Reference sequence (RefSeq) database at NCBI: current status, taxonomic expansion, and functional annotation

det dramatiske fald i antallet af plasmidproteinoptegnelser og dermed i antallet af samlede tiltrædelser afspejler færdiggørelsen af et refseks bakteriegenom-re-annotationsprojekt (http://www.ncbi.nlm.nih.gov/refseq/ about/ prokaryoter / reannotation/) og vedtagelsen af den nye datamodel for prokaryoter, inklusive deres plasmider. I denne nye datamodel kan en enkelt ikke-redundant proteintilslutning kommenteres på mere end en genomisk sekvensrekord, når translation af disse genomiske proteinkodende regioner resulterer i et identisk protein (se http://www.ncbi.nlm.nih.gov/refseq/about/nonredundantproteiner/). Redundans i alle bakterielle proteiner faldt også signifikant; det er dog ikke tydeligt her på grund af fortsatte signifikante stigninger i antallet af bakterielle genomer inkluderet i datasættet. Disse ændringer resulterede også i et samlet fald i antallet af arkaeale proteinoptegnelser.

hvirveldyr

en udvalgt gruppe af hvirveldyr, herunder Homo sapiens, Mus musculus, Rattus norvegicus, Gallus gallus, Bos taurus og Danio rerio er hovedfokus for vores transkript – og litteraturbaserede manuelle kurateringsindsats. Kuratorer arbejder generelt ud fra lister over gener med datakonflikter identificeret ved kvalitetssikringstest, hvoraf nogle tidligere blev beskrevet (12). De følger et detaljeret sæt retningslinjer, når de analyserer hvert gen for at sikre konsistens på tværs af personer i det kuraterede datasæt. Denne analyse involverer dybdegående sekvensvurdering og litteraturgennemgang for at oprette referencetranskripter, proteiner, pseudogener og Refsekgenoptegnelser. Kuratorer genererer transkriptionsvarianter, løser sekvensfejl, fjerner unøjagtige oplysninger, opdaterer poster for korrekt at repræsentere locus ‘ biologi og tilføjer værdifuld funktionel information til nogle refseks-poster, såsom forbedrede proteinnavne, en oversigt over genproduktets funktion, genets funktionelle egenskaber og/eller relevante publikationer. Manuel kuration og litteraturgennemgang af gruppen kan resultere i repræsentation af unikke varianter og isoformer, der ikke ville blive forudsagt, når de udelukkende er baseret på beregningsanalyse. For eksempel litteraturgennemgang af det humane tumorundertrykkende gen, PTEN (phosphatase og tensin homolog, GeneID: 5728) afslørede eksistensen af en længere proteinisoform som følge af anvendelse af en alternativ in-frame opstrøms CUG-initieringskodon fundet i midten af en palindromisk sekvens opstrøms for den kanoniske mRNA-translationsstartkodon (13). Stærke eksperimentelle data viste, at denne mitokondrie-specifikke isoform initierer med en leucin snarere end en methionin (14). Datamodellen for eukaryoter giver et transkript, der eksplicit er knyttet til et protein. Derfor blev der leveret to identiske transkriptionsoptegnelser for at afspejle oversættelse fra de alternative initieringskodoner; NP_000305.3 repræsenterer 403 aminosyreprotein, der bruger det kanoniske methionin-startkodon, mens NP_001291646.2 repræsenterer det mitokondrie-lokaliserede 576 aminosyreprotein, der initierer med en leucin. Dermed, kurationsprocessen tjener et dobbelt formål med at tilvejebringe nøjagtige referencesekvenser, der letter præcis og reproducerbar genomanmærkning og leverer poster, der inkluderer relevant biologisk information. I dette afsnit diskuterer vi nylige opdateringer, forbedringer, vi har foretaget i vores manuelle kurateringsproces, og eksempler på fokuserede kurateringsprojekter.

Refsekgen-projektet

Refsekgen-delprojektet definerer humane genomiske sekvenser, der skal bruges som referencestandarder for velkarakteriserede gener, især til brug af klinisk genetik samfund. Disse sekvenser tjener som et stabilt fundament for rapportering af patogene varianter, til etablering af konventioner til nummerering af eksoner og introner og til definition af koordinaterne for andre varianter. Hver refsekgenrekord fokuserer på en genspecifik genomisk region og er typisk kommenteret med en delmængde af Refseks transkripter og proteiner valgt af domæneeksperter. Disse valg bestemmer eksonfunktioner. Justeringer af ældre versioner af det kanoniske Refseks transkript/protein samt andre kendte Refseks er inkluderet. Disse optegnelser inkluderer typisk 5 kilobaser (kb) sekvens opstrøms for fokusgenet og 2 kb sekvens nedstrøms for at understøtte repræsentation af potentielle reguleringssteder eller sletninger, der strækker sig ud over genfunktionen. En Refsekgen-post kan indeholde annotationsoplysninger for andre gener, der er placeret inden for dens grænser. Registreringer gennemgås oprindeligt af locus-specifikke databaser og NCBI-personale. Medlem af LRG-samarbejdet (7), som giver yderligere gennemgang af sekvensdataene, før der tilføjes en lrg-tiltrædelse. Et nyligt arbejdsfokus udvidede antallet af Refsekgen-poster til at repræsentere alle gener, for hvilke mindst to kliniske tests er blevet forelagt NIH Genetic Testing Registry (GTR). På nuværende tidspunkt er der 5596 Refsekgenregistre, hvoraf 633 har en lrg-tiltrædelse. Ved at søge i Nukleotiddatabasen med ‘refsegene’, ved deres lrg-tiltrædelser, ved at gennemse Refsegenes hjemmeside (www.ncbi.nlm.nih.gov/refseq/rsg/), eller ved FTP (ftp://ftp.ncbi.nlm.nih.gov/refseq/H_sapiens/RefSeqGene/).

