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

de dramatische daling van het aantal plasmide eiwit records, en dus van het aantal totale toetredingen, weerspiegelt de voltooiing van een RefSeq bacteriële genoom re-annotatie project (http://www.ncbi.nlm.nih.gov/refseq/over/prokaryoten/reannotatie/) en de goedkeuring van het nieuwe gegevensmodel voor prokaryoten, met inbegrip van hun plasmiden. In dit nieuwe gegevensmodel kan een enkele RefSeq niet-redundante eiwittoetreding worden geannoteerd op meer dan één genomische sequentierecord wanneer de vertaling van die genomische eiwitcoderende regio ‘ s resulteert in een identiek eiwit (zie http://www.ncbi.nlm.nih.gov/refseq/over/nonredundantproteïnen/). De redundantie in alle bacteriële proteã nen verminderde ook beduidend; nochtans, is het hier niet duidelijk toe te schrijven aan voortdurende significante verhogingen van het aantal bacteriële genomen die in de dataset worden opgenomen. Deze veranderingen resulteerden ook in een algemene daling van het aantal archaeal eiwit records.

gewervelde dieren

een selecte groep gewervelde dieren, waaronder Homo sapiens, mus musculus, Rattus norvegicus, Gallus gallus, Bos taurus en Danio rerio zijn de belangrijkste focus van onze transcript – en literatuur-gebaseerde handmatige curatie inspanningen. Curatoren werken over het algemeen aan de hand van lijsten van genen met gegevensconflicten die zijn vastgesteld door kwaliteitsborgingstesten (QA), waarvan sommige eerder werden beschreven (12). Zij volgen een gedetailleerde reeks richtlijnen wanneer het analyseren van elk gen om dwars-persoonsconsistentie in de samengestelde dataset te verzekeren. Deze analyse impliceert diepgaande opeenvolgingsevaluatie en literatuuronderzoek om verwijzingstranscripten, proteã nen, pseudogenes en RefSeqGene verslagen tot stand te brengen. RefSeq-curatoren genereren transcript-varianten, lossen sequentiefouten op, verwijderen onnauwkeurige informatie, werken records bij om de biologie van de locus correct weer te geven en voegen waardevolle functionele informatie toe aan sommige RefSeq-records, zoals verbeterde eiwitnamen, een samenvatting van de functie van het genproduct, functionele kenmerken van het gen en/of relevante publicaties. Handmatige curatie en literatuuronderzoek door de RefSeq-groep kunnen resulteren in de representatie van unieke varianten en isovormen die niet voorspeld zouden worden wanneer uitsluitend gebaseerd op computationele analyse. Bijvoorbeeld, literatuurstudie van het menselijke tumor suppressor gen, PTEN (phosphatase and tensin homolog, GeneID: 5728) onthulde het bestaan van een langere eiwitisovorm als gevolg van het gebruik van een alternatief in-frame upstream CUG initiatie codon gevonden in het centrum van een palindromische sequentie stroomopwaarts van de canonieke mRNA vertaling start codon (13). Sterke experimentele gegevens gaven aan dat deze mitochondriale-specifieke isovorm initieert met een leucine, in plaats van een methionine (14). Het RefSeq datamodel voor eukaryotes verstrekt één transcript expliciet verbonden aan één proteã ne. Daarom werden twee identieke transcript records verstrekt om vertaling van de alternatieve initiatiecodons te weerspiegelen; np_000305. 3 vertegenwoordigt het 403 aminozuurproteã ne dat het canonieke methionine begincodon gebruikt, terwijl NP_001291646.2 vertegenwoordigt het mitochondriaal-gelokaliseerde 576 aminozuurproteã ne dat met een leucine initieert. Aldus, dient het curatieproces een dubbel doel om nauwkeurige referentieopeenvolgingen te verstrekken die nauwkeurige en reproduceerbare genoomannotatie vergemakkelijken en verslagen verstrekken die relevante biologische informatie omvatten. In deze sectie bespreken we recente updates, verbeteringen die we hebben aangebracht in ons handmatige curatieproces en voorbeelden van gerichte curatieprojecten.

