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

a plazmidfehérje rekordok számának drámai csökkenése, és így a teljes Csatlakozások száma, tükrözi a RefSeq baktériumgenom újbóli annotációs projekt befejezését (http://www.ncbi.nlm.nih.gov/refseq/ about/prokarióták/ reannotation/) és a prokarióták új adatmodelljének elfogadását, beleértve plazmidjaikat is. Ebben az új adatmodellben egyetlen RefSeq nem redundáns fehérje csatlakozás több genomiális szekvenciarekordra is feljegyezhető, amikor ezeknek a genomiális fehérjét kódoló régióknak a transzlációja azonos fehérjét eredményez (lásd http://www.ncbi.nlm.nih.gov/refseq/about/nonredundantproteins/). Az összes baktériumfehérje redundanciája szintén jelentősen csökkent; azonban, itt nem nyilvánvaló az adatkészletben szereplő bakteriális genomok számának folyamatos jelentős növekedése miatt. Ezek a változások az archeális fehérje rekordok számának általános csökkenését is eredményezték.

gerincesek

a gerincesek egy kiválasztott csoportja, beleértve a Homo sapiens, A Mus musculus, a Rattus norvegicus, a Gallus gallus, a Bos taurus és a Danio rerio az átirat – és irodalomalapú kézi kurációs erőfeszítéseink fő fókuszát. A kurátorok általában a minőségbiztosítási (QA) tesztekkel azonosított adatkonfliktusokkal rendelkező gének listájából dolgoznak, amelyek közül néhányat korábban leírtak (12). Az egyes gének elemzésekor részletes iránymutatásokat követnek annak érdekében, hogy biztosítsák a személyek közötti konzisztenciát a kurált adatkészletben. Ez az elemzés mélyreható szekvenciaértékelést és szakirodalmi áttekintést foglal magában a referencia-átiratok, fehérjék, pszeudogének és RefSeqGene rekordok létrehozásához. A RefSeq kurátorok transzkriptumváltozatokat generálnak, megoldják a szekvenciahibákat, eltávolítják a pontatlan információkat, frissítik a rekordokat, hogy helyesen ábrázolják a lokusz biológiáját, és értékes funkcionális információkat adnak néhány RefSeq rekordhoz, például javított fehérjenevekhez, a géntermék funkciójának összefoglalásához, a gén funkcionális jellemzőihez és/vagy releváns publikációkhoz. A RefSeq csoport által végzett manuális kuráció és szakirodalmi áttekintés olyan egyedi változatok és izoformák ábrázolását eredményezheti, amelyeket nem lehet előre jelezni, ha kizárólag számítási elemzésen alapul. Például a humán tumorszuppresszor gén, a PTEN (phosphatase and tensin homolog, GeneID: 5728) szakirodalmi áttekintése feltárta egy hosszabb fehérje izoform létezését, amely egy alternatív in-frame upstream CUG iniciációs kodon használatából származik, amely a kanonikus mRNS transzlációs start kodon előtti palindromikus szekvencia közepén található (13). Erős kísérleti adatok azt mutatták, hogy ez a mitokondriális-specifikus izoform leucinnal iniciálódik, nem pedig metioninnal (14). Az eukarióták RefSeq adatmodellje egy transzkriptumot biztosít, amely kifejezetten egy fehérjéhez kapcsolódik. Ezért két azonos transzkriptumrekordot szolgáltattak az alternatív iniciációs kodonok transzlációjának tükrözésére; az NP_000305.3 a kanonikus metionin start kodont használó 403 aminosav-fehérjét képviseli, míg az NP_001291646.2 a mitokondriális lokalizált 576 aminosav-fehérjét képviseli, amely a leucin. Így a kurációs folyamat kettős célt szolgál: pontos referenciaszekvenciákat biztosít, amelyek megkönnyítik a pontos és reprodukálható Genom annotációt, és olyan nyilvántartásokat szolgáltatnak, amelyek releváns biológiai információkat tartalmaznak. Ebben a részben a legutóbbi frissítéseket, a kézi kurációs folyamatunk fejlesztéseit, valamint a fókuszált kurációs projektek példáit tárgyaljuk.

RefSeqGene projekt

a RefSeqGene alprojekt meghatározza az emberi genomi szekvenciákat, amelyeket referenciaként kell használni a jól jellemzett gének számára, különösen a klinikai genetikai közösség számára. Ezek a szekvenciák stabil alapként szolgálnak a patogén variánsok jelentéséhez, az exonok és intronok számozására vonatkozó konvenciók kialakításához, valamint más változatok koordinátáinak meghatározásához. Minden RefSeqGene rekord egy génspecifikus genomiális régióra összpontosít, és jellemzően a RefSeq transzkriptumok és fehérjék egy részhalmazával van ellátva, amelyet a domain szakértők választanak ki. Ezek a kiválasztások határozzák meg az exon jellemzőit. A kanonikus RefSeq transcript/protein régebbi verzióinak igazítása, valamint más ismert Refseq-k is szerepelnek. Ezek a nyilvántartások általában 5 kilobázist (kb) tartalmaznak a fókuszgén előtt, és 2 kb szekvenciát a későbbiekben, hogy támogassák a lehetséges szabályozó helyek vagy törlések ábrázolását, amelyek túlmutatnak a génjellemzőn. A RefSeqGene rekord tartalmazhat annotációs információkat más génekről, amelyek a határain belül helyezkednek el. A RefSeqGene nyilvántartásokat kezdetben a lokusz-specifikus adatbázisok és az NCBI munkatársai vizsgálják felül. A RefSeqGene tagja az LRG együttműködésnek (7), amely további áttekintést nyújt a szekvenciaadatokról az LRG csatlakozás hozzáadása előtt. Egy nemrégiben végzett munka fókusza kibővítette a RefSeqGene rekordok számát, hogy képviselje az összes olyan gént, amelyre legalább két klinikai tesztet nyújtottak be az NIH genetikai vizsgálati nyilvántartásába (GTR). Jelenleg 5596 RefSeqGene rekord van, ebből 633 rendelkezik LRG csatlakozással. A RefSeqGene rekordok lekérdezhetők a nukleotid adatbázisban a ‘refseqgene’ segítségével, LRG csatlakozásuk alapján, a RefSeqGene webhely böngészésével (www.ncbi.nlm.nih.gov/refseq/rsg/), vagy FTP (ftp://ftp.ncbi.nlm.nih.gov/refseq/H_sapiens/RefSeqGene/).