inkorporering af RNA-Sekv og andre datatyper i transkriptionsbaseret kuration

et vigtigt mål for curationsprojektet er at repræsentere transkript-og proteinreferencesekvenser af høj kvalitet og i fuld længde. Som sådan er vores kureringskriterier primært baseret på konventionel transkription (mRNA og Est ‘ er) og proteinjusteringer og offentliggjort bevis. Imidlertid, hvirveldyrstranskriptomprojekter er blevet stadig mere komplekse med størstedelen af nye transkriptionsdata, der i øjeblikket genereres af kortlæst sekventeringsteknologi. Genomdækkende undersøgelser, der ser på globale mønstre af promotorassocierede epigenetiske mærker, giver også bevis for aktive promotorer og/eller aktiv transkription. Gruppen har tilpasset kurateringspraksis for at inkorporere disse nye datatyper for at forbedre vores manuelle annotation, især i tilfælde, hvor et gen eller en variant mangler rigelig konventionel transkriptionsstøtte. Disse RNA-Sekv-og epigenomiske undersøgelser har genereret enorme datasæt, der udgør en udfordring for genanmærkningsgrupper for eksempel gennem potentielle falske positiver og manglen på støtte til langtrækkende eksonkombinationer (15). Kuratorer mindsker mod falske positiver ved selektivt at inkorporere kun datasæt af høj kvalitet til overvejelse i vores genom-annotationspipeline og i den manuelle annotationsproces. Visualiser transkriptionsjusteringer, variationsdata og filtrerede RNA-sek-data i tilpassede skærme i et internt justeringsværktøj, der er indarbejdet i NCBI Genome-Arbejdsbænkplatformen (http://www.ncbi.nlm.nih.gov/tools/gbench/). Curation af humane gener anvender analyseret RNA-Sekv læser fra Illumina BodyMap 2 (BioProject: PRJEB2445) og Human Protein Atlas projekter (BioProject: PRJEB4337) (16). Derudover bruger kuratorer promotorassocierede histonmodifikationsmærker såsom H3K4me3 fra NIH Roadmap Epigenomic Mapping Consortium (REMC; (17) og projektet ENCODE (Encyclopedia of DNA Elements) (18) for at verificere tilstedeværelsen af en aktiv promotor. Kuratorer vurderer også polyA-sek-data for at bekræfte 3’ fuldstændighed af udskrifter, der mangler en polyA-hale (19). Yderligere datatyper, herunder PhyloCSF (20), CpGIslands, RepeatMasker (21) og Cap analyse af genekspression (CAGE) data (22), bruges undertiden som ekstra støtte.

Lange ikke-kodende RNA ‘er (lncrna’ er)

Refseksgruppen fortsætter med at udvide sig markant med repræsentationen af ikke-kodende strukturelle og mikro – RNA ‘er, transkriberede pseudogener og de stort set ukarakteriserede lncrna’ er. Denne klasse af gener defineres generelt som transkripter >200 nt i længden, der mangler stærkt proteinkodningspotentiale (23). lncrna-registreringer genereres ved kuration og gennem den eukaryote genom-annotationspipeline for lncRNA-gener. NCBI opretholder i øjeblikket over 540 000 eukaryote lncrna Refseks optegnelser, hvoraf over 6700 er blevet kurateret, og kun få hundrede er blevet funktionelt karakteriseret. Af disse er mange blevet impliceret i human sygdom, såsom BACE1-AS, som kan spille en rolle i patofysiologien af sygdom og HOTAIR, som har været forbundet med flere kræftformer (24,25). Langt størstedelen af lncrna ‘ er har ukendte funktioner, og fraværet af lange åbne læserammer udgør en udfordring med hensyn til at bekræfte transkriptionens fuldstændighed. Desuden er lncrna-indsendelser til INSDC i vid udstrækning baseret på TSA ‘ er fra korte læste datasæt, der kan omfatte artefaktuelle eksonkombinationer. Kuratorer tager en konservativ tilgang til at repræsentere lncrna-gener, kun manuelt at oprette Refseks (med et Nr_ tiltrædelsespræfiks) til udskrifter af høj kvalitet, som vi har en vis sikkerhed for eksonstrukturen. Ideelt set bør transkriptionsstøtten splejses med mindst tre eksoner, men to-ekson og intronløse udskrifter kan repræsenteres, hvis de understøttes af promotorassocieret epigenomik, poly(A) bevis, yderligere cDNA ‘ er og/eller RNA-sek data. Lncrna-poster for ikke-kodende gener kan hentes fra NCBI ‘s Nukleotiddatabase ved hjælp af søgestrengen’ biomol ncrna lncrna ‘ og valg af Refseksfilteret fra venstre kolonne.

