Entrez Direct--Sequence Records

2019-04-16

序列记录

用于序列记录的NCBI数据模型

NCBI代表基于分子生物学中心法则的数据模型中的序列记录。序列，包括基因组DNA，信使RNA和蛋白质产物，用实际的序列字母“实例化”，并且被分配标识符（例如，登录号）以供参考。特征携带关于给定区域的生物学的信息，其具有涉及特定序列的特定间隔的位置。某些特征也可能指向特定变换的产品序列。

基因特征指示可遗传的核酸区域的位置，其赋予可测量的表型。基因组DNA上的mRNA特征代表在转录和剪接后保留的信息的外显子和非翻译区。编码区（CDS）特征具有对翻译的蛋白质的产物参考。

由于信使RNA序列并不总是与基因组区域一起提交，因此CDS特征（其模拟核糖体在转录物分子上的行程）传统上在基因组序列上注释，具有编码外显子区间的位置。

功能在限定符中显示特定的生物注释。例如，基因的名称显示在/gene限定符中。为了方便用户，可以从底层数据动态生成限定符。因此，成熟肽的序列可以从前体蛋白上的mat_peptide特征的位置提取并显示在/肽限定符中，即使未实例化成熟肽。

INSDSeq XML中的序列记录

可以在GenBank或GenPept平面文件的XML版本中检索序列记录。查询：

1	efetch -db protein -id 26418308,26418074 -format gpc

返回一组INSDSeq对象：

<INSDSet>
  <INSDSeq>
    <INSDSeq_locus>AAN78128</INSDSeq_locus>
    <INSDSeq_length>17</INSDSeq_length>
    <INSDSeq_moltype>AA</INSDSeq_moltype>
    <INSDSeq_topology>linear</INSDSeq_topology>
    <INSDSeq_division>INV</INSDSeq_division>
    <INSDSeq_update-date>24-JUL-2016</INSDSeq_update-date>
    <INSDSeq_create-date>10-DEC-2002</INSDSeq_create-date>
    <INSDSeq_definition>alpha-conotoxin ImI precursor, partial [Conus imperialis]</INSDSeq_definition>
    <INSDSeq_primary-accession>AAN78128</INSDSeq_primary-accession>
    <INSDSeq_accession-version>AAN78128.1</INSDSeq_accession-version>
    <INSDSeq_other-seqids>
      <INSDSeqid>gb|AAN78128.1|</INSDSeqid>
      <INSDSeqid>gi|26418308</INSDSeqid>
    </INSDSeq_other-seqids>
    <INSDSeq_source>Conus imperialis</INSDSeq_source>
    <INSDSeq_organism>Conus imperialis</INSDSeq_organism>
    <INSDSeq_taxonomy>Eukaryota; Metazoa; Lophotrochozoa; Mollusca; Gastropoda; Caenogastropoda; Hypsogastropoda; Neogastropoda; Conoidea; Conidae; Conus</INSDSeq_taxonomy>
    <INSDSeq_references>
      <INSDReference>
      ...

INSDSeq XML提供生物特征和限定符（此处以GenPept格式显示）：

FEATURES             Location/Qualifiers
     source          1..17
                     /organism="Conus imperialis"
                     /db_xref="taxon:35631"
                     /country="Philippines"
     Protein         <1..17
                     /product="alpha-conotoxin ImI precursor"
     mat_peptide     5..16
                     /product="alpha-conotoxin ImI"
                     /note="the C-terminal glycine of the precursor is post
                     translationally removed"
                     /calculated_mol_wt=1357
                     /peptide="GCCSDPRCAWRC"
     CDS             1..17
                     /coded_by="AY159318.1:<1..54"
                     /note="nAChR antagonist"

在结构化功能表中：

...
<INSDFeature>
  <INSDFeature_key>mat_peptide</INSDFeature_key>
  <INSDFeature_location>5..16</INSDFeature_location>
  <INSDFeature_intervals>
    <INSDInterval>
      <INSDInterval_from>5</INSDInterval_from>
      <INSDInterval_to>16</INSDInterval_to>
      <INSDInterval_accession>AAN78128.1</INSDInterval_accession>
    </INSDInterval>
  </INSDFeature_intervals>
  <INSDFeature_quals>
    <INSDQualifier>
      <INSDQualifier_name>product</INSDQualifier_name>
      <INSDQualifier_value>alpha-conotoxin ImI</INSDQualifier_value>
    </INSDQualifier>
    <INSDQualifier>
      <INSDQualifier_name>note</INSDQualifier_name>
      <INSDQualifier_value>the C-terminal glycine of the precursor is
         post translationally removed</INSDQualifier_value>
    </INSDQualifier>
    <INSDQualifier>
      <INSDQualifier_name>calculated_mol_wt</INSDQualifier_name>
      <INSDQualifier_value>1357</INSDQualifier_value>
    </INSDQualifier>
    <INSDQualifier>
      <INSDQualifier_name>peptide</INSDQualifier_name>
      <INSDQualifier_value>GCCSDPRCAWRC</INSDQualifier_value>
    </INSDQualifier>
  </INSDFeature_quals>
</INSDFeature>
...