az RNS-Seq és más adattípusok beépítése a transzkriptum alapú kurációba

a RefSeq kurációs projekt fő célja a magas minőségű és teljes hosszúságú transzkriptum és fehérje referencia szekvenciák ábrázolása. Mint ilyen, kurációs kritériumaink elsősorban a hagyományos transzkriptumokon (mRNS és est), valamint a fehérje összehangolásán és a közzétett bizonyítékokon alapulnak. A gerinces transzkriptóm projektek azonban egyre összetettebbé váltak az új átirat-adatok többségével, amelyeket jelenleg a rövid olvasási szekvenálási technológia generál. A promoterhez kapcsolódó epigenetikai jelek globális mintáit vizsgáló genomszintű vizsgálatok szintén bizonyítják az aktív promotereket és / vagy az aktív transzkripciót. A RefSeq csoport módosította a kurációs gyakorlatokat, hogy beépítse ezeket az új adattípusokat a kézi annotáció javítása érdekében, különösen azokban az esetekben, amikor egy génnek vagy variánsnak nincs bőséges hagyományos transzkriptum-támogatása. Ezek az RNS-Seq és epigenomikus vizsgálatok hatalmas adathalmazokat hoztak létre, amelyek kihívást jelentenek a gén annotációs csoportok számára, például a potenciális hamis pozitív eredmények és a nagy hatótávolságú exon kombinációk támogatásának hiánya miatt (15). A RefSeq kurátorok enyhítik a hamis pozitív eredményeket azáltal, hogy szelektíven csak kiváló minőségű adatkészleteket építenek be a genom annotációs csővezetékünkbe és a kézi annotációs folyamatba. A RefSeq kurátorok az NCBI Genome Workbench platformba beépített házon belüli igazítási eszközben (http://www.ncbi.nlm.nih.gov/tools/gbench/) testreszabott kijelzőkön jelenítik meg az átirati igazításokat, a variációs adatokat és a szűrt RNS-Seq adatokat. Az emberi gének kurálása az Illumina BodyMap 2 (BioProject: PRJEB2445) és az emberi fehérje Atlasz projektek (BioProject: PRJEB4337) (16) elemzett RNS-Seq-leolvasásait használja fel. Ezenkívül a kurátorok promóter-asszociált hisztonmódosító jeleket használnak, például H3K4me3 a NIH ütemterv Epigenomikus térképezési konzorcium (REMC; (17) és a ENCODE (Encyclopedia of DNA Elements) projekt (18) egy aktív promoter jelenlétének igazolására. A RefSeq kurátorok a polyA-seq adatokat is értékelik, hogy megerősítsék a polyA farok nélküli átiratok 3 ‘ teljességét (19). További adattípusokat, köztük a PhyloCSF (20), a CpGIslands, a RepeatMasker (21) és a génexpressziós (CAGE) adatok Cap analysis of gene expression (CAGE) adatokat (22) használnak néha kiegészítő támogatásként.

hosszú, nem kódoló RNS-ek (lncrns-ek)

a RefSeq csoport továbbra is jelentősen bővíti a nem kódoló strukturális és mikro – RNS-ek, az átírt pszeudogének és a nagyrészt nem jellemző lncrns-ek ábrázolását. Ezt a génosztályt általában úgy definiálják átiratok >200 nt hosszúságúak, amelyek nem rendelkeznek erős fehérjekódoló potenciállal (23). az Lncrns RefSeq rekordokat kurációval és az eukarióta genom annotációs csővezetékén keresztül állítják elő az lncrns gének számára. Az NCBI jelenleg több mint 540 000 eukarióta Lncrns RefSeq nyilvántartást vezet, amelyek közül több mint 6700-at kuráltak, és csak néhány százat jellemeztek funkcionálisan. Ezek közül sokan érintettek az emberi betegségekben, mint például a BACE1-AS, amely szerepet játszhat az Alzheimer-kór patofiziológiájában, és a HOTAIR, amely több rákos megbetegedéssel társult (24,25). Az lncrns-ek túlnyomó többségének ismeretlen funkciói vannak, és a hosszú nyitott olvasási keretek hiánya kihívást jelent az átirat teljességének megerősítése szempontjából. Ezenkívül az INSDC-hez benyújtott lncrns-adatok nagyrészt rövid olvasási adatkészletekből származó TSA-kon alapulnak, amelyek tartalmazhatnak mesterséges exon-kombinációkat. A RefSeq kurátorok konzervatív megközelítést alkalmaznak az lncrns gének képviseletében, csak manuálisan hoznak létre Refseq-kat (NR_ csatlakozási előtaggal) a kiváló minőségű átiratokhoz, amelyek esetében bizonyos bizonyossággal rendelkezünk az exon szerkezetéről. Ideális esetben a transzkriptum alátámasztását legalább három exonnal kell összekötni, de a két exon és az intron nélküli transzkriptumok ábrázolhatók, ha azokat promoter-asszociált epigenomika, poly(A) bizonyíték, további cDNS-ek és/vagy RNS-Seq adatok támasztják alá. A nem kódoló gének RefSeq lncrns rekordjai az NCBI nukleotid adatbázisából nyerhetők ki a ‘biomol ncrns lncrns’ keresőszöveg segítségével, majd a bal oldali oszlopból a RefSeq szűrőt választva.

funkcionális annotáció

a kurált eukarióta RefSeq transzkriptumrekordok egyedülálló hozzájárulása az, hogy integrálják a funkcionális információkat egy referencia szekvenciával. A RefSeq kurátor munkatársai hozzáadják a génösszefoglalókat, a nómenklatúrát, a transzkriptum variáns szöveget, a gén-és szekvencia-attribútumokat, valamint a RefSeq rekordban és/vagy a Génforráson keresztül elérhető funkcionális jellemzőket (http://www.ncbi.nlm.nih.gov/gene). Az elmúlt évben, a RefSeq munkatársai számos mélyreható annotációs projektet folytattak, amelyek közül néhányat a következő bekezdések röviden ismertetnek, funkcionális adatok hozzáadása olyan specifikus génkészletekhez, ahol a számítási eszközök nem képesek pontosan képviselni a biológiai ismereteket. Ezek a projektek magukban foglalják az antimikrobiális peptidek, endogén retrovírusok, replikációfüggő hisztonok, szabályozó uorf-ok és antizimek megjegyzését.

