A base de datos de secuencias GenBank é unha colección anotada de acceso aberto de todas as secuencias de nucleótidos dispoñibles publicamente e as súas traducións a proteínas. É elaborada e mantida polo National Center for Biotechnology Information (NCBI; que forma parte dos National Institutes of Health dos Estados Unidos) como parte da International Nucleotide Sequence Database Collaboration (INSDC, Colaboración de bases de datos de secuencias de nucleótidos internacional).

GenBank e os seus colaboradores reciben secuencias producidas en laboratorios de todo o mundo de máis de 100.000 organismos vivos distintos, cuxo número crece constantemente. Esta base de datos fundárona en 1982 Walter Goad e o Los Alamos National Laboratory. GenBank converteuse nunha importante base de datos para a investigación no eido da bioloxía e está tendo un crecemento nos últimos anos a unha taxa exponencial, duplicándose aproximadamente cada 18 meses.[1][2]

A entrega 242.0, realizada en febreiro de 2021, contiña uns 12 billóns de bases nucleotídicas en máis de 2 mil millóns de secuencias.[3] GenBank vaise construíndo cos envíos de datos dos máis diversos laboratorios e polos envíos dos centros de secuenciación de ADN a grande escala.

Envío de datos

editar

Soamente se poden enviar a GenBank secuencias orixinais. O envío directo a GenBank faise usando BankIt, que é unha forma baseada en páxina web, ou o programa de envío autónomo Sequin. Unha vez recibido o envío da secuencia, o equipo de GenBank examina a orixinalidade dos datos e asignalle un número de acceso á secuencia e realiza comprobacións para asegurarse da súa calidade. Os envíos de datos son despois pasados á base de datos pública, onde as entradas pódense obter por Entrez ou pódense descargar por FTP. Os envíos voluminosos de datos de EST (marcadores de secuenca expresada ou Expressed Sequence Tags), STS (Sequence-tagged sites), GSS (Genome Survey Sequence) e HTGS (High-Throughput Genome Sequence) son enviados normalmente por centros de secuenciación a grande escala. Os grupo de envíos directos de GenBank tamén procesa secuencias xenómicas microbianas completas.

Historia

editar

Walter Goad do Grupo de bioloxía teórica e biofísica Arquivado 08 de marzo de 2018 en Wayback Machine. do Laboratorio Nacional de Los Álamos (LANL), Estados Unidos, e outros fundaron a Base de Datos de Secuencias de Los Álamos en 1979, o cal culminou en 1982 coa creación do GenBank público.[4] O financiamento proporcionárono os National Institutes of Health, a National Science Foundation, os departamentos de enerxía e de defensa. O LANL colaborou en GenBank coa compañía Bolt, Beranek, and Newman, e a finais de 1983 estaban almacenadas nel máis de 2.000 secuencias.

Na metade da década de 1980, a compañía The Intelligenetics bioinformatics da Universidade Stanford xestionou o proxecto de GenBank en colaboración co LANL.[5] Como era un dos primeiros proxectos comunitarios de bioinformática en Internet, o proxecto GenBank fundou os grupos de noticias BIOSCI/Bionet para promover as comunicacións de acceso aberto entre biocientíficos. Durante os anos 1989 a 1992, o proxecto GenBank pasou ao NCBI (National Center for Biotechnology Information) acabado de crear.[6]

 
Genbank e EMBL: Nucleotide Sequences 1986/1987 Volumes I ao VII.
 
CDRom de Genbank v100

Crecemento

editar
 
Crecemento de GenBank en pares de bases de 1982 a 2018, en escala semilogarítmica.

As notas de entrega de GenBank para a entrega 162.0 (de outubro de 2007) dicían que "desde 1982 ata agora, o número de bases en GenBank duplicouse aproximadamente cada 18 meses".[3][7] En 2019 a entrega de GenBank 232.0 tiña 213.383.758 loci, 329.835.282.370 bases, de 213.383.758 secuencias.[3]

A base de datos GenBank inclúe conxuntos de datos adicionais que se constrúen mecanicamente a partir da colección principal de datos de secuencias, que, por tanto, están excluídos desta cifra.

