生物信息学数据库全景手册：从序列到表型的全维度资源体系

生物信息学数据库已形成覆盖 “核酸 - 蛋白质 - 功能 - 表型 - 疾病” 的全链条资源网络，按功能定位可分为十大核心类别，每个类别均包含国际权威数据库与特色专项资源，以下是系统、详细的全景介绍。

一、核酸序列数据库：生命密码的基础存储体系

1. 国际核心核酸数据库联盟（INSDC）

• GenBank（NCBI，美国）

  • 定位：全球最大的公开核酸序列数据库，INSDC 核心成员之一。
  • 数据规模：收录 34 万 + 物种、130 亿 + 碱基对序列，涵盖基因组、转录本、EST、质粒等类型。
  • 核心功能：支持序列提交（BankIt/Sequin 工具）、关键词 / Accession 号 / BLAST 检索，每条记录含基因位置、功能注释、参考文献等完整信息。
  • 协作机制：与 ENA、DDBJ 每日同步数据，确保全球数据一致性。

• ENA（欧洲核苷酸档案库，EMBL-EBI）

  • 定位：欧洲核心核酸数据库，侧重高通量测序数据存储与标准化分析。
  • 特色优势：支持原始测序数据（FASTQ/BAM）直接上传与批量下载，提供多维检索工具和在线分析流程。
  • 数据覆盖：整合基因组、转录组、宏基因组等数据，与 GenBank、DDBJ 完全互通。

• DDBJ（日本 DNA 数据库）

  • 定位：亚洲核心核酸数据库，INSDC 三大成员之一。
  • 特色优势：关注东亚物种基因组数据，提供多语言界面，支持复杂注释序列提交，与另外两大库共享 Accession 号体系。

2. 参考序列与基因组数据库

• RefSeq（NCBI）

  • 定位：非冗余、人工校验的参考序列数据库，含基因组、转录本、蛋白质三类参考序列。
  • 核心价值：每个基因位点仅保留一个代表性序列，Accession 号稳定，是变异检测、序列比对的 “金标准” 参考。

• Ensembl Genomes（EMBL-EBI）

  • 定位：多物种基因组注释平台，覆盖细菌、真菌、植物、无脊椎动物等。
  • 特色功能：提供交互式基因组浏览器、基因结构注释、比较基因组学工具，支持批量数据下载与 API 调用。

• UCSC Genome Browser（UCSC）

  • 定位：基因组可视化与注释核心工具，整合多来源基因组数据。
  • 核心功能：展示染色体结构、基因分布、保守区域、调控元件，支持自定义数据上传与共线性分析。

3. 专项核酸数据库

• SRA（Sequence Read Archive，NCBI）

  • 定位：高通量测序原始数据仓库，存储 FASTQ、BAM 等格式数据。
  • 数据规模：收录全球千万级测序样本，涵盖 RNA-seq、ChIP-seq、ATAC-seq 等多种实验类型。
  • 应用场景：二次数据分析、数据重分析、方法学验证的核心数据源。

• dbSTS（Sequence Tagged Site Database，NCBI）

  • 定位：序列标记位点数据库，GenBank 子库，含多物种 EST 和 STS 序列信息。
  • 应用价值：基因定位、基因组图谱构建、PCR 引物设计的重要资源。

• EPD（Eukaryotic Promoter Database）

  • 定位：真核生物启动子数据库，收录实验验证的启动子序列与调控信息。
  • 特色：提供启动子区域特征分析、转录因子结合位点预测相关数据。

• TRANSFAC（真核生物转录调控因子数据库）

  • 定位：收录转录因子、结合位点及调控通路信息，支持基因表达调控网络分析。

二、蛋白质数据库：结构与功能的系统解析资源

1. 综合蛋白质序列数据库

• UniProt（UniProt Consortium）

  • 定位：全球最全面的蛋白质信息数据库，整合 Swiss-Prot、TrEMBL、PIR-PSD 三大子库。
  • 核心组件：
    • Swiss-Prot：手动注释、高质量条目（56 万 +），含功能位点、结构域、疾病关联等详细信息。
    • TrEMBL：自动注释的海量序列（2 亿 +），覆盖所有已知蛋白质。
  • 特色优势：每个蛋白质分配唯一 UniProt ID，支持跨数据库引用，整合结构、相互作用、表达谱数据。

