常用数据库 ID
| 序号 | ID 示例 | ID 来源 |
|---|---|---|
| 一 | GLA, GLB, UGT1A1 | HGNC Gene Symbol（基因的官方名称） |
| 二 | ENSG00000116717 | Ensemble ID（NCBI给予不同基因的一个代号（标识符））即Ensembl数据库的ID编号 |
| 三 | GA45A_HUMAN | UniProtKB/Swiss-Prot, entry name |
| 三 | A5PJB2_BOVIN | UniProtKB/TrEMBL，entry name |
| 三 | A2BC19, P12345, A0A022YWF9 | UniProt, accession number |
| 四 | U12345, AF123456 | GenBank, NCBI, accession number |
| 四 | NT_123456, NM_123456, NP_123456 | RefSeq, NCBI, accession number |
| 五 | 10598, 717v | Entrez ID, NCBI |
| 六 | uc001ett, uc031tla.1 | UCSCID 编号 |
一、Gene Symbol & Gene Name
（一）Gene Symbol
Gene Symbol 是基因的官方的名称，是对基因进行命名描述的一个缩写标识符(如:TP53)，Gene Symbol 是由专门的数据库HGNC database of human gene names(人类基因命名委员会)来对人类中大多数基因的进行命名，并由组织HUGO进行维护。目前，HGNC已经批准了超过41500个Gene Symbol ，其中超过19190个基因属于蛋白质编码基因，超过 7300个基因属于非编码RNA的基因，同时HGNC还为假基因以及基因组特征命名。这些基因符号都是唯一的。
（二）Gene Name
Gene Name：Gene Name是经过HGNC批准的全基因名称;与Gene Symbol对应。Gene Symbol相当于Gene Name的缩写。例如TP53对应的Gene Name就是：tumor protein p53 。
！因为HGNC只对人类基因进行命名，而且并不是所有的基因都有Official Symbol。所以如果基因缺少HGNC提供的Gene Symbol ，Entrez Gene数据库中的Official symbol就会变成Gene Symbol，并且Gene Symbol的编号会变成LOC前缀+Entrez ID，例如：LOC4333818
二、Ensembl IDs
(一)、组成
Ensembl ID的由5部分构成: ENS(species)(object type)(identifier).(version)
| (species) | (object type) | (identifier) | . | (version) |
|---|---|---|---|---|
| 不同物种的前缀 | 数据所指的类型 | 再加上一系列的数字. 有的时候可以有不同的版本, | 再加上小数点 | 再加版本号 |
Enseml ID数据所指的类型包括exon(外显子), protein family(蛋白质家族)，, gene(基因)，, gene tree(基因树)， protein(蛋白质), regulatory feature( 调控特征）和 transcript（转录本）.
(二)、解读
如:ENSMUSG00000017167.6
① ENS代表这是一个Ensembl ID
② 第二部分代表物种, 如MUS代表小鼠(如果物种是人则不用填），常用物种见下表，其他物种的前缀可以点击这里查找
③紧接着的第三部分代表ID的类型, 如G代表基因, T代表转录本……
④是一系列的特殊数字
⑥ 小数点 .
⑦ 小数点后代表版本号
所以这个是一个Ensembl ID (ENS), 物种为小鼠(MUS), 代表一个基因(G), 并且这是第6个版本(.6).