RefSeqGene project

Het RefSeqGene-subproject definieert menselijke genomische sequenties die moeten worden gebruikt als referentiestandaarden voor goed gekarakteriseerde genen, in het bijzonder voor gebruik door de klinische genetica-gemeenschap. Deze sequenties dienen als een stabiele basis voor het rapporteren van pathogene varianten, voor het vaststellen van conventies voor het nummeren van exons en introns, en voor het definiëren van de coördinaten van andere varianten. Elk RefSeqGene-verslag richt zich op een gen-specifiek genomisch gebied en wordt typisch geannoteerd met een subset van RefSeq-afschriften en proteã nen die door domeinexperts worden geselecteerd. Deze selecties bepalen exon functies. Alignments van oudere versies van de canonieke RefSeq transcript/eiwit, evenals andere bekende RefSeqs, zijn opgenomen. Deze verslagen omvatten typisch 5 kilobases (kb) van opeenvolging stroomopwaarts van het focusgen, en 2 kb van opeenvolging stroomafwaarts, om vertegenwoordiging van potentiële regelgevende plaatsen of schrappingen te steunen die voorbij de geneigenschap uitbreiden. Een RefSeqGene-verslag kan annotatie-informatie voor andere genen bevatten die zich binnen zijn grenzen bevinden. RefSeqGene records worden in eerste instantie beoordeeld door locus – specifieke databases en NCBI medewerkers. RefSeqGene is lid van de lrg collaboration (7) die aanvullende beoordeling van de sequentiegegevens verstrekt alvorens een lrg-toetreding toe te voegen. Een recente werk focus breidde het aantal RefSeqGene records om alle genen waarvoor ten minste twee klinische tests zijn ingediend bij de NIH Genetic Testing Registry (GTR) vertegenwoordigen. Op dit moment zijn er 5596 RefSeqGene records, waarvan 633 een lrg toetreding hebben. RefSeqGene records kunnen worden opgehaald door te zoeken in de Nucleotide database met ‘refseqgene’ , door hun lrg toetredingen, door te bladeren op de RefSeqGene website (www.ncbi.nlm.nih.gov/refseq/rsg/), of via FTP (ftp://ftp.ncbi.nlm.nih.gov/refseq/H_sapiens/RefSeqGene/).

incorporatie van RNA-Seq en andere gegevenstypen in transcript-based curation

een belangrijk doel van het RefSeq curation project is om transcript-en eiwitreferentiesequenties van hoge kwaliteit en volledige lengte weer te geven. Als zodanig zijn onze curatiecriteria voornamelijk gebaseerd op conventionele transcript (mRNA en ESTs) en eiwituitlijningen en gepubliceerd bewijs. Nochtans, zijn vertebrate transcriptome projecten steeds complexer geworden met de meerderheid van nieuwe transcript gegevens die momenteel door het korte lezen rangschikken van technologie worden geproduceerd. Genoombrede studies naar globale patronen van epigenetische kenmerken die geassocieerd zijn met de promotor leveren ook bewijs van actieve promotors en/of actieve transcriptie. De RefSeq-groep heeft curatiepraktijken aangepast om deze nieuwe gegevenstypen op te nemen om onze handmatige annotatie te verbeteren, in het bijzonder in gevallen waarin een gen of variant overvloedige conventionele transcript-ondersteuning mist. Deze RNA-Seq en epigenomic studies hebben enorme datasets geproduceerd die een uitdaging voor de groepen van de genannotatie voorstellen bijvoorbeeld door potentiële valse positieven en het gebrek aan steun voor combinaties van exon over lange afstand (15). RefSeq-curatoren beperken zich tegen valse positieven door selectief alleen datasets van hoge kwaliteit te integreren voor overweging in onze genoomannotatiepijplijn en in het handmatige annotatieproces. RefSeq-curatoren visualiseren transcript alignments, variatiegegevens en gefilterde RNA-Seq-gegevens in aangepaste displays binnen een intern uitlijningprogramma dat is opgenomen in het NCBI Genome Workbench-platform (http://www.ncbi.nlm.nih.gov/tools/gbench/). De curatie van menselijke genen gebruikt geanalyseerde RNA-Seq leest van Illumina BodyMap 2 (BioProject: PRJEB2445) en menselijke Proteã ne Atlas projecten (BioProject: PRJEB4337) (16). Daarnaast gebruiken curatoren promotor-geassocieerde Histon modificatiemarkeringen zoals H3K4me3 van het NIH Roadmap Epigenomic Mapping Consortium (REMC; (17) en het ENCODE (Encyclopedia of DNA Elements) project (18) om de aanwezigheid van een actieve promotor te verifiëren. RefSeq-curatoren evalueren ook polyA-seq-gegevens om 3′ volledigheid van afschriften te bevestigen die een Polya-staart missen (19). Aanvullende gegevenstypen, waaronder PhyloCSF (20), CpGIslands, RepeatMasker (21) en Cap analyse van genexpressie (CAGE) data (22), worden soms gebruikt als extra ondersteuning.

