要說明的是，UniProt數(shù)據(jù)庫某些數(shù)據(jù)集的數(shù)據(jù)量極大，需要很大的存儲空間和網(wǎng)絡(luò)帶寬，下載時須謹慎。

3.5 統(tǒng)計報表

UniProt網(wǎng)站統(tǒng)計報表提供了大量信息，內(nèi)容十分豐富，本文第4部分專門介紹。

3.6 數(shù)據(jù)遞交

盡管UniProt數(shù)據(jù)庫的絕大部分數(shù)據(jù)均由數(shù)據(jù)庫開發(fā)團隊收集，用戶也可向UniProt遞交序列數(shù)據(jù)，包括用質(zhì)譜等方法測得的蛋白質(zhì)序列和用DNA測序所得的核苷酸序列，后者在存放到數(shù)據(jù)庫前由計算機自動翻譯成蛋白質(zhì)序列。此外，UniProt鼓勵用戶對數(shù)據(jù)庫中的條目提交校正和更新信息，以提高數(shù)據(jù)庫注釋質(zhì)量。

3.7 應用程序接口

UniProt網(wǎng)站提供的應用程序接口(Application Programming Interface, API)，為通過計算機程序查詢和獲取UniProt數(shù)據(jù)庫中的序列或各種注釋信息提供了方便。通過基于表征性狀態(tài)轉(zhuǎn)移規(guī)范(Representational State Transfer, REST)的網(wǎng)頁訪問應用程序接口，既可訪問單個序列條目，也可批量訪問多個序列條目；既可通過網(wǎng)頁地址直接訪問某個序列條目，也可通過查詢語句訪問指定的序列條目。UniProt幫助文檔中給出了Perl, Python, RUBY, Java等計算機語言程序?qū)嵗晒┯脩魠⒖?。此外，UniProt還提供了利用REST應用程序接口訪問序列條目在基因組上位置信息以及基因組注釋信息。而利用數(shù)據(jù)庫查詢應用程序接口(SPARQL API)，則可批量獲取UniProt后臺數(shù)據(jù)庫中數(shù)據(jù)，構(gòu)建本地數(shù)據(jù)庫。此外，UniProt還提供了用于Java應用程序接口的Java程序庫。

3.8 蛋白質(zhì)分子精選

UniProt網(wǎng)站另一個特色板塊是科普短文蛋白質(zhì)分子精選(Protein Spotlight)，由Vivienne Gerritsen撰寫和維護。自2000年9月起，Gerritsen從UniProtKB知識庫中每月挑選一個特色蛋白質(zhì)，用生動幽默的語言，講述該蛋白質(zhì)的故事，或介紹某個蛋白質(zhì)的特殊功能，如綠色熒光蛋白；或描述某個蛋白質(zhì)的發(fā)現(xiàn)過程，如胰島素；或關(guān)注某個蛋白質(zhì)背后的科學家，如血紅蛋白。通過文末文獻和登錄號，可進一步了解該蛋白質(zhì)研究背景和最新進展，在UniProtKB知識庫中查看其詳細注釋信息。截至2019年1月，一共撰寫了210篇科普短文。

4 UniProtKB統(tǒng)計報表

4.1 統(tǒng)計報表概況

UniProtKB知識庫通常每四周更新發(fā)布一次。每次發(fā)布新版時，同時發(fā)布Swiss-Prot和TrEMBL兩個子庫的統(tǒng)計報表(Release Statistics)，除數(shù)據(jù)總量、更新情況、數(shù)據(jù)類別、物種分布等基本信息外，還列出所有注釋信息更新情況，包括常規(guī)注釋信息(General Annotation)、序列特征注釋信息(Sequence Feature)和數(shù)據(jù)庫交叉鏈接(Database Cross-reference)等。熟悉這些注釋信息，不僅有助于了解UniProtKB知識庫主要內(nèi)容，而且有助于通過高級檢索從數(shù)據(jù)庫中快速高效地獲取所需信息，有助于利用數(shù)據(jù)庫條目中豐富的注釋信息和數(shù)據(jù)庫交叉鏈接，深入了解研究課題相關(guān)或感興趣的蛋白質(zhì)。

根據(jù)分工，Swiss-Prot子庫原始統(tǒng)計報表由瑞士生物信息學研究所發(fā)布，而TrEMBL子庫原始統(tǒng)計報表由歐洲生物信息學研究所發(fā)布，而在UniProt網(wǎng)站上的統(tǒng)計報表則是則兩個原始報表的簡化版(見表1)。

表1 UniProtKB知識庫統(tǒng)計報表網(wǎng)址Table 1 URLs of the UniProtKB statistics

UniProtKB知識庫每次發(fā)布新版，統(tǒng)計報表中均給出新增條目數(shù)和更新條目數(shù)。更新條目絕大部分為注釋信息更新，僅有極少量條目的序列有所更新，如2019年1月發(fā)布的版本中，更新的36萬多條序列中，僅有22條的序列信息與上一版不同。

