Datenbanken in der Bioinformatik Thorsten Denhard

TWA-Seminar Thorsten Denhard, SS2003

1

Seminarvortrag im Studienschwerpunkt

technisch-wissenschaftliche Anwendungen

Sommersemester 2003Prof. Dr. Klement, Prof. Dr. Kneisel

Datenbanken in der BioinformatikThorsten Denhard

FH Giessen-Friedberg, Fachbereich MNI


2

Inhalt Einführung Bioinformatik

Genetischer CodeProteine

Einsatzgebiete für Datenbanken in der BISequenzdatenbankenDynamische Prozesse, etc.

Datenmodellierung und ManagementKonventionelle DBMSSpezielle Systeme für biologische DBn

Datenbank-RetrievalWWW-SchnittstellenMeta-Suchen

DB-Pflege und QualitätssicherungDatenintegrationAnnotationen


3

Einführung Bioinformatik Fachgebiet im Wandel:

von der „klassischen“hin zur Molekularbiologie

Heute erhobene Daten:Gensequenzen, Proteinstrukturen

Scharfe, quantifizierbare Größen

Große Datenmenge Algorithmen zur Analyse Methoden aus der Informatik

immer stärker gefordert


4

Genetischer Code DNS: linearer Doppelstrang Nucleotide:

Träger der Information, eine von vier Basen (A,T,C,G)Verbinden sich paarweise

Anzahl Basenpaare von ca.0,172 * 106 (Virus) bis3200 * 106 (Mensch)

„Gen“: ein Sequenzabschnitt, der ein Protein codiert


5

ProteineAufbau Bestehen aus Aminosäuren (20 verschiedene) Lineare unverzweigte Kette Länge: 50-3000 Elemente, im Mittel etwa 200

Gene codieren Proteine Codierungsschema:

3 Nucleotide (Codon) codieren eine AminosäureGenetischer Standardcode gleich über Artgrenzen

Benennung der Aminosäuren: drei oder ein Buchstabe (Glycin: Gly / G)


6

ProteineHierarchische Struktur Primärstruktur: Abfolge der Aminosäuren, linear Sekundärstruktur: -Helix, -Faltblatt Tertiärstruktur: Faltung d. Sekundärstruktur-

elemente im Raum

Maßgebend für die

Funktionalität des Proteins!


7

Einsatzfelder für Datenbanken

Sequenzdatenbanken Protein-Raumstrukturen Evolutionäre Entwicklungen (Phylogenetik) Genexpression (Aktivität von Genen) Stoffwechsel-Vorgänge (Metabolische Pfade) Literaturdatenbanken


8

Sequenzdatenbanken Gene: Nucleotidsequenzen

z.B. GenBank, Human Genome DB Proteine: Aminosäuresequenzen

z.B. SWISS-PROT Sequenzierung:

Codierende Sequenzen identifizieren

Analyse: Sequenz-Alignment Ähnlichkeit zw. Sequenzen

bestimmen In DB integriert oder separate Prog.

ExponentiellesWachstum


9

Proteinstrukturen Strukturdatenbanken

z.B. Protein Data Bank (PDB) 3D-Koordinaten aller Atome Zuordnung v. Sekundärstrukturen Rel. wenige Moleküle untersucht

Einordnung neuer Sequenzen Homologieansatz:

ähnliche Sequenzen ähnliche Struktur

Vorhersage der Proteinfaltung wichtiges Forschungsthema!


10

Phylogenetische DBn Verwandtschaftsbeziehungen zwischen Arten Heute auf genetischer Basis Erstellung phylogenetischer Bäume auf

dieser Basis Algorithmen, Zugriff auf genetische Daten

Archivieren erstellter Bäume in Datenbanken Bsp.: Tree Of Life - DB:

WWW-Projekt, ca. 350 teilnehmende Wissenschaftler


11

Bsp.: Tree Of Life - DB


12

Metabolische Pfade

Stoffwechsel-Vorgängein Zellen

Codiert als XML-Dokument

Über Java-Applet zugänglich

Verknüpungen mit z.B. chemischer Datenbank(per Mausklick)

Beispiel: KEGG PATHWAY-DB


13

Sonstige EinsatzgebieteGenexpression Genom: statischer „Bauplan“ Aber: Gene sind unterschiedlich aktiv DNA-Chips erlauben Messungen d. Aktivität Große Datenmengen, Analyse z.B. für neue

diagnostische u. therapeutische Verfahren

Literaturdatenbanken Bsp.: MEDLINE-DB für Medizin und

Lebenswissenschaften


14

Modellierung u. Datenmanagement

Implementierungsalternativen ASCII-Dateien (Flat Files)