antimikrobiális peptidek (amp-K)

Az AMP-k a legutóbbi kurációs fókuszban voltak (http://ncbiinsights.ncbi.nlm.nih.gov/ 2015/05/21/) (26). Az AMP-k a természetben előforduló peptidek, amelyek sokféle fajban megtalálhatók, és számos immunszerepben szerepet játszanak, beleértve a baktericid, antivirális, gombaellenes, sőt daganatellenes tevékenységeket is. A több mint 130 emberi génből álló listát, amelyek egy vagy több kísérletileg bizonyított erősítőt kódolnak, több nyilvánosan elérhető AMP adatkészletből gyűjtötték össze,és publikációkból is bányászták. Ezen amp-k többségét korábban nem azonosították a RefSeq adatbázisban, és egyik AMP-adatbázis sem kapcsolta össze a peptideket a kódoló génjükkel. A RefSeq kurátorok kézzel jegyzetelték a RefSeq rekordokat minden egyes AMP-kódoló humán gén esetében, hogy biztosítsák a funkcionális peptid jegyzetelését, hogy tartalmazzanak egy publikációt, amely leírja a peptid antimikrobiális aktivitását, hogy hozzáadjanak egy rövid összefoglalót a kódolt AMP antimikrobiális aktivitásáról, és tároljanak egy új RefSeq attribútumot ‘Protein has antimicrobial activity’, amely szerepel a RefSeq attribútum strukturált megjegyzésében (pl. NM_001124.2 az ADM-hez; GeneID: 133). Az összes kurált humán transzkriptum vagy protein AMP rekord eléréséhez keressen a nukleotid vagy fehérje adatbázisban a ‘Protein has antimicrobial activity’használatával. Jelenleg ez a keresés 191 RefSeq rekordot talál, beleértve a splice variánsokat és a fehérje izoformákat.

endogén retrovírusok (Erv-k)

az endogén retrovírusok (Erv-k) olyan genomi lókuszok, amelyek egy exogén retrovírus ősi behelyezéséből származnak a gazdaszervezet genomjába. Az ERV lokuszok általában nem tartoznak a RefSeq hatálya alá; azonban feljegyezzük a teljes hosszúságú ERV fehérjét kódoló lokuszokat, amelyek egyetlen genomiális helyre vannak leképezve, ha gazdafunkciót szolgálnak, ismert betegséggel társulnak, és/vagy ha egy hivatalos nómenklatúra Bizottság rendelte hozzájuk a nómenklatúrát. Az emberi genom körülbelül 8% – a retrovírus eredetű (27); azonban ősi eredetük miatt a legtöbb emberi ERV lokusz értelmetlen mutációkat halmozott fel, és már nem képes fehérjét kódolni. A szincitin fehérjék, amelyek részt vesznek a placenta fejlődésében (28), jól ismert kivétel ez alól. A humán syncytin-1 és syncytin-2 fehérjéket az ERVW-1 (NM_001130925.1, NM_014590.3) és az ERVFRD-1 (NM_207582.2) gének kódolják. A mai napig 67 RefSeqs-t hoztunk létre az ERV loci számára, amely magában foglalja a különféle Emlősök ERV génjeit képviselő rekordokat. Egy új RefSeq attribútumkategóriát hoztak létre az endogén retrovírus címmel, amely a RefSeq rekord strukturált megjegyzésében jelenik meg. Ezeket a rekordokat a nukleotid adatbázisból lehet letölteni az endogén retrovírus keresésével.

Replikációfüggő hisztonok

a hiszton mRNS-ek gyors szintézisére van szükség a sejtosztódás során nagy mennyiségű hisztonfehérje előállításához. E folyamat szempontjából kritikusak a replikációtól függő hiszton gének, amelyek a sejtciklus G1/S fázisában vannak szabályozva (29). Egy speciális RefSeq projektet indítottak azzal a céllal, hogy a replikációfüggő hisztonfehérjét kódoló gének teljes készletét kurálják ember és egér. Ezeknek a géneknek kanonikus 3 ‘ hiszton downstream elem(HDE) szekvenciája van a genomi szekvenciában, és az ebből eredő Érett mRNS-ek jellemzően nem rendelkeznek poli (A) farokkal, ehelyett röviddel az RNS szár-hurok szerkezete után végződnek (30). A HDE elem megtalálható a prekurzor átiratán, de nem szerepel a RefSeq által képviselt feldolgozott átiratban. A konzervált 16 nukleotid szár-hurok szerkezeti szekvencia helyét a RefSeq rekord ‘szár-hurok’ című jellemző kommentárként jelzi. Egy példa látható a REFSEQ bejegyzés NM_003539.3 A HIST1H4D (GeneID: 8360). A mai napig 127 humán és egér replikációfüggő hiszton RefSeq rekordot kuráltak, és hozzáadtak egy RefSeq attribútumot, amely felhasználható ezeknek a rekordoknak a lekérdezésére a nukleotid adatbázisból a ‘replikációfüggő hiszton’keresési karakterlánc segítségével.

szabályozó upstream nyitott olvasókeret (uorf)

az upstream nyitott olvasókeret (uORF) fordítása negatívan befolyásolhatja az elsődleges fehérjét kódoló nyitott olvasókeret (pORF) transzlációját (31). Ez a hatás nem mindig teljesen elhallgattatja a pORF transzlációt, és függhet a sejttípustól, a fejlődési állapottól vagy a sejtállapottól. Ezért, bár az uorf-ok megjósolhatók az átirat hatkockás fordításából, ennek az elemnek a szabályozó hatását kísérleti validációval kell meghatározni. A RefSeq kurátorai áttekintették az irodalmat, hogy megtalálják a szabályozó uorf-ok kísérleti bizonyítékait tartalmazó átiratokat, és frissítették a megfelelő RefSeq átirat rekordokat, hogy hozzáadjanak egy misc_feature-t, amely jelzi ezen uorf-ok helyét. Példa erre a RefSeq bejegyzés NM_000392.4 az ABCC2 esetében (GeneID: 1244). Létrehoztunk egy új RefSeq attribútumkategóriát ‘regulatory uORF’ címmel, amely a RefSeq rekordok strukturált megjegyzésében jelenik meg. Mind a jegyzetekkel ellátott funkció, mind az attribútum a PubMed ID támogató kiadványát idézi. A mai napig 260 rekordot jegyeztek fel ezzel a tulajdonsággal, és ezek a rekordok a nukleotid adatbázisból visszakereshetők a ‘szabályozó uORF ‘

