KEGG数据库简介

Report
简介
2013/6/6
产生的背景
如何借助计算机全面地展示细胞和生物
所包含的生物学信息是后基因组时代的重大
挑战之一。科学家期望能够根据基因组中的
信息,用计算机计算或者预测出比较复杂的
细胞中的通路或者生物的复杂行为。出于这
个目的,日本京都大学生物信息学中心的
Kanehisa实验室于1995年建立了生物信息学
数据库KEGG。
特点
• KEGG是一个整合了基因组、化学和系统功能信息的数据
库。把从已经完整测序的基因组中得到的基因目录与更
高级别的细胞、物种和生态系统水平的系统功能关联起
来是KEGG数据库的特色之一。
• 人工创建了一个知识库,这个知识库是基于使用一种可
计算的形式捕捉和组织实验得到的知识而形成的系统功
能知识库。它是一个生物系统的计算机模拟。
• 与其他数据库相比,KEGG 的一个显著特点就是具有强
大的图形功能,它利用图形而不是繁缛的文字来介绍众
多的代谢途径以及各途径之间的关系,这样可以使研究
者能够对其所要研究的代谢途径有一个直观全面的了
解。
用途
• 各个数据库中包含了大量的有用信息。基因组信息存储
在GENES数据库里,包括完整和部分测序的基因组序
列;更高级的功能信息存储在PATHWAY数据库里,包括
图解的细胞生化过程如代谢、膜转运、信号传递、细胞
周期,还包括同系保守的子通路等信息;KEGG的另一个
数据库LIGAND,包含关于化学物质、酶分子、酶反应等
信息。
• 通过与世界上其它一些大型生物信息学数据库的连接,
KEGG可以为研究者提供更为丰富的生物学信息
(LinkDB)。
• KEGG提供了Java的图形工具来访问基因组图谱,比较基
因组图谱和操作表达图谱,以及其它序列比较、图形比
较和通路计算的工具,可以免费获取。
影响及发展
• KEGG建立了KEGG直系同源系统(the KEGG
Orthology (KO) system),这个系统通过把分子
网络的相关信息连接到基因组中,从而发展和
促进了跨物种注释流程。
• 结果表明,KEGG被当做一个参考知识库,被
广泛的用于基因组测序和其他高通量实验技术
得到的大规模数据集的整合和解释中。除了保
持对基础研究的支持,随着KEGG分子网络的
一些小变化,KEGG正在朝着更加偏向于实际
应用的方向发展,这些应用主要集中在整合人
类疾病、药物和其他与健康相关的物质。
KEGG数据库
• KEGG是一个综合数据库,它们大致分为系
统信息、基因组信息和化学信息三大类。
进一步可细分为16个主要的数据库。可以
通过不同的颜色编码来区分。
分类
系统信息
基因组信息
化学信息
数据库
目录
KEGG PATHWAY
KEGG通路图
KEGG BRITE
BRITE功能层次
KEGG MODULE
KEGG功能单元的模块
KEGG DISEASE
人类疾病
KEGG DRUG
药物
KEGG ENVIRON
天然药物和与健康相关的物质
KEGG ORTHOLOGY
KEGG直系同源(KO)组
KEGG GENOME
KEGG中带有完整基因组的物种
KEGG GENES
在完整基因组中的基因目录
KEGG SSDB
与基因有关的序列相似性数据库
KEGG COMPOUND
代谢物及其他小分子化合物
KEGG GLYCAN
多糖
KEGG REACTION
生化反应
KEGG RPAIR
化学反应中的反应物对
KEGG RCLASS
RPAIR定义的反应级别
KEGG ENZYME
酶命名法
颜色
三类数据库的关系
KEGG对象标识符
数据库中包含各种各
样的数据对象,这些
数据对象是为了用来
对生物系统进行计算
机模拟的。因此,各
个数据库中的数据记
录都被称为KEGG对象。
这些对象可以通过
KEGG对象标识符来识
别,标识符由一个与
数据库相关的前缀加
五个数字构成。
Database
Object
Prefix
map, ko, ec, rn, (org)
Example
KEGG PATHWAY
Pathway map
hsa04930
KEGG BRITE
Functional hierarchy br, jp, ko, (org)
ko01003
KEGG MODULE
KEGG module
M, (org)_M
M00010
KEGG DISEASE
Human disease
H
H00004
KEGG DRUG
Drug
D
D01441
KEGG ENVIRON
Crude drug, etc.
