常用数据库与资源

快速概览

生物信息学数据库围绕不同对象类型组织：基因/转录本、蛋白质、结构、通路、数据集。理解各资源的核心对象与组织方式，才能在分析中正确选择和使用。

• NCBI：综合入口，承载 Gene/RefSeq、SRA、PubMed 等多个子系统
• Ensembl：聚焦基因组注释与转录本层级对象
• UniProt：蛋白质序列与功能注释的统一入口
• PDB：三维结构对象的专业数据库
• GEO/SRA：实验数据存档的两个互补维度

所属板块 数据、注释与资源

参考版本、注释体系、数据格式与数据库的统一入口。

阅读目标 帮助建立阅读上下文

先判断这页与你当前问题的关系，再决定是否深入展开。

建议前置 先建立相关基础对象与方法直觉

建议先建立相关基础对象与方法直觉，再进入本页。

9.1 数据库对象的分类体系

9.1.1 生物信息学中的核心对象类型

生物信息学数据库按对象类型（Object Type）组织。常见对象类型包括：

对象类型	描述	典型数据库
Gene	基因遗传单位，包含调控区、外显子、内含子	NCBI Gene、Ensembl
Transcript	转录本，mRNA 及其变体	Ensembl、RefSeq
Protein	蛋白质序列与功能单元	UniProt、PDB
Structure	三维结构数据	PDB、AlphaFold DB
Pathway	代谢与信号通路网络	KEGG、Reactome
Dataset	实验数据集与原始测序数据	GEO、SRA、ArrayExpress

9.1.2 资源定位问题的形式化描述

问题 9.1.1（数据库资源定位）

输入：分析目标 $O$（对象类型）、查询关键词 $Q$（基因符号、ID 或坐标）

输出：最适合查询的数据库资源集合 $R = \{r_1, r_2, ..., r_k\}$，其中每个 $r_i$ 包含目标对象的相关记录

约束条件：

• 资源 $r_i$ 必须支持对象类型 $O$ 的查询
• 资源版本应与分析流程的参考版本兼容

9.2 为什么数据库对象区分至关重要

9.2.1 分析流程中的资源查询瓶颈

真实分析中，解释阶段的时间消耗往往超过计算阶段：

判断类型	典型问题	错误后果
对象层级	结果对应 gene、transcript 还是 protein？	功能注释错位，误导下游解释
资源选择	应去哪个数据库确认注释？	重复查询，信息不完整
ID 映射	不同数据库的 ID 能否直接对应？	记录关联错误，数据污染
数据类型	需要原始 reads 还是处理后的矩阵？	重新分析或数据不可用

9.2.2 对象混淆的典型错误模式

错误模式 1：Gene Symbol 歧义
如 “TP53” 可能指代不同转录本（NM_000546、NM_001126112），直接按 symbol 查询可能遗漏重要变体。

错误模式 2：参考版本不匹配
使用 hg19 坐标查询基于 hg38 的数据库，导致坐标偏移或记录不存在。

错误模式 3：门户与子数据库混淆
将 NCBI 视为单一数据库，而实际查询可能落在 Gene、RefSeq、SRA 等不同子系统。

前置知识

• 分子生物学中心法则：DNA → RNA → 蛋白质，各层级对象有明确对应关系
• 参考基因组版本体系（GRCh38/hg38 vs GRCh37/hg19）
• 基本 ID 系统：Entrez Gene ID、Ensembl Gene ID、RefSeq、UniProt AC

先按问题选资源

场景	推荐选择	原因
想确认某个基因或转录本的坐标、注释与版本	Ensembl / NCBI Gene / RefSeq	这些资源更直接围绕 gene、transcript、assembly 与注释记录组织信息。
想看蛋白功能、名称统一和功能注释	UniProt	它更适合作为 protein 层对象的统一入口。
想看已有三维结构或结构证据	PDB	这里关注的是 structure 对象，而不是基因注释本身。
想把结果放到通路或功能模块里解释	KEGG	它更适合回答"这个分子处在什么过程或网络里"。
想找公开实验的原始测序数据	SRA	SRA 更偏原始 reads 与测序存档。
想找公共表达数据集、实验设计与项目说明	GEO	GEO 更常作为表达研究和数据集元信息的入口。

核心资源怎么看

NCBI

NCBI 更像一个综合入口，而不是单一类型数据库。它下面常见的对象包括：

• NCBI Gene / RefSeq：基因、转录本与参考序列；
• SRA：原始测序 reads；
• PubMed：文献；
• 以及其他多种知识库与交叉链接。

更适合回答的问题：

• 某个基因或转录本在 NCBI 体系里如何表示；
• 某项研究是否有对应的原始测序数据；
• 某个对象在文献、序列和存档层面如何串起来。

容易混淆的点：看到的是 NCBI 门户页面，并不代表你正在使用同一种数据库对象。

Ensembl

Ensembl 更适合作为基因组注释与转录本层对象的入口。它常见的强项包括：

• gene / transcript / protein 的结构化注释；
• 参考基因组版本和 assembly 背景；
• 在多物种场景下保持相对统一的浏览方式。