最近幾年，隨著DNA測序技術(shù)的不斷改進，測序成本快速下降，全基因組測序已經(jīng)成為基因組學和基礎(chǔ)醫(yī)學等研究的常規(guī)手段。因此，TrEMBL數(shù)據(jù)庫中數(shù)據(jù)量按指數(shù)級別快速增長。由于同一細菌的不同菌株由不同國家、不同研究機構(gòu)的不同測序結(jié)果翻譯成蛋白質(zhì)序列后，都存放到TrEMBL數(shù)據(jù)庫中，而絕大部分細菌不同菌株的同一個基因編碼的蛋白質(zhì)序列相同，這就帶來了數(shù)據(jù)庫冗余的問題。例如，2015年2月發(fā)布的TrEMBL子庫約含1 700個結(jié)核分枝桿菌(Mycobacteriumtuberculosis)的近600萬條序列。數(shù)據(jù)庫的高度冗余，不僅增加了維護管理成本，也不便于用戶查詢、搜索。為此，自2015年4月起，TrEMBL對上述冗余數(shù)據(jù)進行適當處理，去除了約4 700萬條冗余數(shù)據(jù)，整個數(shù)據(jù)庫容量減少約一半。

4.2 數(shù)據(jù)類別

需要特別注意的是，UniProtKB知識庫中并非所有條目都具有蛋白質(zhì)存在證據(jù)(Protein Existence)。所謂蛋白質(zhì)存在證據(jù)，是指已經(jīng)通過實驗手段分離純化獲得該蛋白質(zhì)。即使是人工審閱的Swiss-Prot子庫，其中大部分條目也是由計算機推斷所得，人工審閱過程僅為審閱計算機推斷信息是否可靠，并不意味經(jīng)實驗手段進行驗證。計算機推斷則包括根據(jù)轉(zhuǎn)錄本推斷、根據(jù)同源序列推斷和從頭預測三類(見表2)。具有編碼某蛋白質(zhì)的mRNA序列的條目稱為具有轉(zhuǎn)錄水平證據(jù)，而直接從DNA序列推斷得到的序列又根據(jù)是否具有已知同源序列分為同源推斷和從頭預測兩類。這幾類不同蛋白質(zhì)存在證據(jù)的條目所占比例在Swiss-Prot和TrEMBL兩個子庫中很不相同。

此外，Swiss-Prot子庫中尚有部分存疑序列(Uncertain)。2009年1月發(fā)布的版本共包括1 834條存疑序列，列在前四位的699條來自釀酒酵母、576條來自人、117條來自擬南芥、108條來自大腸桿菌K12株。這些條目通常帶有“假想蛋白”(Putative Protein)或“未鑒定蛋白”(Uncharacterized Protein)等注釋信息，在功能注釋欄目下還有“警示”(Caution)信息，說明該蛋白質(zhì)序列有可能由假基因翻譯得到，或來自不太可靠的預測結(jié)果。為慎重起見，對這些已經(jīng)收錄的存疑序列，在沒有確定的證據(jù)前，一般仍加以保留。

4.3 物種分類學來源

物種分類學來源是蛋白質(zhì)序列最基本的注釋信息之一。UniProtKB知識庫中絕大部分序列條目都包含物種分類學來源信息，Swiss-Prot和TrEMBL兩個子庫統(tǒng)計報表中分別以餅狀圖方式給出物種分布大體情況。值得注意的是，無論是人工審閱序列還是未經(jīng)審閱序列，均以細菌序列居多，在兩個子庫中均占一半以上。真核生物序列在Swiss-Prot子庫中約占三分之一。除細菌和真核生物外，其余為古菌(Archaea)和病毒序列，比例較小，各占5%左右。真核生物序列又分為動物、植物、真菌三大類，而動物來源的序列又細分為哺乳動物、昆蟲和其它后生動物(Metazoa)。

表2 UniProtKB知識庫數(shù)據(jù)類別Table 2 Dataset type of the UniProtKB %

*數(shù)據(jù)來自UniProtKB知識庫2019年1月發(fā)布的統(tǒng)計報表。

通過Swiss-Prot子庫原始統(tǒng)計報表，還可以進一步查詢某些物種具體序列條目數(shù)。例如，人的序列最多，共2萬多條，約占Swiss-Prot子庫總量的3.5%，其次是小鼠和擬南芥，均超過1.5萬條，而大鼠、斑馬魚、果蠅、線蟲、酵母以及水稻等其它模式生物的序列條目數(shù)也均超過3 000(見表3)。值得一提的是，大腸桿菌(Escherichiacoli)、枯草桿菌(Bacillussubtilis)和結(jié)核分枝桿菌(Mycobacteriumtuberculosis)的基因組均遠小于真核生物，編碼的蛋白質(zhì)總數(shù)也僅幾千，但由于這三種細菌在分子生物學、工業(yè)生產(chǎn)和人類疾病研究中的重要性，Swiss-Prot注釋團隊對它們“情有獨鐘”，收錄的序列條目數(shù)均名列前茅，大腸桿菌和結(jié)核分枝桿菌各有兩個菌株的序列條目數(shù)排在前20位。