E
E00048
KEGG ORTHOLOGY
KO group
K
K04527
KEGG GENOME
KEGG organism
T
T01001 (hsa)
KEGG GENES
Gene / protein
KEGG COMPOUND
Small molecule
C
C00031
KEGG GLYCAN
Glycan
G
G00109
KEGG REACTION
Reaction
R
R00259
KEGG RPAIR
Reactant pair
RP
RP04458
KEGG RCLASS
Reaction class
RC
RC00046
KEGG ENZYME
Enzyme
hsa:3643
ec:2.7.10.1
(org) represents three-, four-, or five-letter organism code
当前数据库中的记录
KEGG Database as of 2013/6/5
KEGG PATHWAY
Pathway maps, reference (total)
KEGG BRITE
Functional hierarchies, reference (total)
KEGG MODULE
KEGG modules, reference (total)
KEGG DISEASE
Human diseases
KEGG DRUG
Drugs
KEGG ENVIRON
Crude drugs and health-related substances
KEGG ORTHOLOGY KEGG Orthology (KO) groups
KEGG GENOME
KEGG Organisms
Genes in high-quality genomes
KEGG GENES
(190 eukaryotes, 2336 bacteria, 153 archaea)
Best hit relations within GENES
KEGG SSDB
Bi-directional best hit relations within GENES
KEGG DGENES
KEGG EGENES
KEGG MGENES
KEGG COMPOUND
KEGG GLYCAN
KEGG REACTION
KEGG RPAIR
KEGG RCLASS
KEGG ENZYME
Genes in draft genomes (18 eukaryotes)
Genes as EST contigs (99 eukaryotes)
Genes in metagenomes (716 samples)
Metabolites and other small molecules
Glycans
Biochemical reactions
Reactant pair chemical transformations
Reaction class
Enzyme nomenclature
0 (246,368)
140 (78,848)
566 (185,274)
1,301
9,910
845
16,748
2,697
10,821,739
130,947,959,957
2,996,848,546
432,488
3,792,883
90,754,418
17,012
10,985
9,320
14,092
2,807
5,973
KEGG PATHWAY Database
KEGG PATHWAY数据库是一个手工画的代谢通路的集
合,包含以下几方面的分子间相互作用和反应网络:
1.新陈代谢
2.遗传信息加工
3.环境信息加工
4.细胞过程
5.生物体系统
6.人类疾病
7.药物开发
PATHWAY的五种类型
仅仅第一种参考通路(reference pathway)图是手动画出来的,其他的通路
图都是通过计算产生的。 pathway中的每一个框(或线)都对应一个或多个
K编号、EC编号及R编号。
• map - Reference pathway
对于代谢相关的通路,在reference pathway中,一个点同时表示一个基
因、这个基因编码的酶及这个酶参加的反应
• ko - Reference pathway (KO)
ko通路中的点只表示基因
• ec - Reference pathway (EC)
ec通路中的点只表示相关的酶
• rn - Reference pathway (Reaction)
Reaction通路中的点只表示改点参与的某个反应、反应物对及反应类型
• org - Organism-specific pathway map
对于所有的代谢和非代谢通路,K编号都被认为是基因的标识符,这个
标识符在每一个物种中对应该物种中的某个基因,从而得到物种特异性
的pathway。
map00010
ec00010
ko00010
rn00010
hsa00010
KEGG BRITE Database
KEGG BRITE是一个层级分类的数据库,包含
生物系统各个方面的知识。相对于KEGG