funktionel annotation

det unikke bidrag fra kuraterede eukaryote refseks udskriftsposter er, at de integrerer funktionel information med en referencesekvens. Curationspersonale tilføjer genoversigter, nomenklatur, udskriftsvarianttekst, gen-og sekvensattributter og funktionelle funktioner, der er tilgængelige på Refseksposten og/eller gennem Genressourcen (http://www.ncbi.nlm.nih.gov/gene). I det forgangne år har medarbejderne fulgt flere dybdegående annotationsprojekter, hvoraf nogle er kort beskrevet i de følgende afsnit, for at tilføje funktionelle data til specifikke sæt gener, hvor beregningsværktøjer ikke er i stand til nøjagtigt at repræsentere biologisk viden. Disse projekter omfatter annotation af antimikrobielle peptider, endogene retrovira, replikationsafhængige histoner, regulatoriske uorfer og antisymer.

antimikrobielle peptider (ampere)

ampere var et nyligt kurateringsfokus (http://ncbiinsights.ncbi.nlm.nih.gov/2015/05/21/) (26). Forstærkere er naturligt forekommende peptider, der findes i en bred vifte af arter og er blevet impliceret i mange immunroller, herunder bakteriedræbende, antiviral, antifungale og endda antitumoraktiviteter. En liste over over 130 humane gener, der koder for en eller flere eksperimentelt beviste forstærkere, blev samlet fra flere offentligt tilgængelige AMP-datasæt og også udvundet fra publikationer. De fleste af disse forstærkere var ikke tidligere blevet identificeret i databasen, og ingen af AMP-databaserne forbandt peptiderne med deres kodningsgen. For at sikre, at det funktionelle peptid blev kommenteret, for at inkludere en publikation, der beskriver peptidets antimikrobielle aktivitet, for at tilføje en kort oversigt, der beskriver den antimikrobielle aktivitet af den kodede AMP, og for at gemme en ny Refseksattribut ‘Protein har antimikrobiel aktivitet’, som er inkluderet i Refseksattributten struktureret kommentar (f.eks.NM_001124. 2 for adm; GeneID: 133). For at få adgang til alle de kuraterede humane transkriptions-eller protein AMP-Poster skal du søge i nukleotid-eller proteindatabasen ved hjælp af ‘Protein har antimikrobiel aktivitet’. I øjeblikket vil denne søgning finde 191 Refseksposter, herunder splejsningsvarianter og proteinisoformer.

endogene retrovirus (ERV ‘er)

endogene retrovirus (ERV’ er) er genomiske loci, der er afledt af forfædres indsættelse af et eksogent retrovirus i værtsgenomet. ERV loci er generelt uden for Refseks; vi kommenterer dog ERV-proteinkodende loci i fuld længde, der kortlægges til en enkelt genomisk placering, hvis de har udviklet sig til at tjene en værtsfunktion, er forbundet med en kendt sygdom, og/eller hvis de er blevet tildelt nomenklatur af et officielt nomenklaturudvalg. Cirka 8% af det humane genom er af retroviral Oprindelse (27); på grund af deres gamle oprindelse har de fleste humane ERV-loci imidlertid akkumuleret nonsensmutationer og kan ikke længere kode et protein. Syncytinproteinerne, som er involveret i placentaudvikling (28), er en velkendt undtagelse herfra. Humane syncytin-1-og syncytin-2-proteiner kodes af generne ervv-1 (NM_001130925.1, NM_014590.3) og ERVFRD-1 (NM_207582.2). Til dato har vi oprettet 67 Refseks til ERV loci, som inkluderer poster, der repræsenterer ERV-gener fra et forskelligt sæt pattedyr. En ny attributkategori med titlen ‘endogen retrovirus’ blev oprettet til disse poster og vises i en struktureret kommentar til Refseks-posten. Disse optegnelser kan hentes fra Nukleotiddatabasen ved at søge efter ‘endogent retrovirus ‘.

Replikationsafhængige histoner

en hurtig syntese af histon-mRNA ‘ er er påkrævet under celledeling for at producere store mængder histonproteiner. Kritisk for denne proces er de replikationsafhængige histongener, der opreguleres under G1/S-fasen i cellecyklussen (29). Et specifikt Refseks-projekt blev gennemført med det formål at kuratere det fulde sæt replikationsafhængige histonproteinkodende gener i mennesker og mus. Disse gener har en kanonisk 3 ‘histon nedstrøms element(HDE) sekvens i den genomiske sekvens, og de resulterende modne mRNA’ er mangler karakteristisk Poly (a) haler og ophører i stedet kort efter en RNA stamme-loop struktur (30). HDE-elementet findes på precursortranskriptet, men er ikke inkluderet i det behandlede transkript repræsenteret af Refsek. Placeringen af den konserverede 16 nukleotidstam-loop-struktursekvens er angivet på Refseksposten som en funktionsnotation med titlen ‘stem-loop’. Et eksempel kan ses på Nm_003539.3 For HIST1H4D (GeneID: 8360). Til dato er 127 humane og museafhængige histonrefseksposter blevet kurateret, og der er tilføjet en Refseksattribut, som kan bruges til at hente disse poster fra Nukleotiddatabasen ved hjælp af søgestrengen ‘replikationsafhængig histon’.