表3 UniProtKB知識庫Swiss-Prot子庫中數(shù)據(jù)條目數(shù)前20位的物種Table 3 The first 20 species in the UniProtKB/Swiss-Prot based on entry numbers

4.4 序列長度分布

UniProtKB知識庫對收錄的蛋白質(zhì)序列長度進行了分布統(tǒng)計，并以直方圖形式展示(見圖1)。我們知道，生物多樣性是生命與非生命的重要區(qū)別之一，而生物多樣性的基礎(chǔ)很大程度上取決于種類繁多、大小不一的蛋白質(zhì)。UniProtKB知識庫中，長度為100-500 aa的序列數(shù)目最多，長度為500-2 000 aa的序列數(shù)目隨長度增加而逐漸減少，而長度為2 000-4 000 aa的序列則更少了。Swiss-Prot子庫中長度超過4 000個氨基酸的序列有300多個，其中分子量最大的是肌聯(lián)蛋白(Titin)。小鼠的肌聯(lián)蛋白(登錄號A2ASS6)共35 213個氨基酸，由300多個結(jié)構(gòu)域組成，包括144個免疫球蛋白類結(jié)構(gòu)域(Ig-like)、132個III型纖維連接蛋白(Fibronectin type-III)，以及多個重復序列片段。把肌聯(lián)蛋白比作蛋白質(zhì)分子中的“巨無霸”一點也不過分，它是脊椎動物橫紋肌的重要組成部分，與肌肉收縮有關(guān)。人的肌聯(lián)蛋白(登錄號Q8WZ42)僅次于小鼠肌聯(lián)蛋白，共34 350個氨基酸。

圖1 UniProtKB知識庫Swiss-Prot子庫序列長度分布(2019年1月)Fig.1 The sequence length distribution of UniProt/Swiss-Prot (released in Jan 2019)

注： X-軸為序列長度，Y-軸為序列條目數(shù)，長度大于4 000 aa的序列條目合并顯示。

需要說明的是，長度小于50個氨基酸(50 aa)的序列習慣上稱為肽(Peptide)或多肽(Polypepetide)。Swiss-Prot子庫中將近1萬條序列的長度小于50 aa，其中包括一大類多肽毒素，如蛇毒(Snake Toxin)、蝎毒(Scorpion Toxin)、蜘蛛毒素(Spider Toxin)、芋螺毒素(Conotoxin)等。上世紀九十年代以來，湖南師范大學梁宋平教授課題組一直從事蜘蛛毒素序列、結(jié)構(gòu)和功能研究[8]。他們從我國廣西、海南等丘陵地帶特有的捕鳥蛛(Chinese Bird Spider)毒液中分離純化得到一系列多肽類毒素，測定了它們的氨基酸序列和核磁共振溶液構(gòu)象。UniProtKB知識庫中收錄的海南捕鳥蛛(Cyriopagopushainanus)和虎紋捕鳥蛛(Cyriopagopusschmidti)多肽類毒素就達300多個。以九十年代初最早測定序列和溶液構(gòu)象的虎紋捕鳥蛛毒素-I(Huwentoxin-I)為例(UniProt登錄號P56676)，編碼該多肽毒素的mRNA序列全長458 bp(GenBank登錄號AY263711)，編碼區(qū)序列243 bp(71-313 bp)，共編碼長度為81個氨基酸的虎紋捕鳥蛛毒素-I前體原(Pre-prohuwentoxin-I)，在N-端1-24 aa信號肽的引導下，分泌到細胞外間質(zhì)中，信號肽切除后折疊成具有一定構(gòu)象但沒有活性的虎紋捕鳥蛛毒素-I前體(Prohuwentoxin-I)；而在捕獵時切除第22-48 aa共27個氨基酸， 剩下的C-端33個氨基酸(49-81 aa)即為最終產(chǎn)物虎紋捕鳥蛛毒素-I。這種蜘蛛體型足有手掌大小，能捕食鳥類、青蛙等小動物，通過鰲爪將毒素注入獵物體內(nèi)，阻斷其細胞膜上的鈣離子通道，抑制神經(jīng)肌肉信號傳遞。

4.5 氨基酸含量

盡管地球上的物種多種多樣，無論是動物還是植物，無論是細菌還是病毒，組成其蛋白質(zhì)的基本單元為氨基酸。氨基酸種類繁多，常見的有20種，而20種氨基酸的含量在蛋白質(zhì)中所占比例相去甚遠(見表4)，有些氨基酸的含量接近平均水平5%，如脯氨酸、蘇氨酸，有的則遠高于平均水平，接近10%，如亮氨酸、丙氨酸，而有的則含量偏低，如色氨酸僅1%，半胱氨酸僅1.3%。

表4 UniProtKB知識庫中20種氨基酸含量百分比Table 4 Distribution percentage of 20 amino acids in UniProtKB

