GenBank — база данных, находящаяся в открытом доступе, содержащая все аннотированные последовательности ДНК и РНК, а также последовательности закодированных в них белков. GenBank поддерживается Национальным центром биотехнологической информации США (NCBI), входящего в состав Национальных Институтов Здоровья в США, и доступен на бесплатной основе исследователям всего мира. GenBank получает и объединяет данные, полученные в разных лабораториях, для более чем различных организмов.
GenBank — архивная база данных, то есть ответственность за содержимое каждой записи несут создатели этой записи, которыми, как правило, являются экспериментаторы, определившие данную последовательность. GenBank вместе с банками EMBL и DDBJ входит в консорциум INSDC (http://insdc.org/), осуществляющий регулярный обмен данными между этими тремя архивами аннотированных нуклеотидных последовательностей.
Релиз GenBank происходит каждые два месяца и доступен с сайта по протоколу FTP. Заметки о выпуске для текущей версии GenBank предоставляют подробную информацию о выпуске и уведомлениях о предстоящих изменениях в GenBank. Также доступны примечания к выпуску предыдущих версий GenBank.
История создания В марте 1979 года в Университете Рокфеллера в Нью-Йорке состоялась встреча тридцати молекулярных биологов и специалистов по компьютерным наукам. На ней была согласована позиция о необходимости создания общенациональной компьютеризованной базы данных. Это было обусловлено стремительными темпами роста количества известных последовательностей ДНК, а также перспективами получения новых биологических знаний путём их анализа и сравнения. До того времени существовало несколько отдельных коллекций последовательностей, но ни одна из них не была полной.Три года понадобилось Национальному Институту Здоровья (NIH), чтобы разработать схему финансирования проекта. За это время EMBL сделала общедоступной свою собственную базу данных последовательностей. Такая досадная для NIH задержка явилась следствием не только медленной работы бюрократической системы, но и неопределённостью среди учёных в отношении роли биологических коллекций во времена преобладания экспериментальных методов познания живого. Под давлением нескольких учёных-экспериментаторов NIH всё же начал поиск исполнителей проекта. В конкурсе на создание базы данных участвовали две группы: команда из Национального Фонда Биомедицинских Исследований (NBRF), возглавляемая Маргарет Дайхофф, и группа исследователей под руководством Уолтера Гоада из Лос-Аламосской национальной лаборатории (LANL) в сотрудничестве с частной компанией «».
Дайхофф создала одну из первых баз данных биологических последовательностей, собирая аминокислотные последовательности белков с 1960-х годов. В серии томов «Атласа белковых последовательностей и структур» опубликованных начиная с 1965 года, Дайхофф была представлена самая крупная в мире коллекция последовательностей белков и нуклеиновых кислот, новейших методов их анализа и вытекающих из них эволюционных соображений.Данный атлас стал чрезвычайно популярен как инструмент в работах молекулярных и эволюционных биологов. Дайхофф рассчитывала, что исследователи будут делиться с ней новыми последовательности напрямую, до того, как они будут опубликованы. Однако данная инициатива не нашла должного отклика среди экспериментальных биологов, так как при занесении в Атлас не устанавливались ни авторство, ни приоритет открытия. Дайхофф и её команда были вынуждены продолжить заниматься ручным анализом публикуемой литературы.
Другой претендент на заключение контракта с NIH – группа из Лос-Аламоса, где со времён Манхэттенского проекта велись ограниченные биомедицинские исследования. Узнав о решении, принятом в Университете Рокфеллера, Уолтер Гоад был убеждён, что Лос-Аламос является «естественным местом для центра по анализу последовательностей ДНК», главным образом, из-за «уникальных компьютерных мощностей», которыми обладала располагающаяся там национальная лаборатория. Гоад также начал собирать последовательности нуклеиновых кислот, в основном, из других коллекций, принадлежащих Ричарду Грантому во Франции, Курту Стёберу в Германии, Дугласу Брутлагу и Элвину Кабату в США.
Предложения NBRF (Дайхофф) и LANL-BBN (Гоад) по созданию централизованной базы данных были очень похожи, однако они содержали ключевые различия, касающиеся собственности, конфиденциальности и научного приоритета. NBRF предложила собирать последовательности, анализируя опубликованную литературу и приглашая экспериментаторов предоставлять их данные. Такой подход подразумевал такое же отношение к последовательностям, как отношение натуралистов к экземплярам – находящимся в окружающей природе объектам, которые могут быть собраны и использованы. LANL-BBN, напротив, предлагали просить издательства, чтобы включение последовательностей в базу данных было обязательным условием для публикации статьи в журнале. Такая система соответствовала системе мотивации в экспериментальных науках, в которой результаты исследований считаются личным знанием до того, как они будут опубликованы и им будет присвоено авторство. Публикация таким образом является стимулом к тому, чтобы сделать знания общедоступными.
В 1980 году Верховный суд США объявил, что «что-либо под солнцем, созданное человеком», включая генетически модифицированные организмы, может быть запатентовано. Данное заявление поставило перед NIH вопрос о том, кто мог бы стать собственником информации в будущей базе данных. Гоад подчеркнул, что он «не собирается отстаивать какие-либо права собственности на какие бы то ни было данные», и отметил, что Дайхофф и её команда «искали доходы от продаж своей базы данных и препятствовали их перераспределению», не упомянув, что доходы шли только на покрытие расходов, а не для получения прибыли.
LANL-BBN имели возможность в дальнейшем повысить открытость своей базы данных, предложив распространять её через компьютерную сеть ARPANET, находящуюся под управлением Министерством обороны, в то время как NBRF мог предложить только ограниченный онлайн-доступ через телефонные модемы. 30 июня 1982 года NIH заключила контракт с LANL-BBN на создание общедоступной бесплатной базы данных последовательностей нуклеиновых кислот, которая вскоре стала называться GenBank.