Antizim gének keresésével

a RefSeq projekt egyik célja olyan kivételes biológiájú gének ábrázolása, amelyek nem követik a fehérjeszintézis standard dekódolási szabályait. Az ornitin-dekarboxiláz-antizim gén egy ilyen példa, ahol egy programozott +1 riboszomális frameshifting mechanizmus fordul elő, amelyet hagyományos számítási eszközökkel nem lehet megjósolni. Egy sor gerinces antizim transzkriptumot és fehérje nyilvántartást nemrégiben kézi annotációs erőfeszítésnek vetettek alá, hogy olyan szabványokat hozzanak létre, amelyek javítják ezen géntermékek annotációját az eukarióta genom annotációs csővezetéken keresztül (32). A RefSeq rekordokat manuálisan jegyzetelték a Split CDS funkcióval, hogy tükrözzék a riboszomális csúszást, és tartalmaztak egy ‘riboszomális csúszás’ attribútumot közzétett bizonyítékokkal, különféle különféle jellemzőjegyzetekkel (például a kereteltolás helyének helyével), valamint egy rövid összefoglalóval, amely leírja a gén működését és új tulajdonságait (pl. NM_139081.2). Ezeket a rekordokat a nukleotid vagy a fehérje adatbázisból lehet letölteni a keresési lekérdezéssel: gerincesek refseq riboszomális csúszás antizim. Ez a keresés jelenleg 242 RefSeq rekordot (NM vagy NP) talál, amelyek transzkript variánsokat és fehérje izoformákat tartalmaznak.

Gerinctelenek

a gerinctelen fajok képviselik a fennmaradt metazoánok túlnyomó többségét (33); a szekvenált genomok azonban csak viszonylag kis számot képviselnek. Ez annak ellenére, hogy sok faj kritikus orvosbiológiai jelentőséggel bír, mint például az Anopheles gambiae, a malária vektora és a Biomphalaria glabrata, a schistosomiasis vektora (34,35). Más gerinctelenek, köztük az Apis mellifera, a Bombyx mori és a Crassostrea gigas jelentős kereskedelmi értékkel rendelkeznek (36-38). A RefSeq csoport erőfeszítéseket tett az adatkészletben képviselt gerinctelen genomok számának és terjedelmének növelésére azáltal, hogy az eukarióta genom annotációs csővezetéken keresztül kommentárt adott, vagy az INSDC beadványaiból származó annotációt e genomok RefSeq példányára terjesztette. Mindkét folyamatfolyamat esetében függünk a magas minőségű genomok nyilvános elérhetőségétől az INSDC adatbázisokban és az NCBI Assembly adatbázisában (www.ncbi.nlm.nih.gov/assembly/). a mai napig 46 gerinctelen genomot jegyeztek fel az NCBI, beleértve a rovarok, pókok, puhatestűek és bazális akkordok reprezentatív fajait. A rovarok és más gerinctelen genomok számának jelentős bővülésére számítunk olyan Genom kezdeményezések eredményeként, mint az i5k (39), az 1kite (1k rovar transzkriptom evolúció, http://www.1kite.org/) és a globális gerinctelen Genom Szövetség (http://giga.nova.edu/) (40).

növények

a RefSeq tovább bővíti az adatkészletben képviselt növényfajok sokféleségét. A mai napig 61 növényfaj került be a RefSeq genomadatkészletbe (ftp://ftp.ncbi.nlm.nih.gov/genomes / refseq/ plant/), amelyből 33 fajt jegyeztek fel az eukarióta genom annotációs csővezetéken keresztül; a fennmaradó rész az insdc-hez benyújtott annotált genomok RefSeq másolatai. A jövőben a RefSeq felvételére kiválasztott több növényi genomot az eukarióta annotációs csővezeték dolgozza fel, ahelyett, hogy az insdc benyújtásából származó annotációt szaporítaná. Ez a RefSeq növényi genomok politikájának változása, és a növényi annotációs adatok nagyobb általános konzisztenciáját eredményezi a RefSeq adatkészleten belül. A növényfajok számára rendelkezésre álló RefSeq transzkriptumok és fehérjék többsége modellrekord (XM_, XP_ és XR_ csatlakozások; 1.táblázat), az ismert rekordok kisebb részhalmazával (NM_, NR_, NP_), amelyeket az annotációs folyamattól függetlenül tartanak fenn az automatizált feldolgozás és a kézi felülvizsgálat kombinációjával. A Zea mays és a Solanum lycopersicum esetében jelenleg rendelkezésre állnak a növényi transzkriptum és a fehérje adatok kézi kurálása. A jelenlegi kurációs fókusz kiterjedt szekvencia-felülvizsgálatot von maga után, és a jelenlegi átiratok QA-aggályainak megoldására irányul. A hibafeloldás a kiméra átiratok, a redundáns átiratok és gének azonosítására és eltávolítására összpontosít, és javítja a képviselt szekvencia minőségét a refseq átirat, a genomi szekvencia és az ortológ adatok közötti indelek és eltérések értékelésével. A növények esetében arra törekszünk, hogy olyan kurált transzkriptumot és fehérje adatkészletet biztosítsunk, amely összhangban áll a genom szekvenálásához és összeszereléséhez kiválasztott fajtával. A gerinces adatokhoz használt kurációs protokollt növényekre is használják. Így a RefSeq átirati rekordok frissíthetők úgy, hogy egy másik INSDC forrásszekvencián alapuljanak, vagy összeállíthatók egynél több INSDC szekvenciarekordból annak érdekében, hogy átiratot kapjanak az előnyben részesített fajtából. Ha az insdc transzkript adatok nem állnak rendelkezésre a genomi fajtára vonatkozóan, akkor az összeállított genomi szekvenciából RefSeq transzkriptumot lehet előállítani a transzkriptum vagy a fehérje-igazítások, az RNS-Seq és/vagy a közzétett adatok kombinációja alapján. A második fókuszpont a támogatott ismert fehérje-kódoló transzkriptumok és fehérjék számának növelése, mivel ez egy kurált reagenst biztosít, amely felhasználható más növényi genomok megjegyzéséhez. Végül, több Refseq-t készítünk, amelyek az illesztési változatokat képviselik, ha elegendő alátámasztó bizonyíték áll rendelkezésre. Ezek az erőfeszítések jelentősen javítani fogják az üzem RefSeq adatkészletének minőségét, és hozzájárulnak a jövőbeni genomjegyzetek javításához. A csővezeték által feljegyzett jelenlegi növényi genomkészlet az NCBI eukarióta genom annotációs csővezeték weboldalán érhető el http://www.ncbi.nlm.nih.gov/genome/annotation_euk/all/ a részletes annotációs jelentésre és más forrásokra, például a species BLASTRA és az FTP-re mutató linkekkel.