• Human Protein Atlas（HPA）

  • 定位：人体蛋白质表达图谱数据库，整合组织、细胞、病理条件下的蛋白质表达数据。
  • 核心功能：提供蛋白质在不同组织 / 细胞中的定位信息，支持疾病标志物筛选与药物靶点验证。

2. 蛋白质结构数据库

• PDB（Protein Data Bank）

  • 定位：全球唯一的生物大分子三维结构数据库，存储蛋白质、核酸、复合物的实验结构。
  • 数据来源：X 射线晶体学、核磁共振（NMR）、冷冻电镜（Cryo-EM）实验结果。
  • 数据规模：收录 20 万 + 结构条目，支持结构可视化（PyMOL、RCSB Viewer）与分子对接分析。

• AlphaFold DB（DeepMind + EMBL-EBI）

  • 定位：AI 预测蛋白质结构数据库，基于 AlphaFold2/3 模型构建。
  • 数据规模：收录 2.14 亿 + 蛋白质结构，覆盖 UniProt 90% 以上序列，含人类及 47 种关键物种 proteome。
  • 核心指标：提供 pLDDT（置信度得分）和 PAE（对接误差矩阵），支持单体与多聚体结构查询。
  • 应用场景：未知结构蛋白质功能预测、药物设计、结构生物学研究补充。

3. 蛋白质分类与结构域数据库

• SCOP（Structural Classification of Proteins）

  • 定位：基于结构同源性的蛋白质分类数据库，分为折叠类型、超家族、家族三个层级。

• CATH（Class Architecture Topology Homology）

  • 定位：蛋白质结构与功能关系分类数据库，采用四级分类体系（Class、Architecture、Topology、Homology）。

• Pfam（Protein Families Database）

  • 定位：基于隐马尔可夫模型（HMM）的蛋白质结构域家族数据库，收录 1.9 万 + 保守结构域。
  • 应用价值：蛋白质功能预测、同源序列分析、结构域注释的核心工具。

三、功能注释与通路数据库：基因功能的标准化解析体系

1. 功能注释核心数据库

• Gene Ontology（GO）

  • 定位：基因功能标准化描述体系，由分子功能（MF）、生物过程（BP）、细胞组分（CC）三级分类构成。
  • 核心价值：术语间建立 “is_a”“part_of” 关系，形成有向无环图，是差异表达基因功能富集分析的标准工具。

• GeneCard（Weizmann Institute）

  • 定位：整合型人类基因数据库，汇集 125 个来源的基因组、转录组、蛋白质组、临床数据。
  • 特色优势：提供基因的全方位信息概览，支持基因 - 疾病 - 药物关联网络查询。

2. 通路分析数据库

• KEGG（Kyoto Encyclopedia of Genes and Genomes）

  • 定位：整合基因组、代谢通路、疾病、药物的综合数据库。
  • 核心组件：
    • KEGG PATHWAY：手工绘制 372 条参考通路，涵盖代谢、信号转导、疾病等类别。
    • KEGG ORTHOLOGY（KO）：跨物种同源基因分组，支持功能预测。
  • 特色功能：通路可视化、基因 - 疾病 - 药物关联分析，覆盖 700 + 物种。

• Reactome（Reactome Consortium）

  • 定位：免费、开源、同行评审的通路数据库，聚焦生物过程的反应级联。
  • 特色优势：支持通路可视化与交互式分析，提供中文镜像站点（reactome.ncpsb.org.cn），适合癌症及复杂疾病通路网络研究。

