核心生物数据库

核心生物数据库

数据库          内容                典型用途
GenBank/RefSeq  核酸序列与注释       序列检索、基因序列获取
UniProt         蛋白质序列与功能     功能注释、序列查找
PDB             实验三维结构        结构检索、建模模板
Ensembl/UCSC    基因组注释浏览器     基因结构、调控区域
NCBI SRA/GEO    原始测序与表达数据   公共数据获取
ClinVar/OMIM    疾病与基因关系       变异临床解读
​

数据库的使用不仅是查询，还包括理解记录结构、版本管理与引用规范。分析中应记录所用数据库名称、版本与检索日期，保证结果可复现。跨库整合是常见分析场景，建议优先使用官方标识符映射服务（如 UniProt 的 ID mapping、NCBI 的 Gene 页面）而非自行猜测对应关系。数据库选择直接影响分析质量，理解各库分工是第一步。

数据库结构与检索

核心生物数据库是生物信息学的地基，负责把公开的序列、结构与注释组织成可检索的体系。核酸序列数据库以 NCBI 的 GenBank 及其镜像为源头，通过国际核苷酸序列数据库联盟（INSDC）与 ENA、DDBJ 交换数据；Ensembl 与 UCSC 以基因组为组织单位提供注释浏览器。蛋白质序列与功能数据库以 UniProt 为核心，其 UniProtKB 的 Swiss-Prot 部分经过人工审校，注释质量高。结构数据库是 PDB，收录实验测定的三维结构，AlphaFold 数据库则补充了预测结构。

检索与下载是数据库使用的核心技能。检索系统（如 NCBI Entrez、UniProt 网站）支持按标识符、关键词、序列相似性检索；批量下载常用命令行工具（如 NCBI datasets、efetch）。版本与标识符是数据库使用的关键陷阱：同一基因在不同数据库标识不同，注释版本升级会改变结果，跨库合并需用稳定的访问号（accession）。存档库（如 NCBI SRA）保存原始测序数据，是复现研究的基础。

数据库          内容                典型用途
GenBank/RefSeq  核酸序列与注释       序列检索、基因序列获取
UniProt         蛋白质序列与功能     功能注释、序列查找
PDB             实验三维结构        结构检索、建模模板
Ensembl/UCSC    基因组注释浏览器     基因结构、调控区域
NCBI SRA/GEO    原始测序与表达数据   公共数据获取
ClinVar/OMIM    疾病与基因关系       变异临床解读
​

核心数据库的"家族谱"：序列、结构、功能与文献

生物数据库是生物信息学的"基础设施"，其"家族谱"值得掌握：核酸序列数据库（GenBank（NCBI）、EMBL、DDBJ——"三大核酸数据库"（全球合作共享）；RefSeq（参考序列——"非冗余的参考集"））；基因组数据库（Ensembl（欧洲——基因组注释）、UCSC Genome Browser（基因组浏览器）、NCBI Genome——"基因组资源的三大门户"）；蛋白质序列与功能数据库（UniProt（Swiss-Prot（人工注释）+ TrEMBL（自动注释）——"蛋白质序列与功能注释的权威"）；蛋白质结构数据库（PDB（实验结构）、AlphaFold DB（预测结构——"结构数据的 AI 时代"））；以及"功能与通路的数据库"（GO（基因本体——功能注释的标准化）、KEGG（通路）、Reactome（反应通路）、STRING（相互作用）、dbSNP/ClinVar（变异与临床意义）、以及"文献与文本挖掘"（PubMed、Europe PMC——"文献的检索与挖掘"））。

使用数据库的方法论分检索与评估两步。检索有三条路：序列检索用 BLAST 这类相似性搜索，关键词检索走 Entrez 或各库网站，程序化访问则调用 API（NCBI E-utilities、Biopython）批量取数。评估决定分析质量：优先看人工注释（Swiss-Prot 的人工注释比自动注释可信）、更新频率和冗余度。另外要养成记录数据库版本的习惯——版本是分析可复现性的基础，换一个版本结果可能就不一样。跨库使用时的第一道坎是 ID 映射：基因 ID、蛋白 ID、通路 ID 各自独立，映射不准后面的分析全是白做。核心数据库就是生物信息学的图书馆：知道家族结构、会检索、会评估，你才知道该从哪里取可信的数据。

数据库的"使用与评估"值得掌握：检索（序列检索（BLAST 搜索）、关键词检索（Entrez/网站）、以及"程序化访问"（API——NCBI E-utilities、Biopython——"数据的程序化获取"）；评估（数据库的质量指标（人工注释 vs 自动注释——Swiss-Prot 的人工注释可信度）、更新频率、冗余度——"数据库选择的依据"）；以及"数据版本与可追溯"（"数据库版本是分析的可复现性基础"——"分析记录数据库版本"）。做一个"数据库"练习：理解"数据库的互操作性"（不同数据库的 ID 映射（基因 ID、蛋白 ID、通路 ID——"ID 映射是数据整合的第一步"）；理解"为什么要用权威数据库"（数据质量（人工注释）、更新、引用（可追溯）——"数据库选择决定分析质量"）。核心数据库是"生物信息学的图书馆"——掌握数据库的家族、使用与评估，你就掌握了"从哪里获取可信的生物数据"。
回顾本节核心：数据库家族（序列/基因组/蛋白/结构/功能/变异/文献）与选择评估（人工 vs 自动注释、权威性）。数据库是"生物信息学的图书馆"——掌握数据库的家族与使用，就掌握了"从哪里获取可信的生物数据"。