algák, gombák, fonálférgek és protozoonok

az NCBI small eukarióta genom csővezeték egy új automatizált csővezeték, amelyet RefSeq rekordok létrehozására terveztek az annotált INSDC rekordok közvetlen szaporításának eredményeként. Az így létrehozott RefSeq rekordok a GenBank adatainak másolatai, néhány formátumváltozással, hogy megfeleljenek a RefSeq követelményeinek. A legjelentősebb különbség az eredeti INSDC rekord és a RefSeq rekord között a RefSeq transcript termék hozzáadása. Bár nem a De novo Genom annotáció létrehozására tervezték, a kis eukarióta genom csővezeték az NCBI eukarióta genom annotációs csővezeték számos moduljából és azok kódjából származik (http://www.ncbi.nlm.nih.gov/books/NBK169439/).

A ‘Kis eukarióták’ megnevezés arra utal, hogy a csővezeték elsődleges felhasználása RefSeq genomok előállítására viszonylag kisebb eukarióta genomok számára (összehasonlítva a növények és gerincesek genomjaival), mint például algák, protozoonok, gombák, fonálférgek és egyes ízeltlábúak. Néhány nagy növényi genomot azonban ezzel a csővezetékkel is feldolgoznak. Ez a csővezeték kiváló minőségű szerelvényeket dolgoz fel, amelyek kromoszómákból és / vagy állványokból és azok összetevőiből állnak. Ezek a szerelvények magas contig és állvány N50, kiváló minőségű szekvencia, és ésszerűen jó INSDC benyújtott kommentár prioritást élveznek. Ez a csővezeték, amely felváltja a korábbi folyamatfolyamatot, amely több kézi támogatást igényelt, csak a közelmúltban érte el a nyilvános gyártási fázist, és máris megnövekedett számú ‘kis’ eukarióta genomot eredményez a RefSeq-ben. Folyamatban van a folyamat áteresztőképességének optimalizálása, az automatizálás növelése és a Kurátor feldolgozási feladatainak további minimalizálása. A hosszabb távú tervek között szerepel egy fehérjenév-kezelési rendszer bevezetése annak érdekében, hogy az insdc által benyújtott neveket idővel biztosítsák, javítsák vagy javítsák. A kis eukarióták csővezeték hatálya alá tartozó genomok közül sok jelenleg nem dolgozható fel a (nagy) eukarióta genom annotációs csővezeték rendszertani sokfélesége és a De novo annotációs csővezeték kiképzéséhez szükséges átirat-adatok korlátozott rendelkezésre állása miatt.

gomba célzott lokuszok

a gomba morfológiája nagyon változatos, a komplex többsejtű struktúráktól a nagyon egyszerű egyetlen sejtekig. Egy faj számos morfológiai struktúrát és spóratípust képes előállítani. Ezzel szemben sok faj hasonló morfológiákat (morfológiákat) hoz létre, de valójában genetikailag nagyon távol vannak. Egészen a közelmúltig egyetlen faj érvényesen leírható egynél több binomiális névvel, szexuális vagy aszexuális morfok alapján. Sok esetben csak egyetlen morfiumot írtak le és rögzítettek egy adott fajra vonatkozóan, bár a vele közeli rokonságban álló fajok több morfiumot is leírhatnak és rögzíthetnek. Következésképpen szekvenciaösszehasonlításokat alkalmaztak a gombaközösségben a fajok megkülönböztetésére, a fajok nyomon követésére, miközben bonyolult életciklusokon mennek keresztül, valamint a rejtélyes fajok azonosítására. A taxonómiai újraértékelés dinamikus folyamatának részeként sok gombafaj-korrekció nem mindig naprakész a GenBank szekvencia adataiban.

ahhoz, hogy a DNS-alapú azonosítás megbízhatóbb forrása lehessen, a típusmintákból származó referencia szekvenciákat (amelyek a fajok referenciájaként szolgálnak) a helyes és legfrissebb fajnévvel kell ellátni. A Fungi RefSeq célzott loci adatbázisok biztosítják ezt az értékes erőforrást. Például a PRJNA177353 egy olyan Bioprojekt, amely kifejezetten a nukleáris riboszomális cistron belső transzkripciós távtartó (ITS) régióira összpontosít, amelyet évek óta filogenetikai markerként használnak, és a közelmúltban jóváhagyták a gombák hivatalos vonalkód-szekvenciájaként (41). Az its RefSeq adatbázis az Index Fungorum, a MycoBank és a UNITE, valamint a taxonómiai szakemberek nagy csoportjával való együttműködésként indult. Szekvenciákat választottunk ki, többnyire érvényes leírások típusmintáiból, majd az aktuális helyes fajneveket társítottuk a szekvenciákhoz azzal a céllal, hogy az elfogadott gombarendek többségét képviseljük (8). Ennek a kurációs erőfeszítésnek az eredményeit számos publikáció felhasználta és Idézte (42-46), és további erőfeszítéseket tett a referenciaszekvenciák részhalmazainak, például az orvosilag jelentős fajoknak a validálására (47).