Organismos principais en GenBank
(entrega 191)[8]
Organismo pares de bases
Homo sapiens 701016310774187000016.310.774.187
Mus musculus 70099974977889000009.974.977.889
Rattus norvegicus 70096521253272000006.521.253.272
Bos taurus 70095386258455000005.386.258.455
Zea mays 70095062731057000005.062.731.057
Sus scrofa 70094887861860000004.887.861.860
Danio rerio 70093120857462000003.120.857.462
Strongylocentrotus purpuratus 70091435236534000001.435.236.534
Macaca mulatta 70091256203101000001.256.203.101
Oryza sativa Japonica Group 70091255686573000001.255.686.573
Nicotiana tabacum 70091197357811000001.197.357.811
Xenopus (Silurana) tropicalis 70091249938611000001.249.938.611
Drosophila melanogaster 70091119965220000001.119.965.220
Pan troglodytes 70091008323292000001.008.323.292
Arabidopsis thaliana 70091144226616000001.144.226.616
Canis lupus familiaris 7008951238343000000951.238.343
Vitis vinifera 7008999010073000000999.010.073
Gallus gallus 7008899631338000000899.631.338
Glycine max 7008906638854000000906.638.854
Triticum aestivum 7008898689329000000898.689.329

Identificacións incompletas

editar

As bases de datos públicas nas que se poden facer buscas usando a ferramenta NCBI BLAST (National Center for Biotechnology Information Basic Local Alignment Search Tool), non teñen secuencias revisadas por pares de cepas tipo nin secuencias de cepas non tipo. Por outra parte, aínda que as bases de datos comerciais potencialmente conteñen datos de secuencias filtradas de alta calidade, hai un número limitado de secuencias de referencia.

Un artigo publicado na revista Journal of Clinical Microbiology[9] avaliou os resultados da secuenciación do xene do ARNr de 16S analizados con GenBank en conxunción con outras bases de datos dispoñibles baseadas en páxina web de acceso libre de calidade contolada, como as bases de datos EzTaxon-e[10] e a BIBI.[11] Os resultados mostraron que as análises realizadas usando GenBank combinada con EzTaxon-e (kappa = 0.79) eran máis discriminativas que usando GenBank (kappa = 0.66) ou outra base de datos en solitario.

  1. Benson D; Karsch-Mizrachi, I.; Lipman, D. J.; Ostell, J.; Wheeler, D. L.; et al. (2008). "GenBank". Nucleic Acids Research 36 (Database): D25–D30. PMC 2238942. PMID 18073190. doi:10.1093/nar/gkm929. 
  2. Benson D; Karsch-Mizrachi, I.; Lipman, D. J.; Ostell, J.; Sayers, E. W.; et al. (2009). "GenBank". Nucleic Acids Research 37 (Database): D26–D31. PMC 2686462. PMID 18940867. doi:10.1093/nar/gkn723. 
  3. 3,0 3,1 3,2 "GenBank release notes". NCBI. 
  4. Hanson, Todd (2000-11-21). "Walter Goad, GenBank founder, dies". Newsbulletin: obituary. Los Alamos National Laboratory. Arquivado dende o orixinal o 07 de novembro de 2008. Consultado o 26 de setembro de 2021. 
  5. LANL GenBank History
  6. Benton D (1990). "Recent changes in the GenBank On-line Service". Nucleic Acids Research 18 (6): 1517–1520. PMC 330520. PMID 2326192. doi:10.1093/nar/18.6.1517. 
  7. Benson, D. A.; Cavanaugh, M.; Clark, K.; Karsch-Mizrachi, I.; Lipman, D. J.; Ostell, J.; Sayers, E. W. (2012). "GenBank". Nucleic Acids Research 41 (Database issue): D36–D42. PMC 3531190. PMID 23193287. doi:10.1093/nar/gks1195. 
  8. Benson DA, Karsch-Mizrachi I, Lipman DJ, Ostell J, Sayers EW (xaneiro de 2011). "GenBank". Nucleic Acids Res. 39 (Database issue): D32–37. PMC 3013681. PMID 21071399. doi:10.1093/nar/gkq1079. 
  9. Kyung Sun Parka, Chang-Seok Kia, Cheol-In Kangb, Yae-Jean Kimc, Doo Ryeon Chungb, Kyong Ran Peckb, Jae-Hoon Songb and Nam Yong Lee (maio de 2012). "Evaluation of the GenBank, EzTaxon, and BIBI Services for Molecular Identification of Clinical Blood Culture Isolates That Were Unidentifiable or Misidentified by Conventional Methods". J. Clin. Microbiol. 50 (5): 1792–1795. PMC 3347139. PMID 22403421. doi:10.1128/JCM.00081-12. 
  10. EzTaxon-e Database eztaxon-e.ezbiocloud.net (consultado o 25 de marzo de 2021)
  11. leBIBI V5 pbil.univ-lyon1.fr (consultado o 25 de marzo de 2021)
  • Este artigo incorpora material en dominio público procedente do documento do National Center for Biotechnology Information: "NCBI Handbook".


Véxase tamén

editar

Outros artigos

editar

Ligazóns externas

editar