*數(shù)據(jù)來自UniProtKB知識庫2019年1月發(fā)布的統(tǒng)計報表。SP: Swiss-Prot子庫；Tr: TrEMBL子庫

4.6 常規(guī)注釋信息

如前文所述，除基本信息外，UniProtKB知識庫統(tǒng)計報表中還提供了大量注釋信息統(tǒng)計數(shù)據(jù)。注釋信息主要包括兩大類，一類是基于整條序列的常規(guī)注釋信息，如功能、表達、亞細胞定位等。表5列出2019年1月發(fā)布的Swiss-Prot子庫中所有常規(guī)注釋信息的中英文名稱和數(shù)量，及其在數(shù)據(jù)庫中條目數(shù)和占數(shù)據(jù)庫條目總量比例。例如，2019年1月發(fā)布的Swiss-Prot子庫條目總數(shù)為559 077，其中445 565條序列具有功能注釋，占數(shù)據(jù)庫條目總數(shù)的83%，注釋信息共466 212條(有些條目的注釋信息不止一條)。

4.7 序列特征注釋信息

UniProtKB知識庫中另一類注釋信息不是基于整條序列或整個蛋白質(zhì)，而是基于序列特定區(qū)域或特定位點，因此也稱序列特征注釋信息。序列特征注釋信息共分以下七大類。

(1)分子加工(Molecular Processing)

包括信號肽(Signal Peptide)、轉(zhuǎn)移肽(Transition Peptide)、前體肽(Propeptide)、N-末端甲硫氨酸等。

(2)序列區(qū)域(Region)

包括結(jié)構(gòu)域(Domain)、序列模體(Motif)、重復序列(Repeat)、無規(guī)卷曲(Coiled Coil)、跨膜螺旋(Transmembrane)、鋅指結(jié)構(gòu)(Zinc Finger)、DNA結(jié)合區(qū)(DNA Binding)、核苷酸結(jié)合區(qū)(Nucleotide Binding)、鈣結(jié)合區(qū)(Calcium Binding)等。

(3)序列位點(Site)

包括活性位點(Active Site)、金屬結(jié)合位點(Metal Binding)等。

(4)氨基酸修飾(Amino Acid Modification)

包括二硫鍵(Disulfide Bond)、糖基化(Glycosylation)、脂質(zhì)化(Lipidation)、交聯(lián)鍵(Cross-link)、非標準氨基酸(Non-standard Residue)等。

(5)天然變異(Natural Variations)

包括天然突變位點和選擇性剪接產(chǎn)物(Alternative Splicing)。

(6)實驗信息(Experimental Information)

包括突變(Mutagenesis)、非連續(xù)氨基酸(Non-adjacent Residues)、非末端氨基酸(Non-terminal Residues)、存疑序列(Sequence Uncertainty)、矛盾序列(Sequence Conflict)等。

(7)二級結(jié)構(gòu)(Secondary Structure)

包括alpha螺旋(Alpha Helix)、beta折疊(Beta Sheet)、beta回折(Beta Turn)。

表5 UniProtKB知識庫Swiss-Prot子庫中常規(guī)注釋信息統(tǒng)計表Table 5 Statistics of general annotation in UniProt/Swiss-Prot

4.8 數(shù)據(jù)庫交叉鏈接

除上述常規(guī)注釋信息和序列特征注釋信息外，UniProtKB知識庫中序列條目與其它數(shù)據(jù)庫的交叉鏈接則是另外一類重要注釋信息。

生物信息數(shù)據(jù)庫種類繁多，內(nèi)容千差萬別，數(shù)據(jù)量大小、數(shù)據(jù)質(zhì)量也參差不齊。據(jù)中國科學院基因組研究所大數(shù)據(jù)中心構(gòu)建的“生物數(shù)據(jù)庫目錄”(Database Commons)網(wǎng)站(http://bigd.big.ac.cn/databasecommons/)不完全統(tǒng)計，國際上已經(jīng)發(fā)表的生物數(shù)據(jù)庫共計4 500多個。1996年起，英國牛津大學出版社出版的《核酸研究》半月刊(Nucleic Acids Research, NAR)于每年第一期出版專集，專門刊登有關(guān)生物信息數(shù)據(jù)庫論文。2009年，牛津大學出版社創(chuàng)刊的網(wǎng)絡(luò)雜志《生物數(shù)據(jù)庫和審編》(The Journal of Biological Databases and Curation, JBDC)上線，專門發(fā)表生物信息數(shù)據(jù)庫相關(guān)論文。除上述兩個雜志外，牛津大學出版社出版的《生物信息學》(Bioinformatics)和《生物信息學簡報》(Briefings in Bioinformatics)、英國生物醫(yī)學核心期刊出版集團(Biomed Central, BMC)出版的《BMC 生物信息學》(BMC Bioinformatics)等雜志也不定期刊登生物信息數(shù)據(jù)庫相關(guān)論文。