a folyamatos kuráció célja az újonnan leírt rendek szekvenciáinak hozzáadása, valamint a reprezentáció kiterjesztése az elfogadott családok többségére, az orvosilag fontos gombákra összpontosítva. A folyamat magában foglalja a korrekciók elvégzését is, az ellenőrzött anyagból származó szekvencia helyettesítését a típusanyagból származó szekvenciával, amint elérhetővé válik, valamint a definíciós sorok szerkesztését vagy a RefSeq rekordok eltávolítását a rendszertani osztályozások változásakor. Ez biztosítja, hogy a BLAST keresési eredmények helyesen jelenítsék meg az aktuális nevet. A RefSeq nyilvántartásait kibővítették, hogy 3060 szekvenciát képviseljenek, amelyek 270 családot képviselnek 39 osztályból. A kezdeti együttműködés során a RefSeq erőfeszítései során a 28S nukleáris nagy alegység riboszomális génjének (LSU) kisebb szekvenciahalmazát is összegyűjtötték, de nem igazolták. Az ITS rekord kurációs folyamatához hasonló munkafolyamatot követtek, és a folyamatos kurálás során ezeket az LSU rekordokat ellenőrizték a szekvencia minősége, a helyes azonosítás és a pontos forrásadatok szempontjából. Közel 500 rekord (800 lehetséges rekordból), amelyek >100 családot ellenőriztek 21 osztályból, és nemrégiben megjelentek. A 28S adatkészlet a Prjna51803 (48) Bioprojektből tölthető le.

prokarióták

az NCBI RefSeq prokarióta genomgyűjtemény különböző minőségű és mintavételi sűrűségű összeállított prokarióta genomokat képvisel. Prokarióták esetében, a korábbi közösségi visszajelzések alapján jelenlegi politikánk az, hogy genomjegyzetet biztosítsunk minden olyan prokarióta Genom számára, amely megfelel minőségi kritériumainknak. Az elmúlt években két nagy kihívással néztünk szembe: (i) lépést tartani a benyújtott prokarióta genomok gyors eszkalációjával; és (ii) kezelni a genom annotáció növekvő inkonzisztenciáját, mind az INSDC szaporítás-alapú csővezeték, mind az NCBI de novo Genom annotációs csővezeték különböző verzióinak használata miatt.

az emberi kórokozók iránti növekvő érdeklődés és a DNS-szekvenálási technológia fejlődése miatt a szekvenált prokarióta genomok száma gyorsan növekedett az elmúlt évtizedben. Néhány baktériumtörzs gyakran megkülönböztethetetlen a jelenlegi genotipizálási megközelítésekkel, de kisebb genetikai különbségek kimutathatók a teljes genom szekvenálása alapján, amely hasznos az átviteli utak jellemzésére, az antibiotikum-rezisztencia azonosítására és a járványok felmérésére. Az élelmiszer által terjesztett kórokozók vagy fertőzéskitörések kivizsgálására az elmúlt években nagyszámú, közel azonos baktériumgenomot szekvenáltak és kommentáltak, ami számos azonos fehérjét eredményezett, amelyek mindegyikének külön csatlakozási száma van. 2013-ban az NCBI bevezette az új fehérje adatmodellt és csatlakozási előtagot (wp_) a RefSeq gyűjteményhez. Ez a változás csökkentette a RefSeq prokarióta fehérjék redundanciáját, és megkönnyítette azon fehérjék azonosítását, amelyek azonos módon megtalálhatók egynél több genomban. Ez lehetővé tette a prokarióta fehérje nevek kezelésének továbbfejlesztett stratégiáját is. Ezek a nem redundáns feljegyzések egyedi prokarióta fehérjeszekvenciákat képviselnek, amelyek függetlenek egy adott baktérium genomjától, és több törzsre vagy fajra is feljegyezhetők (www.ncbi.nlm.nih.gov/refseq/about/nonredundantproteins/).

történelmileg a RefSeq bakteriális genomok annotációját az INSDC beadványaiból szaporították, ha rendelkezésre állnak, vagy az NCBI prokarióta Genom annotációs csővezetékének különböző verzióival generálták (amelyet a GenBank beadványok). Ez felhalmozódott következetlenségeket eredményezett mind a szerkezeti, mind a funkcionális annotációban a RefSeq prokarióta adatkészletben. Az elmúlt két évben az NCBI továbbfejlesztette a prokarióta Genom annotációs csővezeték számos aspektusát a kapacitás növelése és az annotációs szabályok további egységesítése érdekében. Vezetékünk egy génhívó algoritmust, a GeneMarkS+ (49,50) kombinál egy összehangoláson alapuló géndetektálási megközelítéssel, és képes mind a teljes, mind a vázlatos WGS genomok megjegyzésére. A csővezeték jelenleg előrejelzi a fehérjét kódoló géneket, a strukturális RNS-eket (5S, 16S és 23S), a tRNS-eket és a kis, nem kódoló RNS-eket.

2015-ben kiadtunk egy átfogó annotációs frissítést a RefSeq prokarióta genomokhoz annak érdekében, hogy harmonizáljuk a genom annotációt és befejezzük az új fehérje adatmodellre való áttérést. Egy új prokarióta fehérje név adatbázist, név specifikációkat és egy bizonyítékokon alapuló stratégiát dolgoztak ki, és jelenleg a telepítés folyamatban van. Eddig, felett 3 millió fehérjerekord frissítette a neveket a megközelítés kezdeti bemutatásakor. Az új prokarióta adatmodell jelentős előnyt kínál a névkezelésben, mivel a fehérje nevét a fehérje szekvenciarekorddal együtt hordozzák; a név frissítése ezen a fehérjerekordon azt eredményezi, hogy a frissítés automatikusan továbbterjed az összes olyan genomra, amelyet az adott csatlakozási számmal jelölnek.

a RefSeq prokarióta genomokat számos új kategóriába sorolják, mint például a referencia genomok és a reprezentatív genomok, amelyek kurált attribútumokon és összeszerelési és annotációs minőségi méréseken alapulnak (www.ncbi.nlm.nih.gov/refseq/about/prokaryotes/) (51). A referencia genomok kézzel kiválasztott’ gold standard ‘ teljes genomok, kiváló minőségű annotációval és a strukturális és funkcionális annotáció legmagasabb szintű kísérleti támogatásával. Jelenleg egy 122 referencia genomból álló kis adatkészletet manuálisan kommentálnak az együttműködő csoportok és az NCBI munkatársai. A referencia genomok a következő címen érhetők el: http://www.ncbi.nlm.nih.gov/genome/browse/reference/. A reprezentatív genomokat számítási szempontból kiszámítják és kiválasztják a különböző fajok képviseletére. A reprezentatív genomok a következő címen érhetők el: www.ncbi.nlm.nih.gov/genome/browse/representative/.