Lange niet-coderende RNAs (lncRNAs)

De RefSeq-groep blijft aanzienlijk uitbreiden op de representatie van niet – coderende structurele-en micro-RNAs, getranscribeerde pseudogenes, en de grotendeels niet-gekarakteriseerde lncRNAs. Deze klasse van genen wordt over het algemeen gedefinieerd als transcripten >200 nt lang die een sterk eiwitcodeerpotentieel missen (23). lncRNA RefSeq records worden gegenereerd door curation en door de eukaryotic genome annotation pipeline voor lncRNA genen. NCBI onderhoudt momenteel meer dan 540 000 eukaryotische lncRNA RefSeq records, waarvan meer dan 6700 zijn samengesteld en slechts een paar honderd zijn functioneel gekarakteriseerd. Van deze, zijn velen betrokken bij menselijke ziekte, zoals BACE1-zoals die een rol in de pathofysiologie van de ziekte van Alzheimer kan spelen, en hete lucht die met veelvoudige kanker (24,25) is geassocieerd. De overgrote meerderheid van de lncRNA ‘ s hebben Onbekende functies en de afwezigheid van lange open leesframes vormt een uitdaging in termen van het bevestigen van de volledigheid van het transcript. Bovendien, lncRNA inzendingen aan het INSDC zijn grotendeels gebaseerd op TSA ‘ s van korte gelezen datasets die artifactuele exon combinaties kunnen omvatten. RefSeq curatoren nemen een conservatieve benadering van het vertegenwoordigen van lncRNA genen, alleen handmatig creëren RefSeqs (met een NR_ toetreding prefix)voor hoge kwaliteit transcripten waarvoor we enige zekerheid van de exon structuur. Idealiter, zou de transcript steun met minstens drie exons moeten worden verbonden maar twee-exon en intronless transcripten kunnen worden vertegenwoordigd als zij door promotor-geassocieerde epigenomics, poly(a) bewijsmateriaal, extra cDNAs, en/of RNA-Seq gegevens worden gesteund. RefSeq lncRNA records voor niet-coderende genen kunnen worden opgehaald uit NCBI ‘ s Nucleotide database met behulp van de zoekstring ‘biomol ncrna lncrna’ en het selecteren van de RefSeq filter uit de linker kolom.

functionele annotatie

de unieke bijdrage van gecureerde eukaryotische RefSeq transcript records is dat ze functionele informatie integreren met een referentiesequentie. RefSeq curation staff voegt gensamenvattingen, nomenclatuur, transcript variant tekst, gen en sequentie attributen, en functionele kenmerken die beschikbaar zijn op de RefSeq record en/of via de Gen resource (http://www.ncbi.nlm.nih.gov/gene). In het afgelopen jaar, hebben de medewerkers van RefSeq verscheidene diepgaande annotatieprojecten nagestreefd, waarvan sommige kort in de volgende paragrafen worden beschreven, om functionele gegevens aan specifieke reeksen genen toe te voegen waar de computationele hulpmiddelen biologische kennis niet nauwkeurig kunnen vertegenwoordigen. Deze projecten omvatten annotatie van antimicrobial peptides, endogene retroviruses, replicatie-afhankelijke histones, regelgevende uORFs, en antizymes.