為便于用戶快速查看某個蛋白質(zhì)在其它數(shù)據(jù)庫中的信息，UniProtKB知識庫中收錄了100多個重要生物信息數(shù)據(jù)庫，并通過序列條目中的數(shù)據(jù)庫交叉鏈接，直接查看該數(shù)據(jù)庫中有關(guān)該蛋白質(zhì)的信息，如蛋白質(zhì)編碼基因序列、基因組定位、蛋白質(zhì)代謝通路、蛋白質(zhì)相互作用、蛋白質(zhì)三維結(jié)構(gòu)、蛋白質(zhì)表達、亞細胞定位、蛋白質(zhì)家族和結(jié)構(gòu)域、演化和系統(tǒng)發(fā)生等。UniProtKB知識庫統(tǒng)計報表中將上述100多個數(shù)據(jù)庫分為以下幾類，每類包括幾個或十幾個各具特色的數(shù)據(jù)庫。

(1)序列數(shù)據(jù)庫(Sequence Databases)

包括NCBI人和小鼠共有編碼序列數(shù)據(jù)庫(Consensus Coding Sequences, CCDS)、NCBI參考序列數(shù)據(jù)庫(RefSeq)、EBI核酸序列數(shù)據(jù)庫(EMBL)等。

(2)蛋白質(zhì)三維結(jié)構(gòu)數(shù)據(jù)庫(3D Structure Databases)

包括國際蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫(Protein Data Bank, PDB)、EBI蛋白質(zhì)結(jié)構(gòu)概覽(PDBSUM)、國際蛋白質(zhì)結(jié)構(gòu)模型數(shù)據(jù)庫(Protein Model Portal)、瑞士生物信息研究所蛋白質(zhì)結(jié)構(gòu)同源模型數(shù)據(jù)庫(Swiss Model Repository, SMR)等。

(3)蛋白質(zhì)相互作用數(shù)據(jù)庫(Protein-protein Interaction Databases)

包括國際模式生物基因和蛋白質(zhì)相互作用數(shù)據(jù)庫(The Biological General Repository for Interaction Datasets, BioGRID)、EBI 生物大分子相互作用數(shù)據(jù)庫(Molecular Interaction Database, IntAct)和手工注釋的生物大分子復合物數(shù)據(jù)庫(Complex Portal)、歐洲分子生物學實驗室(European Molecular Biology Laboratory, EMBL)與瑞士生物信息學研究所等合作維護的蛋白質(zhì)相互作用數(shù)據(jù)庫(Search Tool for Recurring Instances of Neighbouring Genes, STRING)、德國哺乳動物蛋白質(zhì)復合物綜合資源庫(Comprehensive Resource for Mammalian Protein Complex, CORUM)、美國加州大學洛杉磯分校具有實驗證據(jù)的蛋白質(zhì)相互作用數(shù)據(jù)庫(Database of Interacting Proteins)等。

(4)化學小分子數(shù)據(jù)庫(Chemistry Databases)

包括EBI藥物類生物活性分子數(shù)據(jù)庫(ChEMBL)、加拿大阿爾貝塔大學(University of Alberta)藥物和藥物靶標數(shù)據(jù)庫(DrugBank)、國際基礎(chǔ)和臨床藥理學會(International Union of Basic and Clinical Pharmacology, IUPHAR)和英國藥理學會(British Pharmacology Society)合作構(gòu)建的藥理信息網(wǎng)站(Guide to Pharmacology)、加州大學圣地亞哥分校(UCSD)蛋白質(zhì)和化學小分子結(jié)合數(shù)據(jù)庫(Binding Database)等。

(5)特殊類別蛋白質(zhì)數(shù)據(jù)庫(Family/Group Databases)

包括國際食品過敏特異免疫治療聯(lián)盟(Food Allergy Specific ImmunoTherapy)過敏分子數(shù)據(jù)庫(Allergome)、EBI蛋白酶數(shù)據(jù)庫(MEROPS)、法國艾克斯-馬賽大學(Aix Marseille University)糖代謝酶(Carbohydrate-Active Enzyme Database, CAZy)和多功能蛋白質(zhì)數(shù)據(jù)庫(MoonDB)、法國圖盧茲大學(University of Toulouse)過氧化物酶數(shù)據(jù)庫(PeroxiBase)、新英格蘭生物實驗室(New England BioLabs)限制性內(nèi)切酶數(shù)據(jù)庫(REBASE)、美國加州大學戴維斯分校(UC Davis)轉(zhuǎn)運蛋白分類數(shù)據(jù)庫(Transporter Classification Database, TCDB)、瑞士生物信息研究所凝集素數(shù)據(jù)庫(UniLectin)、加拿大康考迪亞大學(Concordia University)真菌源木質(zhì)纖維素蛋白質(zhì)數(shù)據(jù)庫(mycoCLAP)等。

(6)翻譯后修飾數(shù)據(jù)庫(Post-translational Modification (PTM) Databases)

包括蛋白質(zhì)翻譯后修飾數(shù)據(jù)庫(iPTMNet)、蛋白質(zhì)羰基化位點數(shù)據(jù)庫(CarbonylDB)、蛋白質(zhì)糖基化數(shù)據(jù)庫(Glyconnect)、糖生物學數(shù)據(jù)庫(UniCarbKB)人類去磷酸化數(shù)據(jù)庫(DEPOD)等。