RefSeq prokarióta Genom adatok elérhetők a BLAST adatbázisokban, webes erőforrásokban (Assembly, BioProject, Genome, Nucleotide and Protein), az NCBI programozási segédprogramjain keresztül, vagy letölthetők a genomokról vagy a refseq FTP helyekről. Egy egyedi ‘mikrobák’ BLAST oldal, amely a BLAST kezdőlapjáról érhető el, lehetőséget kínál az összes RefSeq prokarióta Genom, a referencia és a reprezentatív Genom részhalmaz keresésére, vagy a keresés egy adott taxonra korlátozására. A prokarióta genomok egy részét NCBI Génazonosítóval jegyzik fel, és az NCBI Génforrásából vagy a gén FTP helyéről lehet letölteni. Az archaea esetében ez a legteljesebb genomokra vonatkozik. A baktériumok esetében ez a referencia-genomokra, valamint a legalább 10 genommal rendelkező fajok reprezentatív genomjaira vonatkozik.

prokarióta célzott lokuszok

a prokariótákban a 16S riboszomális RNS szekvencia standard molekuláris markerré vált egy új faj leírásához. Bár ezek a marker szekvenciák széles körben használatosak, a szekvenciaadatok minősége és a kapcsolódó metaadatok az INSDC adatbázisokba történő benyújtása jelentősen eltér. Felismerve a kiváló minőségű adatokhoz való hozzáférés fontosságát ezekhez a markerekhez, az NCBI kibővítette célzott loci projektjét, hogy naprakész forrást biztosítson a kurált adatokhoz. A célzott loci projekt jelenleg közel 18 000 16S riboszomális RNS referencia szekvenciát tart fenn, amelyek több mint 95% – a típusú törzsekből származik. A típustörzseket tekintik a faj példájának, és alapvető fontosságú, hogy a típustörzs-adatokat helyes metaadatokkal jelöljék, és szennyeződéstől mentesek legyenek.

Ez a munka magában foglalta az alapul szolgáló taxonómiai adatbázis kimerítő áttekintését és frissítését, amelyet az NCBI típusú törzs Entrez szűrőjével együtt használtak a jelölt szekvenciák lekérésére. A szekvenciaadatokat és a hozzájuk tartozó taxonómiai/metaadatokat felülvizsgálták és korrigálták, hogy a legfrissebb információkat tartalmazzák. Ha egy szekvencia nem sikerült érvényesíteni, vagy nem lehetett pontosan érvényesíteni, kizárták. Ezek a referenciaszekvenciák mostantól aranystandardként használhatók a meglévő és új rRNS szekvenciák elemzéséhez.

bakteriális és Archeális 16S rRNS adatkészletek állnak rendelkezésre a BioProject-től (prjna33175 és PRJNA33317). Egy egyedi BLAST adatbázis is rendelkezésre áll (’16S riboszomális RNS szekvenciák (baktériumok és Archaea)’).

vírusok

a vírusok RefSeq adatmodellje eltér a többi organizmus adatmodelljétől. Általában minden vírusfajhoz csak egy teljes RefSeq Genom jön létre. Esetenként több RefSeq rekordot hoznak létre egy adott vírusfajon belül, hogy jól meghatározott genotípusokat vagy fontos laboratóriumi és/vagy vad törzseket tükrözzenek. Egy adott faj esetében további genomokat validálnak a taxonómia és a teljesség szempontjából, majd indexálják a ‘szomszédok’ szekvenciaként (52). Mind a RefSeq, mind a szomszédos genomok visszakereshetők a speciális vírusgenom erőforráson (http://www.ncbi.nlm.nih.gov/genome/viruses/), valamint az Entrez nukleotid-és Genomoldalakról a “RefSeq Genom a fajok számára” és az “egyéb INSDC Genomszekvenciák” linkek segítségével (52).

a taxonómia komoly aggodalomra ad okot a vírusgenomika szempontjából, mivel 3186 vírusfajt ismer el hivatalosan a vírusok taxonómiájának Nemzetközi Bizottsága (ICTV) (53), valamint 4834 teljes genom áll rendelkezésre mind hivatalos, mind ideiglenes vírusfajokból az INSDC adatbázisaiból. Az NCBI Pairwise Sequence Comparison (PASC) eszközt azért fejlesztették ki, hogy segítse a vírusgenomok osztályozását a genomok közötti globális és/vagy helyi igazítások alapján (http://www.ncbi.nlm.nih.gov/sutils/pasc/). Az eszköz alkalmazási körét számos víruscsaládra és más rendszertani csoportra kiterjesztették, és az új rendszertani kritériumok (54-57) elhatárolásának elősegítésére használták.

egy másik felmerülő probléma a vírusgenomikában az inkonzisztens és/vagy pontatlan annotáció a kapcsolódó vírusgenom szekvenciák között. Ez a kérdés gyakran tükrözi az eltérő annotációs folyamatokat és a folyamatban lévő kísérleti munkát, és zavart okozhat az adatfogyasztók között, és megnehezítheti a genomok közötti összehasonlító elemzést. Ezt a problémát az NCBI Vírusvariációs erőforrás (http://www.ncbi.nlm.nih.gov/genome/viruses/variáció/) kezeli, ahol számítási csővezetékeket alkalmaznak több vírus naprakész, szabványosított annotációjának biztosítására (58). Jelenleg ezek a csővezetékek kiszámítják a standardizált gén-és fehérjehatárokat az összes influenzavírus, A Dengue-vírus és a nyugat-nílusi vírusszekvencia, valamint a standardizált gén-és fehérjenevek és metaadat-kifejezések számára ezekre és két másik vírusra, a Közel-Keleti légúti koronavírusra és az Ebolavírusra. Ezt a szabványosított adatot ezután egy speciális, metaadat-központú Keresési felületen használják fel, amely megkönnyíti a szekvenciák egyszerű visszakeresését meghatározott biológiai kritériumok alapján.