Regulatory upstream open reading frames (uORFs)

oversættelse af en upstream open reading frame (uORF) kan påvirke translationen af den primære proteinkodende open reading frame (pORF) (31) negativt. Denne effekt dæmper ikke altid pORF-oversættelse fuldstændigt og kan være afhængig af celletype, udviklingstilstand eller cellulær tilstand. Derfor, selvom uorf ‘ er kan forudsiges ud fra seks-rammes oversættelse af et transkript, skal den regulerende virkning af dette element bestemmes gennem eksperimentel Validering. Kuratorer gennemgik litteraturen for at finde udskrifter med eksperimentelle beviser for lovgivningsmæssige uorf ‘er og opdaterede de tilsvarende refseks transkriptionsposter for at tilføje en misc_feature, der angiver placeringen af disse uorf’ er. Et eksempel er Nm_000392.4 for ABCC2 (GeneID: 1244). En ny attributkategori med titlen ‘regulatory uORF’ blev oprettet og vises i en struktureret kommentar til disse Refseks-poster. Både den kommenterede funktion og attributten citerer den understøttende publikation af PubMed ID. Til dato er 260 poster blevet kommenteret med denne attribut, og disse poster kan hentes fra Nukleotiddatabasen ved at søge efter ‘regulerende uorf ‘

et af målene med Refseks-projektet er at repræsentere gener med enestående biologi, der ikke følger standard afkodningsregler for proteinsyntese. Ornithin decarboksylase-genet er et sådant eksempel, hvor en programmeret +1 ribosomal frameshifting mekanisme forekommer og ikke kan forudsiges af konventionelle beregningsværktøjer. Et sæt af hvirveldyr antisym transkription og protein optegnelser var for nylig genstand for en manuel annotation indsats for at skabe standarder for at forbedre annotation af disse genprodukter ved eukaryote genom annotation pipeline (32). Registreringerne blev manuelt kommenteret med funktionen split CDS for at afspejle ribosomal glidning og inkluderer en attribut ‘ribosomal glidning’ med offentliggjort bevis, forskellige diverse funktionsanmærkninger (såsom placeringen af frameshift-stedet) og en kort oversigt, der beskriver genets funktion og nye egenskaber (f.eks.NM_139081. 2). Disse poster kan hentes fra enten nukleotid-eller Proteindatabasen med søgeforespørgslen: hvirveldyr refseks ribosomal glidning antisyme. Denne søgning finder i øjeblikket 242 refseks-poster (NM eller NP), som inkluderer transkriptionsvarianter og proteinisoformer.

hvirvelløse dyr

hvirvelløse arter repræsenterer langt størstedelen af eksisterende metaser (33); imidlertid er kun et relativt lille antal repræsenteret af sekventerede genomer. Dette på trods af at mange arter har kritisk biomedicinsk betydning, såsom Anopheles gambiae, en vektor for malaria og Biomphalaria glabrata, en vektor for schistosomiasis (34,35). Andre hvirvelløse dyr, herunder Apis mellifera og Crassostrea gigas, har betydelig kommerciel værdi (36-38). Gruppen har bestræbt sig på at øge antallet og omfanget af hvirvelløse genomer, der er repræsenteret i datasættet, ved at levere annotation via den eukaryote genom-annotationspipeline eller ved at udbrede annotation fra INSDC-indsendelser på Refseks-kopien af disse genomer. For begge processtrømme er vi afhængige af den offentlige tilgængelighed af genomer af høj kvalitet i INSDC-databaser og NCBI ‘ s Samlingsdatabase (www.ncbi.nlm.nih.gov/assembly/). til dato er 46 hvirvelløse genomer blevet kommenteret af NCBI inklusive repræsentative arter af insekter, arachnider, bløddyr og basale akkordater. Vi forventer en betydelig udvidelse i antallet af insekt-og andre hvirvelløse genomer, der er kommenteret som et resultat af genominitiativer som i5k (39), 1kite (1k Insekttranskriptomudvikling, http://www.1kite.org/) og Global Invertebrate Genome Alliance (http://giga.nova.edu/) (40).

planter

Vi fortsætter med at udvide mangfoldigheden af plantearter repræsenteret i datasættet. Til dato er 61 plantearter inkluderet i datasættet for genomer (ftp://ftp.ncbi.nlm.nih.gov / genomer/ plante/), hvoraf 33 arter blev kommenteret gennem eukaryot genom annotation pipeline; resten er Refseks kopier af annoterede genomer indsendt til INSDC. I fremtiden vil flere plantegenomer, der er valgt til optagelse af Refseks, blive behandlet af eukaryote annotation pipeline, snarere end at udbrede annotation fra insdc-indsendelsen. Dette er en ændring af politikken for genomerne af planten og vil resultere i en større samlet konsistens af planteanmærkningsdata inden for datasættet for Referenceanmærkning. Størstedelen af de transkripter og proteiner, der er tilgængelige for plantearter, er ‘model’ – poster (tabel 1) med en mindre delmængde af ‘kendte’ poster (NM_, NR_, NP_), der vedligeholdes uafhængigt af annotationsprocessen ved hjælp af en kombination af automatiseret behandling og manuel gennemgang. Manuel kurering af plantetranskript-og proteindata er i øjeblikket tilgængelig for Solanum lycopersicum. Det nuværende kurateringsfokus indebærer omfattende sekvensvurdering og er målrettet mod at løse KVALITETSSIKRINGSPROBLEMER i det nuværende sæt udskrifter. Fejlopløsning er fokuseret på at identificere og fjerne kimære transkripter, redundante transkripter og gener og forbedre kvaliteten af den repræsenterede sekvens ved at vurdere Indel ‘ er og uoverensstemmelser mellem Refsekv-transkriptionen, den genomiske sekvens og ortologe data. Til planter, vi stræber efter at levere et kurateret transkript-og proteindatasæt, der er i overensstemmelse med den sort, der er valgt til genomsekventering og samling. Kurationsprotokollen, der anvendes til hvirveldyrsdata, bruges også til planter. Transkriptionsposter kan således opdateres til at være baseret på en anden INSDC-kildesekvens eller kan samles fra mere end en INSDC-sekvenspost for at tilvejebringe et transkript fra den foretrukne cultivar. Hvis INSDC-transkriptionsdata ikke er tilgængelige for den genomiske cultivar, kan der genereres et Refsekv-transkript fra den samlede genomiske sekvens baseret på en kombination af transkript-eller proteinjusteringer, RNA-Sekv og/eller offentliggjorte data. Et andet fokusområde er at øge antallet af understøttede kendte proteinkodende transkripter og proteiner, da dette giver et kurateret reagens, der kan bruges, når man kommenterer andre plantegenomer. Endelig laver vi flere Refseks, der repræsenterer splejsningsvarianter, når der er tilstrækkelig dokumentation. Disse bestræbelser vil i væsentlig grad forbedre kvaliteten af anlæggets Referencedatasæt og vil bidrage til forbedringer i fremtidige genomanmærkninger. Det nuværende sæt plantegenomer, der er kommenteret af rørledningen, kan fås på NCBI ‘ s eukaryote Genome annotation pipeline hjemmeside http://www.ncbi.nlm.nih.gov/genome/annotation_euk/all/ med links til den detaljerede annotationsrapport og andre ressourcer såsom Art BLAST og FTP.