antimicrobiële peptiden (AMPs)

versterkers waren een recente curatie focus (http://ncbiinsights.ncbi.nlm.nih.gov/2015/05/21/) (26). De versterkers zijn natuurlijk-voorkomend peptides die in een diverse reeks species worden gevonden en in vele immune rollen met inbegrip van bactericidal, antiviral, schimmeldodende en zelfs antitumoractiviteiten zijn betrokken. Een lijst van meer dan 130 menselijke genen coderen een of meer experimenteel bewezen versterkers werd verzameld uit verschillende publiek beschikbare AMP datasets en ook gedolven uit publicaties. De meeste van deze versterkers waren niet eerder geà dentificeerd in het RefSeq-gegevensbestand, en geen van de ampèregegevensbanken verbond de peptides aan hun het coderen gen. RefSeq curatoren handmatig geannoteerde de RefSeq records voor elke AMP-codering menselijke genen om ervoor te zorgen dat de functionele peptide werd geannoteerd, een publicatie waarin de antimicrobiële activiteit van de peptide, voor het toevoegen van een korte samenvatting beschrijving van de antimicrobiële activiteit van de gecodeerde AMP, en voor het opslaan van een nieuwe RefSeq kenmerk ‘Eiwit heeft antimicrobiële activiteit’, die is opgenomen in de RefSeq kenmerk gestructureerd commentaar (bijv. NM_001124.2 voor ADM; GeneID: 133). Om toegang te krijgen tot alle van de gecureerde menselijke transcript of eiwit AMP records, doorzoek de nucleotide of eiwit database met behulp van ‘eiwit heeft antimicrobiële activiteit’. Momenteel zal dit onderzoek 191 RefSeq verslagen, met inbegrip van lasvarianten en eiwitisovormen vinden.

endogene retrovirussen (ERVs)

endogene retrovirussen (ERVs) zijn genomische loci die zijn afgeleid van de voorouderlijke insertie van een exogeen retrovirus in het gastheergenoom. ERV loci zijn over het algemeen buiten het bereik van RefSeq; echter, we annoteren full-length ERV eiwitcoderende loci die in kaart brengen naar een enkele genomische locatie als ze zijn geëvolueerd om een gastheer functie te dienen, worden geassocieerd met een bekende ziekte, en/of als ze zijn toegewezen nomenclatuur door een officiële nomenclatuur Comité. Ongeveer 8% van het menselijk genoom is van retrovirale oorsprong (27); echter vanwege hun oude oorsprong hebben de meeste menselijke ERV loci nonsensmutaties verzameld en kunnen ze niet langer een eiwit coderen. De syncytine-eiwitten, die betrokken zijn bij de ontwikkeling van de placenta (28), zijn hier een bekende uitzondering op. Menselijke syncytine-1-en syncytine-2-eiwitten worden gecodeerd door de genen ERVW – 1 (NM_001130925.1, NM_014590.3) en ERVFRD-1 (NM_207582.2). Tot op heden hebben we 67 Refseq ‘ s gemaakt voor ERV loci, waaronder records die ERV-genen van een diverse reeks zoogdieren weergeven. Een nieuwe RefSeq attribuut categorie getiteld ‘endogeen retrovirus’ werd gemaakt voor deze records en verschijnt in een gestructureerde commentaar op de RefSeq record. Deze verslagen kunnen uit het Nucleotidegegevensbestand worden teruggehaald door ‘endogeen retrovirus ’te zoeken.

Replicatieafhankelijke histonen

tijdens de celdeling is een snelle synthese van histon-mRNAs vereist om grote hoeveelheden Histon-eiwitten te produceren. Cruciaal voor dit proces zijn de replicatie-afhankelijke histongenen die upregulated tijdens de G1/S fase van celcyclus (29). Een specifiek RefSeq project werd uitgevoerd met als doel de volledige set van replicatie-afhankelijke histone eiwit codering genen in mens en muis te cureren. Deze genen hebben een canonieke 3 ‘ histone stroomafwaarts element(HDE) opeenvolging in de genomic opeenvolging en de resulterende Rijpe mRNAs kenmerkend missen poly (a) staarten en in plaats daarvan beëindigen kort na een stam-lijnstructuur van RNA (30). Het HDE-element is te vinden op de precursor transcript, maar is niet opgenomen in de verwerkte transcript vertegenwoordigd door RefSeq. De plaats van de behouden 16 nucleotide stam-loop structuuropeenvolging wordt vermeld op het RefSeq-verslag als kenmerkende annotatie getiteld ‘stam-loop’. Een voorbeeld is te zien op de RefSeq entry NM_003539. 3 voor HIST1H4D (GeneID: 8360). Tot op heden zijn 127 humane en muizenreplicatie-afhankelijke histone RefSeq-records samengesteld en een RefSeq-attribuut toegevoegd dat kan worden gebruikt om deze records uit de Nucleotidedatabase op te halen met behulp van de zoekstring ‘replicatie-afhankelijke histone’.