A naprakész, széles körben elfogadott annotációs szabványok fenntartása folyamatos együttműködést igényel a nagyobb tudományos közösséggel. Az NCBI vírusgenom annotációs munkacsoportot azért hozták létre, hogy kihasználja a nyilvános adatbázisok konzorciumait, szekvenáló központokés kutatócsoportok standardizált szekvencia annotáció kidolgozására, valamint izolálja a vírusok különböző csoportjainak elnevezési sémáit (59-63). Ez a megközelítés nem csak szabványokat állapít meg a vírus annotációjára, hanem ezeket a szabványokat is képviseli a jelenlegi RefSeq rekordban, biztosítva az összes adatbázis-felhasználó és beküldő számára a hozzáférést. Hasonló együttműködésre van szükség a hozzáadott érték, értelmező erőforrások, például a HIV-1, az emberi interakciós adatbázis támogatásához is (http://www.ncbi.nlm.nih.gov/genome/viruses/retrovírusok/hiv-1/interakciók/) (64). A déli Kutatóintézet munkatársai dokumentált HIV-1-et, az irodalomból kurált humán molekuláris kölcsönhatásokat nyújtanak, az NCBI pedig felhasználóbarát erőforrást tart fenn, ahol a felhasználók lekérdezhetik az interakciók meghatározott típusait, és további információkat találhatnak az érintett génekről.

jövőbeli irányok

a RefSeq projekt egyedülálló az átiratok, fehérjék és genomok referencia szekvencia-adatkészletének kínálatában, amely magában foglalja az élet minden királyságát, és az idő múlásával aktívan karbantartották és frissítették a továbbfejlesztett számítási stratégiák, az új adattípusok és az új ismeretek beépítése érdekében. Bizonyítottuk, hogy képesek vagyunk reagálni az INSDC adatbázisokba beküldött szekvenált genomok számának közelmúltbeli gyors növekedésére. Különböző politikákat és stratégiákat határoztunk meg az eukarióta, prokarióta és vírusfajok kurálására és kommentálására, hogy kielégítsük a szervezetspecifikus közösségek különböző igényeit. A RefSeq adatkészletet széles körben használják referenciaszabványként számos különböző elemzéshez, beleértve az emberi és kórokozó klinikai alkalmazásokat, az összehasonlító genomikát, az expressziós vizsgálatokat, a szekvencia variáció értelmezését, valamint mind a tömb, mind a szonda felépítését. Az NCBI-nél a RefSeq adatkészlet több erőforrásba van integrálva, beleértve az Assembly, BLAST, Epigenomics, Gene (ahol a RefSeq annotáció a legtöbb Génbejegyzés elsődleges alapja), Genome, Dbsnp, dbVar, Variation Viewer stb.

továbbra is a kézi kurációt célozzuk meg az emberi és más gerinces genomok szerkezeti és funkcionális információinak javítása érdekében. Konzervatív kézi kurációs megközelítésünk biztosítja az emberi, egér és más ismert RefSeq rekordok folyamatos magas minőségét és megbízhatóságát, amely azoknak az igényeit szolgálja, akiknek szükségük van az alternatív exonok jól támogatott meghatározására (kevesebb hamis pozitív). Az RNS-Seq adatok hozzáadása az annotációs csővezetékünkhöz jelentősen megnövelte az alternatív splice variánsok mint modell Refseq-k megjegyzését, hogy kielégítsük azok igényeit, akik átfogóbb, de még mindig jól támogatott, az exome meghatározása (kevesebb hamis negatív). Míg mind az ismert, mind a modell Refseq-k jelentik a sorozatrekord alátámasztó bizonyítékait, erre külön megközelítéseket alkalmaznak. A jövőbeni erőfeszítések a bizonyítékok jelentésének harmonizálására irányulnak mind az ismert, mind a modell referencia-kérdések tekintetében, hogy a felhasználók könnyebben azonosíthassák ezeket az információkat. A közeljövőben egy új adattípust is hozzáadunk az emberi és egér RefSeq gyűjteményhez, hogy bemutassuk a kísérletileg jelentett szabályozási és funkcionális elemeket ismert (vagy ésszerűen következtetett) funkcionális következményekkel.

a prokarióta genomok esetében folytatjuk a prokarióta Genom annotációs csővezeték által generált szerkezeti annotáció szempontjainak finomítását. A funkcionális információk kezelésének új megközelítésére irányuló munkánk még mindig finomítás alatt áll, és máshol ismertetjük. Arra számítunk, hogy a teljes RefSeq prokarióta genomok adatkészletét újra feljegyezzük, amikor a prokarióta annotációs csővezeték új verziói elérhetővé válnak (a strukturális annotáció javítása érdekében). Az a döntés, hogy az összes RefSeq prokariótát egyetlen módszerrel kommentálják, ezen adatkészlet puszta mennyiségével együtt, más megközelítést igényel, amely több bizonyítékforrást használ fel a funkcionális információk biztosításához. A fehérjeneveket folyamatosan frissítik, a fehérjecsaládok vagy a bizonyítéktípus kategóriái szerint. A következő évre vonatkozó céljaink közé tartozik az Rfam (65) nagyobb mértékű integrálása az annotációs folyamatba, a kibővített együttműködés, a jobb fehérjenevek és a támogató bizonyítékok jelentése a fehérje szekvenciarekordon.

szeretnénk köszönetet mondani a tudományos közösségnek az elmúlt 15 év konstruktív visszajelzéseiért, javaslataiért, hibajelentéseiért és együttműködéseiért, amelyek hozzájárultak a bemutatott szekvencia minőségéhez és pontosságához, a szerkezeti kommentárhoz és a funkcionális kommentárhoz.

finanszírozás

az NIH Nemzeti Orvostudományi Könyvtárának intramuralis kutatási programja. A nyílt hozzáférési díj finanszírozása: a Nemzeti Egészségügyi Intézetek intramuralis kutatási programja, Nemzeti Orvostudományi Könyvtár.

összeférhetetlenségi nyilatkozat. Nincs bejelentett.

et al.

div>

et al.