(7)多態(tài)性和突變體數(shù)據(jù)庫(Polymorphism Databases)

包括NCBI單核苷酸多態(tài)性數(shù)據(jù)庫(dbSNP)、美國喬治-華盛頓大學癌癥相關(guān)單核苷酸多態(tài)性數(shù)據(jù)庫(BioMuta)等。

(8)雙向凝膠電泳數(shù)據(jù)庫(2D Gel Databases)

包括瑞士雙向聚丙烯酰胺凝膠電泳數(shù)據(jù)庫(Swiss-2DPage)、南京大學醫(yī)學院生殖相關(guān)雙向聚丙烯酰胺凝膠電泳數(shù)據(jù)庫(Reproduction-2DPage)、愛爾蘭都柏林大學雙向聚丙烯酰胺凝膠電泳數(shù)據(jù)庫(UCD 2D-Page)等。

(9)蛋白組數(shù)據(jù)庫(Proteome Databases)

包括EBI蛋白質(zhì)組鑒定數(shù)據(jù)庫(Pride)、國際蛋白組聯(lián)盟蛋白組數(shù)據(jù)庫(CTDB)、蘇格蘭蛋白組動態(tài)百科全書(EPD)、瑞士生物信息研究所蛋白質(zhì)豐度數(shù)據(jù)庫(PaxDB)、德國馬普所蛋白組數(shù)據(jù)庫(MaxDB)、西雅圖蛋白組中心肽段數(shù)據(jù)庫(PeptideAtlas)、日本蛋白組數(shù)據(jù)庫(jPOST)、奧地利維也納大學蛋白組數(shù)據(jù)庫(ProMex)等。

(10) 基因組注釋數(shù)據(jù)庫(Genome Annotation Databases)

包括EBI基因組注釋平臺和數(shù)據(jù)庫(Ensembl)、美國加州大學圣克魯茲分校的基因組瀏覽器(UCSC)、NCBI基因數(shù)據(jù)庫(GeneID)、日本京都大學基因和基因組百科全書(KEGG)、國際植物基因組注釋數(shù)據(jù)庫(Gramene)、美國過敏和傳染病研究所病原菌信息資源中心(Patric)和無脊椎動物病原菌數(shù)據(jù)庫(VectorBase)等。

(11) 特殊物種數(shù)據(jù)庫(Organism-specific Databases)

UniProt數(shù)據(jù)庫中與特殊物種數(shù)據(jù)庫的交叉鏈接共三十多個，其中大部分是模式生物基因組數(shù)據(jù)庫，包括小鼠(MGI)、大鼠(RGD)、非洲爪蟾(Xenbase)、斑馬魚(ZFIN)、果蠅(Flybase)、線蟲(WormBase)；擬南芥(TAIR和Araport)、玉米(MaizeDB)；釀酒酵母(SGD)、裂殖酵母(PomBase)；大腸桿菌(EcoBase)、結(jié)核分枝桿菌(TubercuList)、嗜肺性軍團病桿菌(LegioList)、念珠菌(CGD)、盤基網(wǎng)柄菌(dictyBase)；丙肝病毒(euHCVdb)等。另一類是與人類健康關(guān)系密切的基因和蛋白質(zhì)數(shù)據(jù)庫，如人類孟德爾單基因疾病數(shù)據(jù)庫(MIM)、人類基因、蛋白、疾病數(shù)據(jù)庫(GeneCards)、人類蛋白質(zhì)組織特異性表達(HPA)、藥理遺傳學和基因組數(shù)據(jù)庫(PharmGKB)、比較環(huán)境毒理學數(shù)據(jù)庫(CTD)、人類基因及變異與疾病相關(guān)數(shù)據(jù)庫(DisGeNet)、真核生物病原菌數(shù)據(jù)庫(EuPathDB)。第三類是某些特殊物種的特殊蛋白質(zhì)數(shù)據(jù)庫，如蜘蛛毒素(ArachnoSever)和芋螺毒素(ConoSever)。此外還包括人類和脊椎動物基因命名數(shù)據(jù)庫(HGNC和VGNC)。

(12) 系統(tǒng)發(fā)生數(shù)據(jù)庫(Phylogenomic Databases)

包括Ensembl基因樹數(shù)據(jù)庫(GeneTree)、EBI動物基因樹(TreeFam數(shù)據(jù)庫)、歐洲分子生物學實驗室直系同源簇和功能注釋數(shù)據(jù)庫(eggNOG)、瑞士生物信息研究所直系同源基因數(shù)據(jù)庫(OrthoDB)、瑞士蘇黎世大學直系同源數(shù)據(jù)庫(OMA)、瑞典直系同源簇數(shù)據(jù)庫(inParanoid)等。

(13) 酶和代謝通路數(shù)據(jù)庫(Enzyme and Pathway Databases)