Regulatory upstream open reading frames (uORFs)

vertaling van een upstream open reading frame (uORF) kan de vertaling van het primaire eiwitcoderende open reading frame (pORF) negatief beïnvloeden (31). Dit effect zwijgt niet altijd volledig porf-vertaling en kan afhankelijk zijn van celtype, ontwikkelingsstaat of Cellulaire conditie. Daarom, hoewel uORFs kan worden voorspeld uit de zes-frame vertaling van een transcript, het regelgevende effect van dit element moet worden bepaald door middel van experimentele validatie. RefSeq-curatoren beoordeelden de literatuur om transcripten met experimenteel bewijs van regulerende uORFs te vinden en bijgewerkte de bijbehorende RefSeq transcript records om een misc_feature toe te voegen die de locatie van deze uORFs aangeeft. Een voorbeeld is de RefSeq entry NM_000392.4 voor ABCC2 (GeneID: 1244). Een nieuwe RefSeq-attribuutcategorie met de titel ‘regulatory uORF’ werd gecreëerd en verschijnt in een gestructureerd commentaar op deze RefSeq-records. Zowel de geannoteerde functie als het attribuut citeren de ondersteunende publicatie door PubMed ID. Tot op heden zijn 260 records geannoteerd met deze eigenschap en deze records kunnen worden opgehaald uit de Nucleotide database door te zoeken naar ‘regulatory uORF ‘

Antizyme genen

Eén van de doelstellingen van het RefSeq-project is om genen met een uitzonderlijke biologie weer te geven die niet de standaard decoderingsregels van eiwitsynthese volgen. Het ornithine decarboxylase antizyme gen is zo ‘ n voorbeeld, waar een geprogrammeerd +1 ribosomaal frameshifting mechanisme optreedt en niet kan worden voorspeld door conventionele computationele tools. Een reeks vertebrate antizyme transcript en eiwitverslagen waren onlangs het onderwerp van een handannotatie-inspanning om normen tot stand te brengen om annotatie van deze genproducten door de eukaryotic genoomannotatiepijplijn (32) te verbeteren. De RefSeq records werden handmatig geannoteerd met de split CDS functie om ribosomale slippen weer te geven, en omvatten een ‘ribosomale slippen’ attribuut met gepubliceerd bewijs, diverse diverse functie annotaties (zoals de locatie van de frameshift site) en een korte samenvatting die de functie en nieuwe eigenschappen van het gen beschrijft (bijvoorbeeld NM_139081.2). Deze verslagen kunnen uit of het Nucleotide of Eiwitgegevensbestand met de zoekopdracht worden teruggehaald: gewervelde dieren refseq ribosomal slippen antizyme. Deze zoektocht vindt momenteel 242 RefSeq records (NM of NP), die transcript varianten en eiwit isovormen omvat.

ongewervelde soorten

Ongewervelde soorten vertegenwoordigen de overgrote meerderheid van de bestaande metazoën (33); echter, slechts een relatief klein aantal wordt vertegenwoordigd door gesequenced genomen. Dit ondanks het feit dat veel soorten een kritisch biomedisch belang hebben, zoals Anopheles gambiae, een vector voor malaria en Biomphalaria glabrata, een vector voor schistosomiasis (34,35). Andere ongewervelde dieren zoals Apis mellifera, Bombyx mori en Crassostrea gigas hebben een aanzienlijke commerciële waarde (36-38). De RefSeq-groep heeft inspanningen geleverd om het aantal en de omvang van in de dataset vertegenwoordigde ongewervelde genomen te vergroten door annotatie via de eukaryotische genoomannotatiepijplijn te verstrekken of door annotatie van INSDC-inzendingen op de RefSeq-kopie van die genomen te propageren. Voor beide processtromen zijn we afhankelijk van de publieke beschikbaarheid van hoogwaardige genomen in INSDC databases en NCBI ‘ s Assembly database (www.ncbi.nlm.nih.gov/assembly tot op heden zijn 46 ongewervelde genomen geannoteerd door NCBI, waaronder representatieve soorten insecten, spinachtigen, weekdieren en basale akkoorden. We verwachten een significante uitbreiding van het aantal insecten en andere ongewervelde genomen geannoteerd als gevolg van genoominitiatieven zoals de i5k (39), 1KITE (1k Insect Transcriptome Evolution, http://www.1kite.org/) en de Global Invertebrate Genome Alliance (http://giga.nova.edu/) (40).