alger, svampe, nematoder og PROTOSOER

NCBI ‘ s lille eukaryote genomrørledning er en ny automatiseret rørledning designet til generering af Refseks-poster som et resultat af direkte udbredelse af annoterede INSDC-poster. De således genererede refs-poster er kopier af Genbankdataene med nogle formatændringer for at overholde refs-kravene. Den mest bemærkelsesværdige forskel mellem den originale INSDC-post og Refseks-posten er tilføjelsen af Refseks-transkriptionsproduktet. Selvom det ikke er designet til at generere de novo genom-annotation, trækker den lille eukaryote genomrørledning fra flere af NCBI eukaryote genom-annotationsrørledningsmoduler og deres kode (http://www.ncbi.nlm.nih.gov/books/NBK169439/).

betegnelsen ‘små eukaryoter’ henviser til rørledningens primære anvendelse til at generere Refseks genomer til relativt mindre eukaryote genomer (sammenlignet med planter og hvirveldyr) såsom alger, protosoer, svampe, nematoder og nogle leddyr. Imidlertid behandles nogle store plantegenomer også ved hjælp af denne rørledning. Denne rørledning behandler samlinger af høj kvalitet bestående af kromosomer og/eller stilladser og deres komponenter. Disse samlinger med høj contig og stillads N50, høj kvalitet sekvens, og rimeligt god INSDC-indsendt annotation prioriteres. Denne rørledning, der erstatter en historisk processtrøm, der krævede mere manuel støtte, har først for nylig nået en offentlig produktionsfase og giver allerede et øget antal ‘små’ eukaryote genomer repræsenteret i Refseks. Der arbejdes løbende på at optimere rørledningens kapacitet og tilføje mere automatisering og yderligere minimere kuratorbehandlingsopgaver. Langsigtede planer omfatter implementering af et protein-navn management system for at give, rette eller forbedre de insdc indsendte Navne over tid. Mange af de genomer, der er inden for rammerne af den lille eukaryoter-rørledning, kan i øjeblikket ikke behandles af den (store) eukaryote genom-annotationsrørledning på grund af taksonomisk mangfoldighed og begrænset tilgængelighed af transkriptionsdata, der er nødvendige for at træne de novo-annotationsrørledningen.

Svampemålrettede loci

Svampemorfologi er meget forskelligartet, lige fra komplekse multicellulære strukturer til meget enkle enkeltceller. En række morfologiske strukturer og sporetyper kan produceres af en enkelt art. Omvendt producerer mange arter lignende morfologier (morfer), men er faktisk genetisk meget fjerne. Indtil for nylig kunne en enkelt art beskrives gyldigt med mere end et binomialt navn baseret på seksuelle eller aseksuelle morfer. I mange tilfælde er kun en enkelt morf blevet beskrevet og registreret for en given art, skønt arter, der er nært beslægtede med den, kunne have flere morfer beskrevet og registreret. Følgelig er sekvenssammenligninger blevet anvendt i svampesamfundet for at skelne mellem arter, for at spore arter, når de fortsætter gennem komplekse livscyklusser og for at identificere kryptiske arter. Som en del af den dynamiske proces med taksonomisk revurdering er mange svampeartskorrektioner ikke altid opdaterede i Genbanksekvensdata.

for at være en mere pålidelig ressource til DNA-baseret identifikation skal referencesekvenser afledt af typeprøver (som fungerer som referencer for arter) mærkes med det korrekte og mest opdaterede artsnavn. De målrettede Loci-databaser med svampe giver denne værdifulde ressource. For eksempel er PRJNA177353 et Bioprojekt, der specifikt fokuserer på de interne transkriberede afstandsstykker (ITS) regioner i den nukleare ribosomale cistron, som i mange år er blevet brugt som en fylogenetisk markør og for nylig godkendt som den formelle stregkodesekvens af svampe (41). Databasen startede som et samarbejde med indeks Fungorum, MycoBank og UNITE samt en stor gruppe taksonomiske specialister. Sekvenser blev valgt, for det meste fra typeeksemplarer med gyldige beskrivelser, og derefter blev aktuelle korrekte artsnavne forbundet med sekvenserne med det formål at repræsentere de fleste af de accepterede svampeordrer (8). Resultater fra denne kurateringsindsats er blevet brugt og Citeret af forskellige publikationer (42-46) og har hjulpet yderligere bestræbelser på at validere undergrupper af referencesekvenser, f.eks. medicinsk signifikante arter (47).