更适合回答的问题：

• 某个基因有哪些转录本；
• 某个转录本在参考基因组上的位置与结构如何；
• 当前分析使用的注释体系和转录本对象该如何理解。

UniProt

UniProt 更偏 protein 对象本身。它适合用来补充：

• 蛋白名称统一与功能描述；
• 域、功能注释和蛋白层级信息；
• 从基因/转录本进一步走向蛋白解释。

更适合回答的问题：

• 一个基因对应的蛋白通常做什么；
• 不同蛋白名称或条目之间如何对应；
• 某个结果如何从 transcript 层走到 protein 层解释。

PDB

PDB 关注的是结构对象，而不是一般的注释对象。

更适合回答的问题：

• 某个蛋白或复合体是否已有三维结构；
• 一个变化位点是否落在已知结构区域或功能位点附近；
• 结构证据能否帮助解释功能变化。

KEGG

KEGG 更适合把基因、蛋白或代谢对象放回通路背景中理解。

更适合回答的问题：

• 某个分子参与哪些代谢或信号通路；
• 一组结果是否集中在同一功能模块；
• 下游解释应落在哪个过程或网络层面。

GEO / SRA

这两个资源经常一起出现，但用途不完全相同：

• GEO 更常作为表达研究、实验设计和数据集说明的入口；
• SRA 更偏原始测序读段和测序存档。

更适合回答的问题：

• 我能否找到某类公开实验作为对照；
• 我需要的是项目元信息，还是原始 reads；
• 这个公开研究更适合复用元数据，还是重新下载原始数据自己分析。

9.5 工作示例：候选基因的多层信息查询

问题 9.5.1（候选基因全面注释）

输入：RNA-seq 或变异检测流程输出的候选基因符号 $G$（如 “BRCA1”）、参考版本 $V$（如 GRCh38）

输出：该基因在多个层次上的注释信息集合

查询路径：

问题	目标对象	首选数据库	查询方式
有哪些转录本？	Transcript	Ensembl	Gene 页面 → Transcript 列表
蛋白功能是什么？	Protein	UniProt	Gene Symbol → Entry
是否有三维结构？	Structure	PDB	UniProt ID → PDB 交叉引用
参与哪些通路？	Pathway	KEGG	Gene Symbol → Pathway 映射
有无可复用数据？	Dataset	GEO/SRA	Gene Symbol → 表达数据集

关键原则：数据库之间是互补关系而非替代关系。每个数据库回答特定层次的问题，跨库查询才能建立完整注释。

9.6 与生物信息学流程的连接

9.6.1 流程中的数据库映射节点

典型分析流程在以下阶段需要数据库资源：

1. 比对阶段：使用参考基因组（Ensembl、NCBI 提供）
2. 定量阶段：依据注释文件 GTF/GFF（Ensembl、GENCODE）
3. 注释阶段：将变异/差异基因映射到功能数据库
4. 解释阶段：通路富集、蛋白互作网络分析

与真实工具或流程的连接

• RNA-seq、variant calling 等流程的"解释层"，最终都要把结果映射回 gene / transcript / protein / pathway 等数据库对象。
• 注释工具（如 ANNOVAR、VEP）本质上是将坐标/ID 映射到数据库对象的自动化接口。
• 复用公开数据时，需先明确需要数据集说明、处理结果还是原始 reads。

9.7 常见误区与注意事项

常见误区

• 把 NCBI 当成单一数据库，而忽略它其实是多个资源入口的集合。
• 只看 gene symbol，不确认稳定 ID、转录本层级或参考版本。
• 把 GEO 和 SRA 当成完全相同的资源，结果在"项目说明"和"原始数据"之间来回混淆。
• 找到一个数据库记录后，就默认它能和当前分析里的参考版本或注释体系直接对应。
• 忽视 Swiss-Prot 与 TrEMBL 的质量差异，将自动注释等同于人工审 curate 记录。
• 跨物种比较时未确认 Ensembl 等数据库的 assembly 版本一致性。

9.8 扩展阅读与相关资源

9.8.1 本章相关页面

上层地图

数据库与注释系统一览

从更高层理解数据库分类、ID 体系和版本意识。

延伸阅读

对象边界

参考基因组、坐标系统与注释

理解为什么数据库对象几乎总和参考与注释体系绑定出现。

延伸阅读

文件接口

常见文件格式概览

数据库对象最终往往通过 FASTA、GTF、VCF 等文件格式进入实际流程。

延伸阅读

算法基础

数据库搜索与索引算法

理解 BLAST、BWA 等工具背后的数据库搜索算法原理。

延伸阅读

9.8.2 外部资源

资源	链接	说明
NCBI	https/www.ncbi.nlm.nih.gov	综合生物信息学门户
Ensembl	https/www.ensembl.org	基因组注释数据库
UniProt	https/www.uniprot.org	蛋白质知识库
PDB	https/www.rcsb.org	蛋白质结构数据库
KEGG	https/www.kegg.jp	通路数据库
GEO	https/www.ncbi.nlm.nih.gov/geo	基因表达数据存档
SRA	https/www.ncbi.nlm.nih.gov/sra	序列读取存档