Успех GenBank в сборе всех опубликованных последовательностей был обусловлен двумя ключевыми факторами. Во-первых, было организовано плотное сотрудничество с базой данных EMBL, созданной несколькими месяцами ранее в Гейдельберге, и с DDBJ в 1986 году. Каждая база данных была ответственна за отслеживание публикаций в определённых журналах.
Во-вторых, базы данных ДНК всё сильнее отставали от растущего взрывными темпами количества известных последовательностей. Решением проблемы стала договорённость с издательствами об электронном включении последовательностей в базу данных как обязательном условии для публикации в журнале.
С тех пор GenBank рос и расширялся, участвуя в таких проектах, как «Геном человека» и проектах по баркодированию ДНК. GenBank стала примером проекта, основанного на принципах «свободного контента», которые приобретают огромное конкурентное преимущество в современном мире.
В середине 1980-х биоинформатическая компания Intelligenetics в Стэнфордском Университете управляла проектом GenBank совместно с LANL. Будучи одним из первых общественных биоинформатических проектов в Интернете, в рамках проекта были открыты первые форумы и средства для обмена научными знаниями: BIOSCI/Bionet.
В период с 1989-1992 GenBank был перемещён в новообразованный Национальный Центр Биотехнологической Информации (NCBI).
Статистика GenBank В третьем выпуске базы данных, вышедшем в декабре 1982 года содержалось 606 нуклеотидных последовательностей, в пересчёте на основания - 680338. Уже к ноябрю 1983 года количество последовательностей увеличилось более чем в 4 раза - до 2427. До 2000 года рост базы данных имел экспоненциальный характер. К 2007 году количество данных удваивалось каждые 18 месяцев.
С апреля 2002 года ведётся статистика по разделу WGS. Скорость его роста опережает основное отделение GenBank. После уменьшения темпов роста в 2010 году, WGS вновь демонстрирует ускоренный рост.
На февраль 2013 года GenBank содержал информацию о более чем 228 млрд пар оснований и почти 200 млн последовательностях (из более чем 100 000 живых организмов).
В генном банке содержатся также дополнительные наборы данных, механически добавленных, на основе основной коллекции данных секвенирования.
По информации, содержащейся в таблице, можно определить масштаб данных, накопленных в GenBank и сравнить скорости, с которыми в базе данных появлялись новые записи в первые годы после основания базы и в настоящее время. ВыпускДатаОснованийПоследовательностей3декабрь 1982680 338606 66декабрь 199051 306 09241 057121декабрь 200011 101 066 28810 106 023181декабрь 2010122 082 812 719129 902 276218февраль 2017228 719 437 638199 341 377
Аннотация записи GenBank Аннотированный образец GenBank в формате GenBank Flat File имеет следующие разделы: Название поляАннотация поля LOCUS Поле LOCUS содержит следующие элементы данных:
Имя локуса (Locus Name)
Единственное правило при назначении имени локуса - уникальность.
Длина последовательности (Sequence Length)
Количество нуклеотидных пар оснований (или аминокислотных остатков, в случае белковой последовательности) в записи последовательности.
Поле поиска Entrez: длина последовательности [SLEN]
Тип молекулы (Molecule Type)
Каждая запись GenBank должна содержать данные о последовательности одного типа молекулы: геномная ДНК, геномная РНК, незрелая (несплайсированная) РНК, матричная РНК (кДНК), рибосомная РНК, транспортная РНК, малая ядерная РНК и другие.
Поле поиска Entrez: тип молекулы [PROP]. Пример biomol_genomic, biomol_mRNA и т. д.
Раздел GenBank (GenBank Division)
Записи GenBank относятся к одному из следующих разделов:
Таксономические разделы:
PRI (primate) - последовательности приматов ROD (rodent) - последовательности грызунов MAM (mammalian) - другие последовательности млекопитающих VRT (vertebrate) - другие последовательности позвоночных животных INV (invertebrate) - последовательности беспозвоночных животных PLN (plant) - последовательности растений, грибов и водорослей BCT (bacterial) - бактериальные последовательности VRL (viral) - вирусные последовательности PHG (bacteriophage) - последовательности бактериофагов SYN (synthetic) - синтетические последовательности ENV (environmental) - последовательности образца окружающей среды UNA (unannotated) - неаннотированные последовательности
Высокопроизводительное секвенирование:
EST (expressed sequence tags) - последовательности тегов STS (sequence tagged sites) - тегированные последовательности сайтов GSS (genome survey sequences) - исследование последовательностей генома HTG (high-throughput genomic sequences) - данные высокопроизводительного секвенирования генома HTC (high-throughput cDNA sequencing) - данные высокопроизводительного секвенирования кДНК
Проекты:
PAT (patent) - запатентованные последовательности WGS (whole genome sequencing) - полногеномное секвенирование TSA (transcriptome shotgun assembly) - сборка транскриптома методом дробовика
Поскольку разделы не отражают текущую таксономию NCBI (последовательность, реально относящаяся к конкретному организму, может входить в "техническую" группу из-за метода её получения), для получения всех последовательностей из конкретного организма следует использовать NCBI Taxonomy Browser.
Поле поиска Entrez: раздел [PROP]. Пример: gbdiv_pri, gbdiv_est и т. д.
Дата изменения (Modification Date)
Дата последней модификации записи.
Поле поиска Entrez: дата [MDAT]. Пример 1999/07/25, 1999/07/25:1999/07/31 (обязателен формат гггг/мм/дд) DEFINITION Краткое описание последовательности: организм, имя гена/белка, описание функций последовательности (если последовательность является некодирующей).