målet med fortsat kuration er at tilføje sekvenser fra nyligt beskrevne ordrer og udvide repræsentationen til at omfatte de fleste af de accepterede familier med fokus på medicinsk vigtige svampe. Processen inkluderer også at foretage korrektioner, erstatte sekvens fra verificeret materiale med sekvens fra typemateriale, når det bliver tilgængeligt, og redigere definitionslinjer eller fjerne Refseksposter, når taksonomiske klassifikationer ændres. Dette sikrer, at BLAST søgeresultater korrekt vise det aktuelle navn. Dens optegnelser er blevet udvidet til at repræsentere 3.060 sekvenser, der repræsenterer 270 familier fra 39 klasser. Under den indledende kollaborative indsats blev et mindre sæt sekvenstiltrædelser fra 28S nukleare store underenhed ribosomal gen (LSU) blev også indsamlet, men ikke verificeret. En arbejdsgang svarende til dens rekordkurationsproces blev fulgt, og under fortsat kuration er disse LSU-poster blevet verificeret for sekvenskvalitet, korrekt identifikation og nøjagtige kildedata. Tæt på 500 poster (fra 800 potentielle poster), der repræsenterer >100 familier fra 21 klasser blev verificeret og for nylig frigivet. 28S datasættet kan hentes fra BioProject PRJNA51803 (48).

prokaryoter

NCBI-Genomopsamlingen repræsenterer samlede prokaryote genomer med forskellige niveauer af kvalitet og prøvetagningstæthed. For prokaryoter, baseret på tidligere feedback fra samfundet, er vores nuværende politik at levere genomanmærkning til alle prokaryote genomer, der opfylder vores kvalitetskriterier. I de senere år har vi stået over for to store udfordringer: (I) holde trit med den hurtige eskalering af indsendte prokaryote genomer; og (ii) adressering af en voksende inkonsekvens i genomanmærkning på grund af brugen af både en INSDC-formeringsbaseret rørledning og forskellige versioner af en NCBI de novo genomanmærkningsrørledning som udviklet over tid.

Med den stigende interesse for humane patogener og fremskridt inden for DNA-sekventeringsteknologi er antallet af sekventerede prokaryote genomer hurtigt steget i det sidste årti. Nogle bakteriestammer kan ofte ikke skelnes ved hjælp af nuværende genotypemetoder, men mindre genetiske forskelle kan påvises på basis af helgenomsekventering, hvilket er nyttigt til karakterisering af transmissionsveje, identifikation af antibiotikaresistens og opmåling af udbrud. At undersøge fødevarebårne patogener eller infektionsudbrud, et stort antal næsten identiske bakteriegenomer er blevet sekventeret og kommenteret i de senere år, hvilket resulterer i adskillige identiske proteiner, hver med et særskilt tiltrædelsesnummer. I 2013 introducerede NCBI en ny proteindatamodel og tiltrædelsespræfiks til samlingen. Denne ændring reducerede redundansen i prokaryote proteiner og lettede identifikation af proteiner, der var identisk fundet på mere end et genom. Det tillod også en forbedret strategi til styring af prokaryote proteinnavne. Disse ikke-redundante optegnelser repræsenterer unikke prokaryote proteinsekvenser, der er uafhængige af et bestemt bakteriegenom og kan kommenteres på flere stammer eller arter (www.ncbi.nlm.nih.gov/refseq/about/nonredundantproteins/).historisk set blev annotation af bakteriegenomer formeret fra INSDC-indsendelser, når de var tilgængelige, eller genereret ved hjælp af forskellige versioner af NCBI ‘ s prokaryote genom-Annotationspipeline (som også tilbydes som en service til GenBank-indsendelser). Dette resulterede i akkumulerede uoverensstemmelser i både strukturel og funktionel annotation i det Refseks prokaryote datasæt. I løbet af de sidste to år forbedrede NCBI flere aspekter af den prokaryote genom-Annotationsrørledning for at øge kapaciteten og yderligere standardisere annotationsregler. Vores pipeline kombinerer en genopkaldsalgoritme, GeneMarkS+ (49,50), med en justeringsbaseret gendetekteringsmetode og er i stand til at kommentere både komplette og udkast til genomer. Rørledningen forudsiger i øjeblikket proteinkodende gener, strukturelle RNA ‘er (5s, 16S og 23S), tRNA’ er og små ikke-kodende RNA ‘ er.