40 % Relationales DBMS

38% Objektorientiertes / objektrelationales DBMS

9 % ACEDB

5 % OPM (Object Protocol Model)

2 %

( Daten von 2001 aus einer Studie von Bry & Kröger )


15

Implementierung: Flat Files ASCII-Dateien noch immer weit verbreitet Zum Datenaustausch u. Analyse de facto

Standard Explizite Strukturierung:

Tags, erlauben komplexe Strukturen und unvollständige Daten

Bsp.: Auszug aus der SWISS-PROT-DB (Proteine)ID PILI_PSEAE STANDARD; PRT; 178 AA.AC P43502;DT 01-NOV-1995 (Rel. 32, Created)DT 01-NOV-1995 (Rel. 32, Last sequence update)DE Protein pilI.GN PILI OR PA0410.OS Pseudomonas aeruginosa.SQ SEQUENCE 178 AA; 19934 MW; 634A1A4B135A7E77 CRC64; MSDVQTPFQL LVDIDQRCRR LAAGLPAQQE AVQSWSGIGF [...]


16

Implementierung: relationale DBMS

Relationale DBMS in anderen Feldern lange erprobt

Für wissenschaftliche Daten nicht optimal Komplexe Struktur führt zu uneinsichtigem

Tabellenverbund Administration und Abfragen daher unnötig

kompliziert Effiziente Speicherung u. Suche von

Sequenzdaten nicht hinreichend untersucht Trotzdem rund 38 % der DBn

mit relationalem DBMS


17

Implementierung: ACEDB A C. elegans DataBase Speziell für wissenschaftliches Umfeld

entworfen Objektorientiertes Datenmodell, aber:

Keine Vererbung möglich Baumstruktur von Objekten u. Attributen Semistrukturierter Ansatz

Erlaubt Ausnahmen i.d. Datenstruktur Query-Sprache AQL:

SQL-ähnlich, Pfad-Ausdrücke


18

Implementierung: ACEDB

Klassendefinition Tags, Objekte, Basistypen,

Modifizierer 1:N-Beziehungen

problemlos modellierbar

Bsp. Abfrage:Alle Co-Autoren in allen Aufsätzen von Hr. Lesk finden

?Author Name UNIQUE Text Paper ?Paper

?Paper Title UNIQUE Text Author ?Author Abstract ?LongText

select a->Paper->Author from a in class Author where a->Name like "*lesk*"


19

Implementierung: OPMObject Protocol Model Objektorientiertes Modell mit spezieller

Unterstützung für wissenschaftliche Daten/Prozesse

Kein DBMS, nur Datenmodell Protokoll-Klassen

modellieren Experimente mit Input und Output Tool-Suite zur Modellierung/Benutzung

Schema Editor: Erlaubt Transformation in relationale Schemata

Browse & Query: Anfragen u. Transaktionen in z.B. SQL umwandeln


20

Datenbank-RetrievalHeterogenität Vielzahl existierender DBn

welche enthält relevante Daten? unterschiedliche Abfragearten

Ansatz: „Meta-Suchen“z.B. SRS (Sequence Retrieval System) Zugriff auf ca. 500 DBn Folgt Hypertext-Links in Einträgen

Abfrage über WWW-Standardformular oderQuery-Language

[swissprot-id:acha-human] > prosite > swissprot


21

DatenintegrationAkquisition neuer Daten aus anderen DBn Voll- oder semiautomatisch

Konflikte möglich, Einteilung insemantische, deskriptive, strukturelle

Forschergruppen dürfen Daten einbringen

Qualität d. Daten, Validierungsprozess?

Übernahme aus der Literatur Meist manuell, arbeitsintensiv


22

QualitätssicherungAnnotationen Meta-Daten, z.B.

Literaturreferenzen Verknüpfungen zu anderen Datensätzen Herkunft der Daten, experimentelle Methoden Feature-Tables: biol. Bedeutung v. Sequenzen

Neuannotation von Einträgen Macht Datenbestand „dynamisch“ Qualität d. Einträge, Bsp. EMBL-DB

ohne Annotation vorläufig ungeprüft Standard

Annotationen geben den Daten Bedeutung


23

Zusammenfassung Molekularbiologische Daten

enorme Schärfe und Quantität oft komplexe Strukturen

Datenbanken bewährte DBMS bereits in Verwendung spezielle Ansätze verfügbar, aber noch nicht verbreitet

Heterogenität von Datenbeständen Verteiltheit und unterschiedliche Datenhaltung Integration notwendig

Informatik-Expertise bei Biologen erforderlich

Datenbanken in der Bioinformatik Thorsten Denhard

Documents

Transcript of Datenbanken in der Bioinformatik Thorsten Denhard