包括國際生物反應和過程知識庫(REACTOME)、德國酶學數(shù)據(jù)庫(BRENDA)、意大利信號網(wǎng)絡(luò)開放資源(SIGNOR)、德國海德堡生物化學反應和動力學數(shù)據(jù)庫(SABIO-RK)、日本京都大學代謝通路數(shù)據(jù)庫(KEGG)等。

(14) 基因表達數(shù)據(jù)庫(Gene Expression Databases)

包括EBI基因表達數(shù)據(jù)庫(ExpressionAtlas)、瑞士生物信息學研究所正常組織基因表達數(shù)據(jù)庫(Bgee)等。

(15) 蛋白質(zhì)家族和結(jié)構(gòu)域數(shù)據(jù)庫(Family/Domain Databases)

包括EBI綜合蛋白質(zhì)序列分類數(shù)據(jù)庫和分析平臺(InterPro)和蛋白質(zhì)家族和結(jié)構(gòu)域數(shù)據(jù)庫(Pfam)、歐洲分子生物學實驗室蛋白質(zhì)結(jié)構(gòu)域分類數(shù)據(jù)庫和分析平臺(SMART)、NCBI保守結(jié)構(gòu)域數(shù)據(jù)庫(CDD)、美國南加州大學蛋白組功能和演化數(shù)據(jù)庫(PANTHER)、美國喬治敦大學基于全長序列的蛋白組分類數(shù)據(jù)庫(PIRSF)、倫敦大學蛋白質(zhì)分類數(shù)據(jù)庫CATH中結(jié)構(gòu)域數(shù)據(jù)庫(Gene3D)、英國劍橋大學蛋白質(zhì)結(jié)構(gòu)和功能注釋數(shù)據(jù)庫(SuperFamily)、英國曼切斯特大學蛋白組指紋圖譜數(shù)據(jù)庫(PRINTS)、瑞士生物信息研究所蛋白質(zhì)功能位點數(shù)據(jù)庫(Prosite)、法國蛋白質(zhì)結(jié)構(gòu)域數(shù)據(jù)庫(ProDom)等。

5 討 論

5.1 本文統(tǒng)計數(shù)據(jù)說明

本文列出了許多統(tǒng)計數(shù)據(jù)，以便讀者對UniProt數(shù)據(jù)庫中不同數(shù)據(jù)集的數(shù)據(jù)量有一個大體了解，如上文提到的“Swiss-Prot子庫約含56萬條序列，而TrEMBL子庫的數(shù)據(jù)量將近1.4億條”。讀者不必拘泥于具體數(shù)字，UniProt數(shù)據(jù)庫每4周更新一次，這些統(tǒng)計數(shù)字隨著UniProt數(shù)據(jù)庫的更新而不斷變化。本文初稿于2019年2月初完成，文中數(shù)據(jù)均來自UniProt數(shù)據(jù)庫網(wǎng)站2019年1月16日發(fā)布的版本，而文章于4月底定稿時文中統(tǒng)計數(shù)據(jù)和最新版統(tǒng)計報表中有所不同。讀者若需要了解不同版本的統(tǒng)計數(shù)據(jù)，可以查閱每個版本的統(tǒng)計報表。

5.2 現(xiàn)有蛋白質(zhì)序列是個很小的子集

隨著基因組測序不斷進展，UniProt數(shù)據(jù)庫數(shù)據(jù)量快速增長。然而，目前我們所測得的序列，只是蛋白質(zhì)序列空間(即所有可能序列)的一小部分。我們知道，蛋白質(zhì)序列是由20種不同氨基酸組成的線性分子，以序列長度為6個氨基酸為例，理論上可有6 400萬(206)種排列方式，即6 400萬種不同序列；當序列長度增加到8時，則有256億種排列方式；當序列長度增加到10時，則有1 024萬億種排列方式。而通常蛋白質(zhì)序列長度遠遠不止10個氨基酸，理論上蛋白質(zhì)序列空間是個天文數(shù)字。根據(jù)UniParc統(tǒng)計數(shù)據(jù)，迄今為止已收錄到數(shù)據(jù)庫中的蛋白組序列總數(shù)約2.5億條，而UniRef100參考集中各不相同的序列約1.7億條。這就是說，今天我們從地球上現(xiàn)存所有生物體中鑒定到的所有蛋白質(zhì)序列，是蛋白質(zhì)序列空間的一個很小子集。已故理論物理學和生物信息學家郝柏林先生在“基因組測序永無止境的根本原因”一文中指出：“從自然界中抽提出來的生物學符號序列，不是隨機序列，而屬于同等長度或更長的序列集合中的非典型序列子集合，對它們幾乎要一條一條地具體研究”。言下之意，就是說自然界中實際存在的蛋白質(zhì)序列，是億萬年演化的結(jié)果，而不是隨機產(chǎn)生的[10]。

5.3 UniProt給我們的啟示

從統(tǒng)計報表可以看出，最近幾年，UniProt數(shù)據(jù)庫總體數(shù)據(jù)量增長很快，而Swiss-Prot子庫數(shù)據(jù)量增長很慢(見表6)。這是因為，Swiss-Prot子庫所有條目都需人工審閱。

