O Arquivo Europeu de Nucleotídeos (ENA) é um repositório que fornece acesso gratuito e irrestrito a sequências de DNA e RNA anotadas. Ele também armazena informações complementares, como procedimentos experimentais, detalhes da e outros metadados relacionados a projetos de sequenciamento. O arquivo é composto por três bancos de dados principais: o , o Arquivo de Traços e o Banco de Dados de Sequências de Nucleotídeos do EMBL (também conhecido como EMBL-bank). O ENA é produzido e mantido pelo Instituto Europeu de Bioinformática e é membro da (INSDC), juntamente com o e o GenBank.

O ENA surgiu a partir da Biblioteca de Dados EMBL, que foi lançada em 1982 como o primeiro recurso com suporte internacional para dados de sequência de nucleotídeos. No início de 2012, o ENA e outros bancos de dados membros da INSDC continham genomas completos de 5 682 organismos e dados de sequência de quase 700 000. Além disso, o volume de dados está aumentando exponencialmente, com um tempo de duplicação de aproximadamente 10 meses.

História O Arquivo Europeu de Nucleotídeos originou-se de bancos de dados separados, o mais antigo dos quais foi a Biblioteca de Dados EMBL, criada em outubro de 1980 no Laboratório Europeu de Biologia Molecular (EMBL), em Heidelberg. A primeira versão desse banco de dados foi lançada em abril de 1982 e continha um total de 568 entradas separadas que consistiam em cerca de 500 000 pares de bases. Em 1984, referindo-se à Biblioteca de Dados do EMBL, Kneale e Kennard observaram que “ficou claro há alguns anos que um grande banco de dados computadorizado de sequências seria essencial para a pesquisa em Biologia Molecular”.

Apesar de o principal método de distribuição na época ser via fita magnética, em 1987, a Biblioteca de Dados EMBL estava sendo usada por cerca de 10 000 cientistas em todo o mundo. No mesmo ano, o Servidor de Arquivos EMBL foi introduzido para disponibilizar os registros do banco de dados na BITNET, e no início da internet. Em maio de 1988, a revista introduziu uma política declarando que “os manuscritos enviados à Nucleic Acids Research e que contenham ou discutam dados de sequência devem ser acompanhados de evidências de que os dados foram depositados na Biblioteca de Dados EMBL”. esquerda|miniaturadaimagem|300x300px|Dados de sequência de nucleotídeos em formato de livro Na década de 1990, a Biblioteca de Dados EMBL passou a se chamar Banco de Dados de Sequências de Nucleotídeos EMBL e foi formalmente transferida para o Instituto Europeu de Bioinformática (EBI) de Heidelberg. Em 2003, o banco de dados de sequências de nucleotídeos foi ampliado com a adição do Sequence Version Archive (SVA), que mantém registros de todas as entradas atuais e anteriores no banco de dados. Um ano depois, em junho de 2004, os limites do comprimento máximo da sequência para cada registro (então 350 kilobases) foram removidos, permitindo que sequências de genoma inteiras fossem armazenadas como uma única entrada no banco de dados. miniaturadaimagem|250x250px|O EBI no Wellcome Trust Genome Campus em , Reino Unido, que hospeda o Arquivo Europeu de Nucleotídeos Após a adoção do sequenciamento Sanger, o (então conhecido como Centro Sanger) começou a catalogar as leituras de sequências juntamente com informações de qualidade em um banco de dados chamado The Trace Archive. O Trace Archive cresceu substancialmente com a comercialização de tecnologias de sequenciamento paralelo de alto rendimento por empresas como a e a Illumina. Em 2008, o EBI combinou o Trace Archive, o Banco de Dados de Sequências de Nucleotídeos EMBL (agora também conhecido como EMBL-Bank) e um recém-desenvolvido Sequence (ou Short) Read Archive (SRA) para formar o ENA, visando fornecer um arquivo abrangente de sequências de nucleotídeos. Como membro da , o ENA troca envios de dados diariamente com o e o GenBank.

Banco de dados de sequências de nucleotídeos EMBL esquerda|miniaturadaimagem|250x250px|O banco de dados de sequências de nucleotídeos do EMBL (EMBL-Bank) aumentou de tamanho, passando de cerca de 600 entradas em 1982 para mais de 2,5×108 em dezembro de 2012 O Banco de Dados de Sequências de Nucleotídeos EMBL (também conhecido como EMBL-Bank) é a seção do ENA que contém detalhes de alto nível da , bem como sequências montadas e sua anotação funcional. A contribuição para o EMBL-Bank é feita por envio direto de consórcios de genoma e grupos de pesquisa menores, bem como pela recuperação de dados de sequência associados a pedidos de patente.

A partir da versão 114 (dezembro de 2012), o banco de dados de sequências de nucleotídeos do EMBL contém aproximadamente 5×1011 nucleotídeos com um tamanho de arquivo não compactado de 1,6 terabytes.