planten

RefSeq blijft de diversiteit van plantensoorten in de dataset vergroten. Tot op heden zijn 61 plantensoorten opgenomen in de RefSeq genomen dataset (ftp://ftp.ncbi.nlm.nih.gov / genomen / refseq / plant/) waarvan 33 soorten zijn geannoteerd via de eukaryotische genoomannotatiepijplijn; de rest zijn RefSeq-kopieën van geannoteerde genomen die bij het INSDC zijn ingediend. In de toekomst zullen meer planten genomen geselecteerd voor RefSeq opname worden verwerkt door de eukaryote annotatie pijplijn, in plaats van het propageren van annotatie uit de INSDC indiening. Dit is een verandering van beleid voor de RefSeq plant genomen en zal resulteren in een grotere algemene consistentie van plant annotatie data binnen de RefSeq dataset. De meerderheid van de RefSeq transcripten en eiwitten die beschikbaar zijn voor plantensoorten zijn ‘model’ records (Xm_, XP_ en XR_ toetredingen; Tabel 1), met een kleinere subset van ‘bekende’ records (NM_, NR_, NP_) die onafhankelijk van het annotatieproces worden gehandhaafd door een combinatie van geautomatiseerde verwerking en handmatige beoordeling. Voor Zea mays en Solanum lycopersicum worden momenteel handmatige curatie van plantaardige transcript-en eiwitgegevens verstrekt. De huidige curatie focus omvat uitgebreide sequentie herziening en is gericht op het oplossen van QA zorgen in de huidige set van transcripten. De foutenresolutie is gericht op het identificeren en verwijderen van chimerische transcripten, redundante transcripten en genen, en het verbeteren van de kwaliteit van de vertegenwoordigde opeenvolging door indels en mismatches Onder het RefSeq transcript, de genomische opeenvolging, en orthologe gegevens te beoordelen. Voor planten streven we ernaar om een gecureerde transcript-en eiwitdataset te leveren die consistent is met de cultivar die is geselecteerd voor genoomsequencing en assemblage. Het curatieprotocol dat wordt gebruikt voor gewervelde gegevens wordt ook gebruikt voor planten. Zo kunnen RefSeq transcript-records worden bijgewerkt om te worden gebaseerd op een andere INSDC-bronreeks, of kunnen ze worden samengesteld uit meer dan één INSDC-sequentierecord om een transcript van de geprefereerde cultivar te leveren. Als INSDC-transcriptgegevens niet beschikbaar zijn voor de genomische cultivar, kan een RefSeq-transcript worden gegenereerd uit de samengestelde genomische sequentie op basis van een combinatie van transcript-of eiwituitlijningen, RNA-Seq en/of gepubliceerde gegevens. Een tweede gebied van nadruk moet het aantal gesteunde bekende eiwit-codeert afschriften en proteã nen verhogen aangezien dit een samengesteld reagens verstrekt dat wanneer het annoteren van andere installatiegenomen kan worden gebruikt. Tot slot maken we meer RefSeqs die splice varianten vertegenwoordigen wanneer er voldoende ondersteunend bewijs is. Deze inspanningen zullen de kwaliteit van de plant RefSeq dataset aanzienlijk verbeteren en zullen bijdragen aan verbeteringen in toekomstige genoomannotaties. De huidige reeks plantgenomen die door de pijpleiding worden geannoteerd, kan worden geraadpleegd op de website van NCBI ‘ s eukaryotic genome annotation pipeline http://www.ncbi.nlm.nih.gov/genome/annotation_euk/all/ met links naar het gedetailleerde annotatierapport en andere bronnen zoals species BLAST en FTP.