常用物种前缀
| 前缀 | 学名 |
|---|---|
| ENSCEL | Caenorhabditis elegans (Caenorhabditis elegans) |
| ENSCAF | Canis lupus familiaris (Dog) |
| ENSDAR | Danio rerio (Zebrafish) |
| FB | Drosophila melanogaster (Fruitfly) |
| ENS | Homo sapiens (Human) |
| ENSMUS | Mus musculus (Mouse) |
| ENSRNO | Rattus norvegicus (Rat) |
| ENSXET | Xenopus tropicalis (Xenopus) |
其他物种的前缀可以点击这里查找
ID类型前缀
| 前缀 | 类型 |
|---|---|
| E | exon （外显子） |
| FM | Ensembl protein family（合蛋白家族） |
| G | gene（基因） |
| GT | gene tree（基因树） |
| P | protein（蛋白质） |
| R | regulatory feature |
| T | transcript（转录本） |
三、UniProtKB/Swiss-Prot &UniProtKB/TrEMBL
（一）UniProt （蛋白质序列数据库）
UniProt是Universal Protein 的缩写，是一个一级蛋白质序列数据库。
Uniprot包括UniProtKB知识库、UniParc归档库和UniRef参考序列集三部分，整合了三大数据库（Swiss-Prot，TrEMBL和PIR-PSD）的数据，是目前国际上最广泛使用的蛋白质数据库.其中Swiss-Prot和TrEMBL是核心数据库UniProtKB的两个子库，两个子库相似，区别如下
| Swiss-Prot子库 | TrEMBL子库 | |
|---|---|---|
| 整理 | 序列条目以及相关信息都经过手工注释和人工审阅 | 所有序列条目由计算机程序根据一定规则进行自动注释 |
| 团队 | 瑞士生物信息研究所团队负责 | 欧洲生物信息学研究所团队负责 |
| 内容 | 蛋白质序列数据的搜集、整理、分析、注释，力图为用户提供高质量的蛋白质序列和丰富的注释信息。 | 蛋白质名、基因名、物种名、分类学地位等基本信息，功能、表达、定位、家族和结构域等注释信息，以及与其它数据库的交叉链接。 |
| 比较 | 可靠性大（手工注释、人工审阅） | 可靠性比Swiss-Prot小（自动注释） |
！两者联系
①采用统一的数据库格式和登录号系统（UniProt 中录入的数据都被分配了一个唯一的 entry name）
②TrEMBL中的序列经手工注释和人工审阅后，归并到Swiss-Prot子库中，不再在TrEMBL子库中保留。
③这两个子库的数据量差别很大，TrEMBL的数据数量远远超过了Swiss-Prot。
（二）关于两个字库UniProtKB/Swiss-Prot 的 “entry name”
由于UniprotKB的entry name有两种命名方式：UniprotKB/Swiss-Prot entry name和UniprotKB/TrEMBL entry names
两种命名方式的对比
| Swiss-Prot “entry name” | TrEMBL “entry name” | |
|---|---|---|
| 描述 | 最多 11 位包含大写字母的字符串 | 最多 16 位包含大写字母的字符串 |
| 形式 | X_Y | X_Y |
| X | 最多五个便于记忆的蛋白质编号① | 6 到 10 个字符组成的登录号(accession number②) |
| “-” | “-” 是下划线 | “-” 是下划线 |
| Y | 最多五个便于记忆的物种编号③ | 最多五个便于记忆的物种编号 (由于数据太多，TrEMBL启用了“虚拟编码”④来对物种进行分类,以数字9为前缀) |
| 例子 | PURQ_ZYMMO INS_HUMAN | A5PJB2_BOVIN， |
①蛋白质编号示例
| Code(X) | Recommended protein name | Gene name |
|---|---|---|
| B2MG | Beta-2-microglobulin | B2M |
| HBA | Hemoglobin subunit alpha | HBA1 |
| INS | Insulin | INS |
| CAD17 | Cadherin-17 | CDH17 |
②Accession Number
Accession Number 相当于数据库的主键, 由 6 到 10 个大写字母或者数字组成. 其构成规律有三种类型如下:
| 类型 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 例子 |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Ⅰ | [O /P /Q] | [0-9] | [A-Z/ 0-9] | [A-Z /0-9] | [A-Z/ 0-9] | [0-9] | P12345 | ||||
| Ⅱ | [A-N /R-Z] | [0-9] | [A-Z] | [A-Z/ 0-9] | [A-Z /0-9] | [0-9] | A2BC19 | ||||
| Ⅲ | [A-N/ R-Z] | [0-9] | [A-Z] | [A-Z/ 0-9] | [A-Z/ 0-9] | [0-9] | [A-Z] | [A-Z 0-9] | [A-Z /0-9] | [0-9] | A0A022YWF9 |
如果一个条目被分成两个, 或者多个条目合成一个, 则有相应的 accession number 继承规则.