Classes de dados O banco de dados de sequências de nucleotídeos do EMBL suporta uma variedade de dados derivados de diferentes fontes, incluindo, entre outros:

Marcadores de sequência expressa com seus dados de amostra associados. Sequência de nucleotídeos sendo gerada a partir de projetos de sequenciamento de genoma completo em vários estágios de montagem, incluindo completos e sequência anotada e totalmente montada. Dados relacionados à transcriptômica, como DNA complementar, com anotação opcional. Anotações novas ou ampliadas de sequências de codificação existentes, por exemplo, novas versões de sequência com códons de início ou término corrigidos.

Formato EMBL-Bank O banco de dados de sequências de nucleotídeos do EMBL usa um formato de de texto simples para representar e armazenar dados, normalmente chamado de formato EMBL-Bank. O formato EMBL-Bank usa uma diferente dos registros no DDBJ e no GenBank, embora cada formato use determinada nomenclatura padronizada, como taxonomias definidas pelo banco de dados taxonômicos do NCBI. Cada linha de um arquivo no formato EMBL começa com um código de duas letras, como AC para rotular o e KW para uma lista de palavras-chave relevantes para o registro; cada registro termina com //.

Arquivo de Leituras de Sequências (SRA) miniaturadaimagem|250x250px|A SRA cresceu rapidamente desde 2008. A partir de 2011, a maioria dos dados de sequência da SRA foi produzida pelo Analisador de Genoma da Illumina. O ENA opera uma instância do Arquivo de Leituras de Sequências (SRA), um repositório de arquivo de leituras de sequências e análises que se destinam à divulgação pública. Originalmente chamado de Short Read Archive (arquivo de leituras curtas), o nome foi alterado em antecipação às futuras tecnologias de sequenciamento que poderiam produzir leituras de sequências mais longas. Atualmente, o arquivo aceita leituras de sequências geradas por de próxima geração, como o Analisador de Genoma Illumina e o , bem como algumas análises e alinhamentos correspondentes. O SRA opera sob a orientação da (INSDC) e é o repositório de crescimento mais rápido no ENA.

Em 2010, o Arquivo de Leituras de Sequências constituía aproximadamente 95% dos dados de pares de bases disponíveis por meio da ENA, abrangendo mais de 500 000 000 000 de leituras de sequências compostas por mais de 60 trilhões (6×1013) de pares de bases. Quase metade desses dados foi depositada em relação ao Projeto 1000 Genomas, no qual os pesquisadores publicaram seus dados de sequência na SRA em tempo real. No total, em setembro de 2010, 65% do Arquivo de Leituras de Sequências eram sequências genômicas humanas, com outros 16% relacionados a leituras de sequências de metagenomas humanos.

O formato de dados preferido para os arquivos enviados à SRA é o formato BAM, que é capaz de armazenar leituras alinhadas e não alinhadas. Internamente, a SRA conta com o NCBI SRA Toolkit, usado em todos os três bancos de dados membros do INSDC, para fornecer compressão de dados flexível, acesso à API e conversão para outros formatos, como o FASTQ.

Acesso aos dados Os dados contidos no ENA podem ser acessados manual ou programaticamente via URL REST por meio do navegador ENA. Inicialmente limitado ao Sequence Read Archive, o navegador ENA agora também oferece acesso ao Trace Archive e ao EMBL-Bank, permitindo a recuperação de arquivos em diversos formatos, incluindo XML, HTML, FASTA e FASTQ. Registros individuais podem ser acessados usando seus números de acesso e outras consultas de texto são permitidas por meio do mecanismo de busca . Além disso, as pesquisas baseadas em similaridade de sequência implementadas usando oferecem outro método de recuperação de registros do ENA.

O ENA pode ser acessado por meio das APIs SOAP e REST do EBI, que também oferecem acesso a outros bancos de dados hospedados no EBI, como o Ensembl e o InterPro.

Armazenamento O Arquivo Europeu de Nucleotídeos lida com grandes volumes de dados que representam um desafio significativo de armazenamento. Desde 2012, os requisitos de armazenamento do ENA continuam a crescer exponencialmente, com um tempo de duplicação de aproximadamente 10 meses. Para gerenciar esse aumento, o ENA descarta seletivamente os dados menos valiosos da plataforma de sequenciamento e implementa estratégias avançadas de compressão. O kit de ferramentas de compactação baseado em referência CRAM foi desenvolvido para reduzir os requisitos de armazenamento da ENA.

Financiamento Atualmente, o ENA é financiado conjuntamente pelo Laboratório Europeu de Biologia Molecular, pela Comissão Europeia e pelo Wellcome Trust. A estrutura emergente ELIXIR, coordenada pela diretora do EBI, Janet Thornton, pretende garantir uma infraestrutura de financiamento europeia sustentável para apoiar a disponibilidade contínua de bancos de dados de ciências da vida, como o ENA.

Referências

Ligações externas

European Nucleotide Archive (em inglês). Arquivo Europeu de Nucleotídeos: Visita rápida (em inglês).

Categoria:Genética Categoria:Bases de dados bioinformáticas Categoria:Biologia molecular