• WikiPathways

  • 定位：社区驱动的通路数据库，允许用户编辑与贡献通路信息，覆盖多物种通路资源。

• ConsensusPathDB

  • 定位：分子功能互作元数据库，整合 32 个公共数据库的蛋白质相互作用、信号通路、代谢网络数据。

四、变异与疾病数据库：基因组差异与表型关联资源

1. 遗传变异数据库

• dbSNP（NCBI）

  • 定位：全球最大的遗传变异数据库，收录 SNP、短 indel、微卫星等变异。
  • 数据规模：10 亿 + 变异位点，含人群频率、分子效应、临床关联等注释。
  • 核心标识：每个变异分配唯一 rsID，支持跨数据库关联查询。

• gnomAD（Genome Aggregation Database）

  • 定位：大规模人群基因组变异数据库，含 7.6 万 + 无亲缘关系个体全基因组数据。
  • 数据价值：提供变异人群频率基准，助力罕见病致病性变异筛选，鉴定 44.4 万 + 预测致病性 LOF 变异。

2. 癌症专项数据库

• TCGA（The Cancer Genome Atlas）

  • 定位：癌症基因组图谱数据库，覆盖 33 种肿瘤类型。
  • 数据特色：整合多组学数据（基因组、转录组、甲基化、蛋白质组）与临床信息（含预后随访）。
  • 核心价值：支持跨组学关联分析（如突变 - 表达 - 预后关联），是癌症精准医疗研究的核心资源。

• ICGC（International Cancer Genome Consortium）

  • 定位：国际癌症基因组联盟数据库，整合 TCGA 及全球其他队列数据。
  • 数据规模：收录 3 万 + 癌症样本基因组数据，支持多地区、多人群癌症基因组特征比较。
  • 现状：原数据门户已关闭，PCAWG 数据及最新 ARGO 项目数据对授权用户开放。

• GTEx（Genotype-Tissue Expression）

  • 定位：正常人体组织基因表达数据库，与 TCGA 形成互补。
  • 应用价值：提供正常组织基因表达基线，提升癌症差异表达分析准确性，支持组织特异性表达研究。

3. 疾病关联数据库

• OMIM（Online Mendelian Inheritance in Man）

  • 定位：人类孟德尔遗传病知识库，收录单基因遗传病与基因的关联信息。
  • 内容特色：详细描述疾病表型、遗传模式、分子机制，与 Gene、ClinVar 等数据库交叉引用。

• ClinVar（NCBI）

  • 定位：变异临床意义数据库，收集专家评审的 “变异 - 疾病 - 临床意义” 关联信息。
  • 应用场景：临床基因检测报告解读、遗传病诊断、药物基因组学研究的权威参考。

• SNPedia

  • 定位：SNP 与表型关联数据库，收录 SNP 对疾病、性状的影响信息，支持个性化基因组解读。

五、表观遗传与表达谱数据库：基因调控的时空动态资源

1. 基因表达数据库

• GEO（Gene Expression Omnibus，NCBI）

  • 定位：全球最大的基因表达数据仓库，存储微阵列、RNA-seq 等高通量数据。
  • 数据规模：20 万 + 研究项目、650 万 + 样本，支持跨平台数据整合与元分析。
  • 特色功能：提供 GEO2R 在线工具，支持差异表达基因快速分析。

• ArrayExpress（EMBL-EBI）

  • 定位：欧洲功能基因组数据存档平台，与 GEO 齐名，支持 MIAME 标准数据提交。
  • 数据类型：涵盖基因表达、ChIP-seq、ATAC-seq 等多种功能基因组数据。