i 2015 udgav vi en omfattende annotationsopdatering til prokaryote genomer for at harmonisere genomannotation og fuldføre overgangen til den nye proteindatamodel. En ny prokaryot protein navn database, navn specifikationer, og en evidensbaseret strategi blev udviklet og er i øjeblikket ved at blive implementeret. Indtil videre har over 3 Millioner proteinoptegnelser opdateret navne i en indledende demonstration af fremgangsmåden. Den nye prokaryote datamodel giver en betydelig fordel ved navnestyring, da proteinnavnet bæres med proteinsekvensrekorden; opdatering af navnet på denne proteinrekord resulterer i automatisk udbredelse af opdateringen til alle genomer, der er kommenteret med det tiltrædelsesnummer.prokaryote genomer er organiseret i flere nye kategorier såsom referencegenomer og repræsentative genomer baseret på kuraterede attributter og monterings-og annotationskvalitetsmålinger (www.ncbi.nlm.nih.gov/refseq/about/prokaryotes/) (51). Referencegenomer vælges manuelt ‘guldstandard’ komplette genomer med annotation af høj kvalitet og det højeste niveau af eksperimentel understøttelse af strukturel og funktionel annotation. I øjeblikket kommenteres et lille datasæt med 122 referencegenomer manuelt af samarbejdende grupper og NCBI-personale. Referencegenomerne er tilgængelige på: http://www.ncbi.nlm.nih.gov/genome/browse/reference/. Repræsentative genomer beregnes beregningsmæssigt og vælges til at repræsentere forskellige arter. De repræsentative genomer er tilgængelige på: www.ncbi.nlm.nih.gov/genome/browse/representative prokaryote genomdata kan tilgås i BLASTDATABASER, internetressourcer (samling, Bioprojekt, genom, nukleotid og Protein) via NCBI ‘ s programmeringsværktøjer eller kan hentes fra genomerne eller FTP-stederne. En brugerdefineret ‘Microbes’ BLAST side, adgang fra BLAST hjemmeside, giver muligheder for at søge mod alle prokaryote genomer, Reference og repræsentative genomer delmængde, eller at begrænse søgningen til en bestemt taksa. En delmængde af prokaryote genomer er kommenteret med et NCBI-Gen-ID og kan hentes i NCBI ‘ s Genressource eller fra Gen-FTP-stedet. For archaea er dette fastsat for de fleste komplette genomer. For bakterier er dette tilvejebragt til referencegenomer og de repræsentative genomer for arter, der har mindst 10 genomindgivelser.

prokaryote målrettede loci

i prokaryoter er 16S ribosomal RNA-sekvensen blevet en standardmolekylær markør for beskrivelsen af en ny art. Mens disse markørsekvenser er blevet meget udbredt, varierer kvaliteten af sekvensdataene og de tilknyttede metadata, der sendes til INSDC-databaser, betydeligt. Anerkender vigtigheden af adgang til data af høj kvalitet for disse markører, NCBI har udvidet sit målrettede loci-projekt for at give en opdateret kilde til kuraterede data. Det målrettede loci-projekt opretholder i øjeblikket næsten 18 000 16S ribosomale RNA-referencesekvenser, hvoraf over 95% er fra typestammer. Typestammerne betragtes som eksemplet på arten, og det er vigtigt, at typestammedata kommenteres med korrekte metadata og er fri for forurening.

dette arbejde involverede en udtømmende gennemgang og opdatering af den underliggende taksonomidatabase, som blev brugt sammen med NCBI ‘ s type strain entres filter til at hente kandidatsekvenser. Sekvensdataene og deres tilknyttede taksonomi/metadata er blevet gennemgået og korrigeret for at inkludere de mest opdaterede oplysninger. Hvis en sekvens mislykkedes validering eller ikke kunne valideres nøjagtigt, blev den ekskluderet. Disse referencesekvenser kan nu bruges som’ guldstandarder ‘ til analyse af eksisterende og nye rRNA-sekvenser.

bakterielle og Archaeal 16S rRNA datasæt er tilgængelige fra BioProject (henholdsvis PRJNA33175 og PRJNA33317). En brugerdefineret BLAST-database er også tilgængelig (’16S ribosomale RNA-sekvenser (bakterier og Archaea)’).

vira

Referencedatamodellen for vira adskiller sig fra andre organismers. Generelt oprettes kun et komplet Refseks-genom for hver viral art. Lejlighedsvis oprettes flere Refseks-poster inden for en given viral art for at afspejle veldefinerede genotyper eller vigtige laboratorie-og/eller vilde stammer. Yderligere genomer for en given art valideres for taksonomi og fuldstændighed og indekseres derefter som sekvens ‘naboer’ (52). Både genomer og nabo genomer kan hentes gennem den specialiserede virale Genomressource (http://www.ncbi.nlm.nih.gov/genome/viruses/) og fra sider med nukleotid og genom ved hjælp af links til ‘genom for arter’ og ‘andre INSDC-genomsekvenser’ (52).

taksonomi er et stort problem for viral genomik, da der er 3186 virale arter, der officielt er anerkendt af International Committee on taksonomi of virus (ICTV) (53) og 4834 komplette genomer fra både officielle og midlertidige virale arter tilgængelige fra INSDC-databaser. NCBI parvis Sekvenssammenligning (PASC) værktøj blev udviklet til at hjælpe med klassificeringen af virale genomer baseret på globale og/eller lokale justeringer mellem genomer (http://www.ncbi.nlm.nih.gov/sutils/pasc/). Omfanget af dette værktøj er blevet udvidet til at omfatte en række virusfamilier og andre taksonomiske grupper, og det er blevet brugt til at støtte afgrænsningen af nye taksonomiske kriterier (54-57).

et andet voksende problem i viral genomik er inkonsekvent og/eller unøjagtig annotation blandt relaterede virale genomsekvenser. Dette problem afspejler ofte forskellige annotationsprocesser og løbende eksperimentelt arbejde og kan føre til forvirring blandt dataforbrugere og vanskeliggøre sammenlignende analyse mellem genomer. Dette problem løses inden for NCBI-Virusvariationsressourcen (http://www.ncbi.nlm.nih.gov/genome/viruses/variation/), hvor beregningsrørledninger anvendes til at give opdateret, standardiseret annotation for flere vira (58). I øjeblikket, disse rørledninger beregner standardiserede gen-og proteingrænser for alle virus -, Dengue-virus, og vestnilvirussekvenser og standardiserede gen-og proteinnavne og metadataudtryk for disse og to andre vira, Mellemøsten respiratorisk coronavirus og Ebolavirus. Disse standardiserede data udnyttes derefter inden for en specialiseret, metadata-centreret søgegrænseflade, der letter let hentning af sekvenser baseret på specifikke biologiske kriterier.