PATHWAY仅限于分子间相互作用和反应,
KEGG BRITE包含了许多不同的关系类型。例
如,可以查询酶和底物之间的关系,也可以
查询某种酶的同源基因。
tp53在BRITE中的查询结果
KEGG MODULE Database
KEGG MODULE是一个人工定义的功能单元的集合。被用于
已测序基因组的注释和生物学上的解释。各个模块使用M
开头的编号及与其对应的一系列K开头的编号来表示。
四种主要的KEGG模块
1.通路模块:代表在KEGG代谢通路图中的复杂功能单元,
例如M00002(糖酵解,与三碳化合物相关的核心模块)
2.结构复合物:通常形成分子机械,例如M00072(寡糖转
移酶)
3.功能集:基本单元的其他形式,例如M00360(氨酰基tRNA 合酶,原核生物)
4.特征模块:作为某种表型的标记,例如M00363(肠出血
性大肠杆菌致病性特征,志贺毒素)
KEGG ORTHOLOGY (KO) Database
KEGG参考通路图,BRITE功能层次以及KEGG模块
都是以一种广泛的方式来表示,都可以用于所有
物种。而KEGG直系同源系统(KO System)是这一表
示方式的基础。包含手动定义的直系同源组,这
些直系同源组就相当于KEGG通路中的点,BRITE
层级中的点以及KEGG模块中的点。(这些点并不
是某个具体物种的某一个基因,而是在许多物种
中都存在的直系同源的某一个基因)。一旦基因
被分配了KO标识或K编号,通过基因组注释流程,
物种特异性的通路图、BRITE功能层次和KEGG模
块就可以自动产生了。
直系同源与旁系同源
 直系同源(orthology)是比较基因组学中最重要的定义。直系同源的定
义是:
(1).在进化上起源于一个始祖基因并垂直传递的同源基因;
(2).分布于两种或两种以上物种的基因组;
(3).功能高度保守乃至于近乎相同,甚至于其在近缘物种可以相互替换;
(4).结构相似;
(5).组织特异性与亚细胞分布相似。
 旁系同源(paralogy)基因是指同一基因组(或同系物种的基因组)中,由
于始祖基因的加倍而横向产生的几个同源基因。直系与旁系的共性是
同源,都源于各自的始祖基因。其区别在于:在进化起源上,直系同
源是强调在不同基因组中的垂直传递,旁系同源则是在同一基因组中
的横向加倍;在功能上,直系同源要求功能高度相似,而旁系同源在
定义上对功能上没有严格要求,可能相似,但也可能并不相似(尽管结
构上具一定程度的相似),甚至于没有功能(如基因家族中的假基因)。
Protein Kinase C Orthologs
Image depicts concepts of Orthology and paralogy. from
Neurotrophin(神经营养因子) signaling pathway(ko04722)
从这个图上可以看到基因之间的相互作用。
ko编号表示一个通
路,这个通路是不
分物种的,相当于
所有物种的这一通
路的并集。
Ortholog table(ko04722)
K编号表示一个基因,是ko
通路中的基本单位,某一K
编号代表的不是某一具体
物种的基因,而是所有物
种的某一同源基因的统称。
KEGG GENOME Database
该数据库中收集了2679中物种(190 eukaryotes,
2336 bacteria, 153 archaea)的基因组信息,这
些物种都已经具有完整的基因组序列,并根
据大量的EST数据集进行了增补。
KEGG GENES Database
• KEGG GENES 是所有已知全基因组序列的基因目录的
集合。这些全基因组信息主要参考可得到的公共数
据库,尤其是NCBI RefSeq数据库。这些基因从属于
SSDB (Sequence Similarity Database)并通过KOALA工
具进行计算和KO编号的分配(基因注释)。
• KEGG DGENES中包括一些真核生物的基因组草图,
• KEGG EGENES是一个包含大部分植物的EST数据集的
补充基因目录,以上数据都随着GENES被当做一个
参考数据集的使用被KAAS自动分配上KO编号。
• MGENES表示通过自动注释的宏基因组。
• VGENES表示病毒基因目录,还没有全部整合到
KEGG系统中。
KEGG SSDB Database
• KEGG SSDB(序列相似性数据库)包括全基因组中的所
有蛋白编码基因的氨基酸序列相似性的信息,这些
信息是从KEGG中的GENES数据库计算得到的。所有
可能的成对基因组比较由SSEARCH程序来执行,并
且Smith-Waterman相似性分数大于或等于100的基因
对会被选入SSDB数据库,数据库中还包括最佳匹配
(best hits)以及双向最佳匹配(best-best hits)序列的信
息。
• SSDB是一个如此巨大的加权的有向图,这使得该数
据库可以被用于查询直系同源和旁系同源基因,还
可以在额外考虑染色体上位置正确性的情况下查询
保守的基因簇。
Thank you!

similar documents