2. 表观遗传数据库

• ENCODE（Encyclopedia of DNA Elements）

  • 定位：DNA 功能元件百科全书，解析人类和小鼠基因组调控元件。
  • 数据内容：转录因子结合位点、组蛋白修饰、DNA 甲基化、染色质可及性等信息。
  • 数据规模：500TB + 原始数据，来自 1.5 万 + 实验，支持细胞类型特异性调控网络分析。

• Roadmap Epigenomics

  • 定位：人类表观基因组图谱数据库，覆盖 111 个人类参考表观基因组。
  • 特色优势：聚焦不同细胞类型 / 组织的表观遗传差异，助力细胞分化与疾病调控机制研究。

3. 单细胞与空间转录组数据库

• Single Cell Atlas（SCA）

  • 定位：单细胞多组学图谱数据库，整合 125 种健康成人 / 胚胎组织的单细胞 RNA-seq、ATAC-seq 等数据。
  • 核心功能：支持多组学数据交互式查询、细胞类型注释、细胞通讯分析，提供一站式单细胞研究平台。

• SpatialDB

  • 定位：空间转录组数据库，收录空间分辨率的基因表达数据，支持组织微环境与细胞定位关系分析。

六、代谢组与相互作用数据库：分子网络的系统解析资源

1. 代谢组学数据库

• HMDB（Human Metabolome Database）

  • 定位：人类代谢组综合数据库，版本 5.0 收录 40 万 + 代谢物条目。
  • 数据内容：代谢物化学结构、生物途径、疾病关联、质谱特征，是代谢组学研究的核心资源。

• METLIN

  • 定位：代谢物质谱数据库，拥有 43 万 + 高质量 MS/MS 图谱，适合非靶向代谢组学鉴定。

• LIPID MAPS

  • 定位：脂质组学数据库，收录脂质分子结构、分类、代谢途径及质谱数据。

2. 分子相互作用数据库

• STRING（Search Tool for the Retrieval of Interacting Genes/Proteins）

  • 定位：蛋白质相互作用数据库，覆盖 9600 个物种，整合实验验证与预测数据。
  • 特色功能：提供相互作用网络可视化、功能富集分析，支持多物种网络比较。

• BioGRID

  • 定位：综合性生物相互作用数据库，收录 280 万 + 蛋白质 - 蛋白质、遗传及化学相互作用。
  • 应用场景：药物靶点发现、多组学网络分析、信号通路构建。

• IntAct（EMBL-EBI）

  • 定位：高质量蛋白质相互作用数据库，数据经实验验证，支持 MI TAB 标准格式导出。

3. 药物与靶点数据库

• ChEMBL

  • 定位：药物 - 靶点相互作用数据库，收录 20 万 + 化合物与靶点的活性数据。
  • 应用价值：药物筛选、靶点验证、药物重定位研究的重要资源。

• DrugBank

  • 定位：综合药物数据库，含药物化学结构、靶点、药理作用、临床应用等信息。

七、微生物数据库：微生物组与病原体资源体系

• MGnify（EMBL-EBI）

  • 定位：宏基因组与微生物组分析平台，支持 16S rRNA、宏基因组测序数据的功能与分类学分析。
  • 特色功能：用户可上传数据与公共数据集比较，提供标准化分析流程。

• IMG（Integrated Microbial Genomes，JGI）

  • 定位：整合微生物基因组数据库，涵盖细菌、古菌、病毒的基因组数据与比较分析工具。

• CyanoBase

  • 定位：蓝细菌基因组数据库，提供集胞蓝细菌等物种的基因组注释、代谢途径信息。

• RegulonDB

  • 定位：大肠杆菌转录调控数据库，收录基因调控网络、启动子、操作子等信息。

八、特殊领域数据库：物种与功能专项资源

1. 免疫相关数据库

• IMGT（International ImMunoGeneTics Database）

  • 定位：免疫遗传学权威数据库，收录免疫球蛋白（Ig）、T 细胞受体（TcR）、MHC 分子序列。
  • 应用场景：抗体工程、 autoimmune 疾病研究、免疫治疗靶点发现。