功能和限定符名称在数据值中指示，而不是XML元素标记，并且需要-if和-equals来选择所需的对象和内容。 xtract -insd参数简化了此过程，如下所示。

生成限定符提取命令

因为从INSDSeq XML获取特定限定符值比以前的情况稍微复杂一些，所以xtract -insd参数可用于生成提取指令。

在单独的命令中运行xtract -insd会打印一个新的xtract语句，然后可以在必要时对其进行复制，编辑并粘贴到其他查询中。在多步骤管道中运行-insd命令可动态执行构造的查询。

提供可选（完整/部分）位置指示，功能键，然后提供一个或多个限定符名称：

1	xtract -insd complete mat_peptide "%peptide" product peptide

创建一个新的xtract语句，该语句将生成具有完整位置的成熟肽特征的限定符值表。该语句以记录加入和查找指定类型的功能的说明开头：

xtract -pattern INSDSeq -ACCN INSDSeq_accession-version \
  -group INSDFeature -if INSDFeature_key -equals mat_peptide \
    -unless INSDFeature_partial5 -or INSDFeature_partial3 \
      -clr -pfx "\n" -element "&ACCN"

然后，每个限定符都会生成附加到不断增长的查询中的自定义提取代码。例如：

1
2
3

-block INSDQualifier \
  -if INSDQualifier_name -equals peptide \
    -element INSDQualifier_value

在海洋蜗牛毒肽的查询中加入xtract -insd命令：

esearch -db pubmed -query "conotoxin" |
elink -target protein |
efilter -query "mat_peptide [FKEY]" |
efetch -format gpc |
xtract -insd complete mat_peptide "%peptide" product peptide

生成一个表格，其中包含登录号，计算肽长度，产品名称和肽序列的列：

AGO59814.1    32    del13b conotoxin       DCPTSCPTTCANGWECCKGYPCVRQHCSGCNH
AAO33169.1    16    alpha-conotoxin GIC    GCCSHPACAGNNQHIC
ADB65788.1    20    conotoxin Cal 16       LEMQGCVCNANAKFCCGEGR
AAN78128.1    12    alpha-conotoxin ImI    GCCSDPRCAWRC
AAF23167.1    31    BeTX toxin             CRAEGTYCENDSQCCLNECCWGGCGHPCRHP
ADB65789.1    20    conotoxin Cal 16       LEMQGCVCNANAKFCCGEGR
AAN78279.1    21    conotoxin Vx-II        WIDPSHYCCCGGGCTDDCVNC
ABW16858.1    15    marmophin              DWEYHAHPKPNSFWT
...

将结果管道化为一系列UNIX命令：

grep -i conotoxin |
awk -F '\t' -v 'OFS=\t' '{if ( 10 <= $2 && $2 <= 30 ) print}' |
sort -t $'\t' -u -k 3,4 |
sort -t $'\t' -k 2,2n -k 3,3f |
cut -f 1,3- |
column -s $'\t' -t

按产品名称过滤，将结果限制为指定的肽段长度，删除多余的加入，按肽长度对表格进行排序，删除长度列，并对齐列以进行更清晰的打印：

AAN78128.1  alpha-conotoxin ImI            GCCSDPRCAWRC
AAN78127.1  alpha-conotoxin ImII           ACCSDRRCRWRC
ADB43130.1  conotoxin Cal 1a               KCCKRHHGCHPCGRK
ADB43131.1  conotoxin Cal 1b               LCCKRHHGCHPCGRT
AAO33169.1  alpha-conotoxin GIC            GCCSHPACAGNNQHIC
ADB43128.1  conotoxin Cal 5.1              DPAPCCQHPIETCCRR
AAD31913.1  alpha A conotoxin Tx2          PECCSHPACNVDHPEICR
ADB43129.1  conotoxin Cal 5.2              MIQRSQCCAVKKNCCHVG
ADD97803.1  conotoxin Cal 1.2              AGCCPTIMYKTGACRTNRCR
ADB65789.1  conotoxin Cal 16               LEMQGCVCNANAKFCCGEGR
AAD31912.1  alpha A conotoxin Tx1          PECCSDPRCNSSHPELCGGRR
AAN78279.1  conotoxin Vx-II                WIDPSHYCCCGGGCTDDCVNC
ADB43125.1  conotoxin Cal 14.2             GCPADCPNTCDSSNKCSPGFPG
ADD97802.1  conotoxin Cal 6.4              GCWLCLGPNACCRGSVCHDYCPR
CAH64846.1  four-loop conotoxin            CRPSGSPCGVTSICCGRCSRGKCT
AAD31915.1  O-superfamily conotoxin TxO2   CYDSGTSCNTGNQCCSGWCIFVCL
AAD31916.1  O-superfamily conotoxin TxO3   CYDGGTSCDSGIQCCSGWCIFVCF
AAD31920.1  omega conotoxin SVIA mutant 1  CRPSGSPCGVTSICCGRCYRGKCT
AAD31921.1  omega conotoxin SVIA mutant 2  CRPSGSPCGVTSICCGRCSRGKCT
ABE27010.1  conotoxin fe14.1               SPGSTICKMACRTGNGHKYPFCNCR
ABE27011.1  conotoxin fe14.2               SSGSTVCKMMCRLGYGHLYPSCGCR
ABE27007.1  conotoxin p114.1               GPGSAICNMACRLGQGHMYPFCNCN
ABE27008.1  conotoxin p114.2               GPGSAICNMACRLEHGHLYPFCHCR
ABE27009.1  conotoxin p114.3               GPGSAICNMACRLEHGHLYPFCNCD
...

对于缺少特定限定符的记录：

esearch -db protein -query "RAG1 [GENE] AND Mus musculus [ORGN]" |
efetch -format gpc |
xtract -insd source organism strain |
sort -t $'\t' -u -k 2,3

短划线作为占位符插入：

P15919.2  Mus musculus  -
AAO61776.1  Mus musculus  129/Sv
NP_033045.2 Mus musculus  C57BL/6
XP_006499075.1  Mus musculus  C57BL/6J
EDL27655.1  Mus musculus  mixed
BAD69530.1  Mus musculus castaneus  -
BAD69531.1  Mus musculus domesticus BALB/c
BAD69532.1  Mus musculus molossinus MOA