③物种编号
| Code | Species |
|---|---|
| BOVIN | Bovine |
| CHICK | Chicken |
| ECOLI | Escherichia coli |
| HORSE | Horse |
| HUMAN | Homo sapiens |
| MAIZE | Maize (Zea mays) |
| MOUSE | Mouse |
| PEA | Garden pea (Pisum sativum) |
| PIG | Pig |
| RABIT | Rabbit |
| RAT | Rat |
| SHEEP | Sheep |
| SOYBN | Soybean (Glycine max) |
| TOBAC | Common tobacco (Nicotina tabacum) |
| WHEAT | Wheat (Triticum aestivum) |
| YEAST | Baker’s yeast (Saccharomyces cerevisiae) |
④虚拟的物种编码
| Mnemomnic code | Taxonomic identifier | Scope |
|---|---|---|
| 9BACT | 2 | Bacteria |
| 9CNID | 6073 | Cnidaria |
| 9FUNG | 4751 | Fungi |
| 9REOV | 10880 | Reoviridae |
(三)Entry name与Accession Number的关系和区别
①提交数据到UniprotKB之后，每个数据都会被分配一个唯一的Accession Number（AC号）。如果为了减少数据冗余，将UniprotKB中的多个数据合并成一个，AC号仍保持不变。
②Entry name也是每个数据唯一具有的标识符，它可以展示数据的生物学信息，但并不稳定存在的，比如说我们要将TrEMBL中的数据转入Swiss-Prot，那么我们需要变更数据的Entry name，此时同一个数据的Entry name就发生了改变，但是它的AC号仍然保持不变。这就是他们之间的区别！
③还有需要注意的是，一个数据可能有两个或者多个accession number 。
原因主要有两个：
a.当合并两个或多个数据条目时，保留所有数据条目的登录号。第一个AC编号称为“主要AC编号”，其他编号称为“次要AC编号”。编号排序是按字母数字顺序排列的。
b.如果现有数据条目被分割为两个或多个数据条目(“拆分”)，新的“主要”登录号将归属于所有分裂的条目，而所有原始登录号将保留为“次要”登录号。例如：P29358 被拆分成 P68250 和 P68251 。P68250 和 P68251的次级登录号均为P29358 。
所以，UniprotKB建议，我们最好使用数据的主登录号作为数据引用的方式（不是Entry name ，也不是二级登录号），因为主登录号是唯一并且稳定存在的数据标识符。
四、NCBI
(一)关于NCBI 的 GenBank & RefSeq
①NCBI(National Center for Biotechnology information）即美国国家生物技术信息中心是一个机构组织，而不是数据库,该中心的任务是：为储存和分析分子生物学、生物化学、遗传学知识创建自动化系统；从事研究基于计算机的信息处理过程的高级方法，用于分析生物学上重要的分子和化合物的结构与功能；促进生物学研究人员和医护人员应用数据库和软件；努力协作以获取世界范围内的生物技术信息
②GenBank是NCBI建立的DNA序列数据库
③ RefSeq即参考序列。NCBI的RefSeq 数据库(美国国立生物技术信息中心参考序列库) 是一个参考序列的非冗余集合，数据库包括构建的基因组contig、mRNA、蛋白和整个染色体。RefSeq 数据库是目前世界上最具有权威性的序列数据库，也是目前最可信赖的人类基因mRNA序列数据库
④RefSeq和genbank的数据的区别？
a. genbank是一个开放的数据库，对每个基因都含有许多序列。很多研究者或者公司都可以自己提交序列，另外这个数据库每天都要和EMBL和DDBJ交换数据。genbank的数据可能重复或者不准。
b.RefSeq数据库被设计成每个人类位点挑出一个代表序列来减少重复，是NCBI提供的校正的序列数据和相关的信息。数据库包括构建的基因组contig、mRNA、蛋白和整个染色体。refseq序列是NCBI筛选过的非冗余数据库，一般可信度比较高
(一)关于 GenBank 和 RefSeq 的 Accession Number
①GenBank Accession Number**
GenBank Accession numbers命名的规则是:
| 类别 | 规则 |
|---|---|
| Nucleotide | 1个字母+5个数字 或 2个字母+6位数字 |
| Protein | 3个字母+5位数字 |
| WGS | 4个字母+2位数字+WGS的版本+6-8位数字 |
| MGA | 5个字母+7位数字 |
②RefSeq Accession Number
RefSeq 有一套特殊的 Accesion Number.一般的命名格式:
前缀为两个字母+下横线（'_'）+ 6 个或更多的数字
NCBI RefSeq命名格式的详细说明
例子
| Accession | Molecule | Method | 说明 |