盡管目前瑞士生物信息研究所有一支將近四十人的數(shù)據(jù)庫注釋團隊，仍遠遠不能滿足需求。二十年前，已故北京大學生命科學學院教授顧孝誠曾向瑞士科學基金會建議，從我國生命科學領(lǐng)域選派若干博士生或博士后，加入Swiss-Prot數(shù)據(jù)庫注釋團隊，為國際生物信息數(shù)據(jù)庫資源建設(shè)作出應有貢獻，也向國際同行學習數(shù)據(jù)庫開發(fā)的有益經(jīng)驗。這一建議雖得到當時瑞士科學基金會和Swiss-Prot負責人支持，由于各種各樣的原因，卻始終未能實現(xiàn)。最近三十多年來，基因組、轉(zhuǎn)錄組、蛋白組和蛋白質(zhì)三維結(jié)構(gòu)等數(shù)據(jù)飛速增長，生命科學研究大數(shù)據(jù)時代已經(jīng)到來，這些數(shù)據(jù)中的信息有待于我們挖掘，而數(shù)據(jù)庫注釋則是數(shù)據(jù)挖掘的基礎(chǔ)，需要大量人力物力。十分遺憾的是，無論是國際核酸序列數(shù)據(jù)庫聯(lián)盟(International Nucleotide Sequence Database Collaboration, INSDC)，還是國際蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫(Worldwide Protein Data Bank, wwPDB)，或者是UniProt國際蛋白質(zhì)序列數(shù)據(jù)庫，均沒有我國參與，這與世界第二經(jīng)濟體的大國地位很不相稱。為改變上述情況，中國科學院北京基因組研究所(Beijing Institute of Genomics, BIG)于2015年底成立了大數(shù)據(jù)中心(BIG Data Center, BIGD, http://bigd.big.ac.cn/)。幾年來，BIGD在基因組數(shù)據(jù)匯交、整合、發(fā)布，專業(yè)數(shù)據(jù)庫構(gòu)建、注釋等方面取得了卓有成效的進展[9]。UniProt蛋白質(zhì)數(shù)據(jù)庫及其前身PIR-PSQ, Swiss-Prot和TrEMBL等創(chuàng)建三十多年來，一直秉承為廣大用戶提供公益性無償服務(wù)的宗旨，已經(jīng)成為生命科學和生物工程研究開發(fā)不可或缺的寶貴資源，其成功經(jīng)驗值得借鑒。

表6 UniProt數(shù)據(jù)庫主要統(tǒng)計數(shù)據(jù)Table 6 Main statistics of different datasets in UniProt

5.4 后記

UniProt是以蛋白質(zhì)序列為核心的蛋白質(zhì)知識寶庫，內(nèi)容十分豐富。自2001年起，筆者在北京大學生命科學學院和中國農(nóng)業(yè)科學院研究生院開設(shè)《實用生物信息技術(shù)》(Applied Bioinformatics Course, ABC)研究生課程[11]。ABC是一門上機操作課(http://abc.cbi.pku.edu.cn/)，UniProt數(shù)據(jù)庫是本課程主要內(nèi)容之一[12]。選修本課程的同學，通過高級檢索從UniProtKB知識庫中查找自己研究課題相關(guān)蛋白質(zhì)，瀏覽該蛋白質(zhì)注釋信息，并通過數(shù)據(jù)庫交叉鏈接，進一步查看該蛋白質(zhì)及其編碼基因信息，為課題實驗研究提供參考。教學實踐中深刻體會到，若要快速高效找到感興趣的蛋白質(zhì)，并充分利用UniProtKB中該蛋白質(zhì)的注釋信息，有必要了解UniProt數(shù)據(jù)庫的基本內(nèi)容，搞清常規(guī)注釋信息、序列特征信息，數(shù)據(jù)庫交叉鏈接等基本概念。希望本文能為生命科學和生物技術(shù)研究開發(fā)人員對UniProt數(shù)據(jù)庫的使用有所裨益。限于筆者水平，對該數(shù)據(jù)庫也只是有個粗淺了解，本文許多地方也只是淺嘗輒止。文中謬誤和遺漏之處，懇請讀者發(fā)送郵件(uniprot@pku.edu.cn)指正，筆者將在正在編寫的教科書中予以更正。在了解該數(shù)據(jù)庫基本情況后，讀者可結(jié)合課題研究實際需要，參閱UniProt網(wǎng)站幫助文檔，閱讀相關(guān)文獻，邊學邊用、邊用邊學，在使用過程中逐步熟悉和用好UniProt，也歡迎讀者通過郵件交流使用過程中的心得體會。

致 謝

本文撰寫過程中，得到了北京蛋白組研究中心朱偉民、Henning Hermjacob的幫助；感謝兩名審稿人以及江志強、文可佳、周群飛、楊冬英對本文初稿所提寶貴的修改意見。