opretholdelse af ajourførte, bredt accepterede annotationsstandarder kræver kontinuerligt samarbejde med det større videnskabelige samfund. NCBI Viral Genome Annotation arbejdsgruppe blev oprettet for at udnytte konsortier af offentlige databaser, sekventeringscentre og forskningsgrupper til at udvikle standardiseret sekvensnotation samt isolere navngivningsordninger for forskellige grupper af vira (59-63). Denne tilgang fastlægger ikke kun standarder for viral annotation, men repræsenterer også disse standarder inden for den aktuelle Refsekspost, hvilket sikrer tilgængelighed for alle databasebrugere og indsendere. Lignende samarbejder er også nødvendige for at understøtte værditilvækst, fortolkende ressourcer såsom HIV-1, human interaction database (http://www.ncbi.nlm.nih.gov/genome/viruses/retrovirus/hiv-1/interaktioner/) (64). Samarbejdspartnere fra Southern Research Institute leverer dokumenteret HIV-1, humane molekylære interaktioner kurateret fra litteraturen, og NCBI opretholder en brugervenlig ressource, hvor brugerne kan forespørge efter specifikke typer interaktioner og finde mere information om de involverede gener.

fremtidige retninger

projektet er unikt i at tilbyde et referencesekvensdatasæt af udskrifter, proteiner og genomer, der omfatter alle livets kongeriger og er blevet aktivt vedligeholdt og opdateret over tid for at inkorporere forbedrede beregningsstrategier, nye datatyper og ny viden. Vi har demonstreret evnen og kapaciteten til at reagere på nylige hurtige stigninger i antallet af sekventerede genomer, der sendes til INSDC-databaser. Vi har defineret et forskelligt sæt politikker og strategier til kuration og annotation af eukaryote, prokaryote, og virale arter for at imødekomme de forskellige behov hos organismerspecifikke samfund. Datasættet bruges i vid udstrækning som referencestandard til mange forskellige analyser, herunder kliniske anvendelser hos mennesker og patogener, komparativ genomik, ekspressionsanalyser, fortolkning af sekvensvariation, og både array-og probekonstruktion. På NCBI er datasættet integreret i flere ressourcer, herunder samling, BLAST, Epigenomik, gen (hvor Refseks annotation er det primære grundlag for de fleste Genindgange), genom, dbSNP, dbVar, Variation seer og meget mere.

Vi vil fortsætte med at målrette manuel kuration for at forbedre strukturel og funktionel information til humane og andre hvirveldyr genomer. Vores konservative manuelle kurateringsmetode sikrer den fortsatte høje kvalitet og pålidelighed af menneske -, mus-og andre ‘kendte’ refseks-poster, der tjener behovene hos dem, der har brug for en velunderstøttet definition af alternative eksoner (færre falske positive). Tilføjelsen af RNA-Sekv-data til vores annotationspipeline øgede vores annotation af alternative splejsningsvarianter markant som Modelrefseks for at imødekomme behovene hos dem, der ønsker en mere omfattende, men stadig godt understøttet definition af eksomet (færre falske negativer). Mens både kendte og modelrefseks rapporterer støttebeviset på sekvensposten, bruger de forskellige tilgange til at gøre det. Fremtidige bestræbelser vil blive rettet mod at harmonisere evidensrapportering for både ‘kendte’ og ‘model’ Refseks, så brugerne lettere kan identificere disse oplysninger. Vi vil også i den nærmeste fremtid tilføje en ny datatype til samlingen af mennesker og mus for at repræsentere eksperimentelt rapporterede regulatoriske og funktionelle elementer med kendte (eller med rimelighed udledte) funktionelle konsekvenser.

for prokaryote genomer fortsætter vi med at raffinere aspekter af den strukturelle annotation, der genereres af den prokaryote genom Annotation Pipeline. Vores arbejde hen imod en ny tilgang til styring af funktionel information forbedres stadig og vil blive beskrevet andetsteds. Vi forventer at kommentere hele datasættet for prokaryote genomer, når nye versioner af vores prokaryote annotationspipeline bliver tilgængelige (for at forbedre strukturel annotation). Beslutningen om at kommentere alle refseks prokaryoter ved hjælp af en enkelt metode sammen med det store volumen af dette datasæt nødvendiggør en anden tilgang, der udnytter flere kilder til bevis for at give funktionel information. Proteinnavne opdateres løbende som organiseret af proteinfamilier eller kategorier af bevistype. Vores mål for det kommende år omfatter større integration af Rfam (65) i vores annotation pipeline, udvidet samarbejde, forbedrede protein navne, og rapportering støtte beviser på protein sekvens rekord.

Vi vil gerne takke det videnskabelige samfund for konstruktiv feedback, forslag, fejlrapporter og samarbejde i løbet af de sidste 15 år, der har bidraget til kvaliteten og nøjagtigheden af den repræsenterede sekvens, strukturel annotation og funktionel annotation.

finansiering

Intramural forskningsprogram for NIH, National Library of Medicine. Finansiering til Open access charge: det intramurale forskningsprogram fra National Institutes of Health, National Library of Medicine.

interessekonflikt erklæring. Ingen erklæret.