|---|---|---|---|
| AC_123456 | Genomic | Mixed | 基因组序列，主要是病毒、原核生物。 |
| AP_123456 | Protein | Mixed | 蛋白序列，AP_原本只用于细菌的蛋白。 |
| NC_123456 | Genomic | Mixed | 全基因组序列，包括细胞器的、质粒等 |
| NG_123456、NM_123456 | Genomic | Mixed | 不完整的基因组序列， |
| NM_123456789 、NP_123456 | mRNA | Mixed | 成熟的mRNA |
| NP_123456789 | Protein | Mixed | 全长蛋白序列。但也有可能包括非全长的蛋白或成熟的多肽序列。 |
| NR_123456 | RNA | Mixed | 不编码的RNA，假基因或其它 |
Accession 前缀
| Accession 前缀 | 类型 | 说明 |
|---|---|---|
| AC_ | Genomic | Complete genomic molecule, usually alternate assembly （完整的基因组分子，通常交替组装） |
| NC_ | Genomic | Complete genomic molecule, usually reference assembly（完整的基因组分子，通常参考组装） |
| NG_ | Genomic | Incomplete genomic region（基因组区域不完整） |
| NT_ | Genomic | Contig or scaffold, clone-based or WGS（重叠群或支架，基于克隆或WGS） |
| NW_ | Genomic | Contig or scaffold, primarily WGS |
| NS_ | Genomic | Environmental sequence（环境顺序） |
| NZ_ | Genomic | Unfinished WGS （未定义的WGS） |
| NM_ | mRNA | |
| NR_ | RNA | |
| XM_ | mRNA | Predicted model （预测模型） |
| XR_ | RNA | Predicted model（预测模型） |
| AP_ | Protein | Annotated on AC_ alternate assembly（在AC_备用装配上标注） |
| NP_ | Protein | Associated with an NM_ or NC_ accession（与NM_或NC_加入相关） |
| YP_ | Protein | |
| XP_ | Protein | Predicted model, associated with an XM_ accession（与XM_加入相关的预测模型） |
| ZP_ | Protein | Predicted model, annotated on NZ_ genomic records （预测模型，已在NZ_基因组记录中注释） |
- WGS: Whole Genome Shotgun sequence data, 鸟枪法测序.
五、Entrez ID
GeneID即Entrez Gene ID(是NCBI中用来连接各个不同数据库统一的基因标志符)**
Entrez是归属于NCBI的一个综合的文本检索引擎系统。这个检索引擎整合了PubMed数据库的生物医学文献与其他39个文献和分子数据库（例如GEO，Entrez Gene等，这些数据库基本涵盖了DNA和蛋白质序列，结构，基因，基因组，遗传变异和基因表达方面的数据）。NCBI组织建立了Entrez，Entrez整合了各大数据库的入口，便于进行数据库检索。通常所说的检索NCBI数据库，其实就是在检索Entrez这个引擎系统所整合的生信数据库。
由于Entrez 作为一个综合性检索引擎，为了方便，其对不同的 Gene 进行了编号, 即 Entrez Gene ID. 并且由于 Entrez ID 相对稳定,也被众多其他数据库, 如 KEGG 等. 一串数字的Entrez Gene ID 不但具有很高的辨识度，而且在ID转化中占据着重要的地位。生信菜鸟团的博客《NCBI的基因entrezID相关文件介绍》讲解了Entrez ID主要的信息文件。
| gene_id | symbol | chromosome |
|---|---|---|
| 352937 | dio2 | 20 |
表中geneid即为 Entrezid. 在ID转换中有重要的作用。
六、UCSC ID
UCSC ID 由小写字母和数字构成,
起 uc+三位数字+三位小写字母+小数点+数字构成版本号如:uc010qfk.3, uc010qfk.3.
! UCSC ID几乎被抛弃不用了，只是因为UCSC是三大数据库之一而已。
补：tax_id代表物种的id, 如人类是9606
生信技能树：超精华生信ID总结，想踏入生信大门的你-值得拥有
常用数据库ID表示方式
UniProt数据库参考学习连接1(作者：thinkando)
NCBI参考序列（RefSeq）常见问题回答
NCBI RefSeq命名格式的详细说明
DDBJ/EMBL/GenBank Accession的命名规则
网友评论