• Immune Epitope Database（IEDB）

  • 定位：抗原表位数据库，收录病原体、自身抗原的 B 细胞 / T 细胞表位信息，支持疫苗设计。

2. 植物数据库

• TAIR（The Arabidopsis Information Resource）

  • 定位：拟南芥研究核心数据库，整合基因组、基因功能、突变体等信息。

• Phytozome

  • 定位：多植物基因组数据库，整合 50 + 植物物种的基因组序列与统一注释，支持比较基因组学研究。

• Rice Genome Annotation Project

  • 定位：水稻基因组注释数据库，提供水稻基因结构、功能、表达谱等详细信息。

3. 病毒数据库

• NCBI Virus（NCBI）

  • 定位：病毒序列整合资源，收录 GenBank/RefSeq 中的病毒序列，支持分类检索与进化分析。
  • 特色功能：提供分段病毒基因组组装、序列比对工具，助力病毒溯源研究。

• ViralZone（SIB Swiss Institute of Bioinformatics）

  • 定位：病毒分类与注释数据库，含病毒形态、结构、生命周期、宿主信息，支持可视化浏览。

4. 模式生物数据库

• MGD（Mouse Genome Database）

  • 定位：小鼠基因组数据库，整合小鼠遗传、基因组、表型、疾病模型信息。

• SGD（Saccharomyces Genome Database）

  • 定位：酿酒酵母基因组数据库，是真菌研究的核心资源，含基因功能、相互作用、突变体数据。

• FlyBase（果蝇）、WormBase（线虫）、Zebrafish Information Network（斑马鱼）

  • 定位：对应模式生物的综合性数据库，整合基因组、发育、遗传、表型等全方位信息。

九、数据库整合工具与国际协作机制

1. 核心整合工具

• Entrez（NCBI）：跨数据库全局检索系统，支持 NCBI 所有数据库的联合查询与关联浏览。
• BioMart：多数据库 ID 映射与数据提取工具，支持批量获取基因、蛋白质的多维度注释。
• UCSC Table Browser：基因组区间数据提取工具，支持自定义注释轨道下载。
• clusterProfiler：R 语言工具包，支持 GO、KEGG 等数据库的功能富集分析，整合多数据库注释资源。

2. 国际协作体系

• INSDC（国际核酸序列数据库联盟）：GenBank、ENA、DDBJ 三方协作，确保核酸序列数据全球共享与同步。
• ICGC ARGO：国际癌症基因组联盟新阶段项目，推动癌症基因组数据向临床转化。
• CCDS（Consensus CDS）：NCBI、UCSC、EBI 联合维护，提供人类 / 小鼠基因的统一编码序列注释。

十、数据库选择与应用指南

1. 按研究场景选择核心数据库组合

研究方向	推荐数据库组合	核心用途
基础序列分析	GenBank/RefSeq + BLAST + Ensembl	序列检索、比对、基因结构注释
癌症多组学研究	TCGA + ICGC + GTEx + GEO	多组学数据整合、临床关联分析
蛋白质结构研究	PDB + AlphaFold DB + Pfam	结构查询、未知结构预测、结构域分析
功能富集分析	GO + KEGG + Reactome	差异基因功能分类、通路富集
单细胞研究	Single Cell Atlas + GEO + ENCODE	细胞类型注释、调控网络分析
疫苗 / 免疫研究	IMGT + IEDB + ViralZone	抗原表位设计、免疫靶点筛选

2. 数据库选择原则

• 优先选择权威机构（NCBI、EMBL-EBI、SIB）维护的数据库，确保数据质量。
• 功能研究优先选择手动注释数据库（如 Swiss-Prot、OMIM），高通量分析可选用自动注释数据库（如 TrEMBL）。
• 跨数据库分析需统一标识符（如 GeneID、UniProt ID、rsID），利用 BioMart 等工具进行 ID 映射。