algen, schimmels, nematoden en PROTOZOA

de NCBI small eukaryotic genome pipeline is een nieuwe geautomatiseerde pijplijn ontworpen voor het genereren van RefSeq-records als gevolg van directe voortplanting van geannoteerde INSDC-records. De aldus gegenereerde RefSeq-records zijn kopieën van de Genbankgegevens met enkele formaatwijzigingen om aan de RefSeq-vereisten te voldoen. Het meest opvallende verschil tussen het originele INSDC record en het RefSeq record is de toevoeging van het RefSeq transcript product. Hoewel de kleine eukaryotische genoompijplijn niet ontworpen is om de novo genoomannotatie te genereren, trekt deze uit verschillende NCBI eukaryotische genoomannotatiepijplijnmodules en hun code (http://www.ncbi.nlm.nih.gov/books/NBK169439/).

De benaming “kleine eukaryoten” verwijst naar het primaire gebruik van de pijpleiding om RefSeq-genomen te genereren voor relatief kleinere eukaryotische genomen (vergeleken met die van planten en gewervelde dieren) zoals die van algen, protozoa, schimmels, nematoden en sommige geleedpotigen. Echter, sommige grote planten genomen worden ook verwerkt met behulp van deze pijpleiding. Deze pijpleiding verwerkt hoogwaardige assemblages bestaande uit chromosomen en/of steigers en hun componenten. Die assemblages met hoge contig en scaffold N50, hoge kwaliteit sequentie, en redelijk goede INSDC-ingezonden annotatie hebben prioriteit. Deze pijpleiding, die een historische processtroom vervangt die meer handmatige ondersteuning nodig had, heeft pas onlangs een openbare productiefase bereikt en levert al een verhoogd aantal ‘kleine’ eukaryotische genomen op die in RefSeq worden vertegenwoordigd. Er wordt gewerkt aan het optimaliseren van de doorvoer van pijpleidingen en het toevoegen van meer automatisering en het verder minimaliseren van taken voor curatorverwerking. De plannen voor de langere termijn omvatten de implementatie van een systeem voor het beheer van eiwitnamen om de door het INSDC ingediende namen in de loop van de tijd te verstrekken, te corrigeren of te verbeteren. Veel genomen die in werkingsgebied voor de kleine eukaryotes pijplijn zijn kunnen momenteel niet door de (grote) eukaryotic genoomannotation pijplijn wegens taxonomische diversiteit en beperkte beschikbaarheid van transcript gegevens worden verwerkt die nodig zijn om de de novo annotation pijplijn op te leiden.

Fungal target loci

Fungal morfology is zeer divers, variërend van complexe meercellige structuren tot zeer eenvoudige enkele cellen. Een verscheidenheid aan morfologische structuren en sporentypes kan worden geproduceerd door een enkele soort. Omgekeerd produceren veel soorten vergelijkbare morfologie (morfologie), maar zijn in feite genetisch zeer ver verwijderd. Tot voor kort kon een enkele soort geldig worden beschreven met meer dan één binomiale naam op basis van seksuele of aseksuele morphs. In veel gevallen is slechts één morph beschreven en geregistreerd voor een bepaalde soort, hoewel soorten die er nauw mee verwant zijn, verschillende morphs kunnen hebben beschreven en geregistreerd. Bijgevolg zijn sequentievergelijkingen toegepast in de schimmelgemeenschap om onderscheid te maken tussen soorten, om soorten te volgen terwijl ze door complexe levenscycli gaan en om cryptische soorten te identificeren. Als onderdeel van het dynamische proces van taxonomische herevaluatie zijn veel correcties van schimmelsoorten niet altijd up-to-date in GenBank sequentiegegevens.

om een betrouwbaardere bron voor DNA-gebaseerde identificatie te zijn, moeten referentiesequenties afgeleid van typespecimens (die fungeren als referentie voor soorten) worden geëtiketteerd met de juiste en meest recente soortnaam. De Fungi RefSeq gerichte loci databases bieden deze waardevolle bron. PRJNA177353 is bijvoorbeeld een BioProject dat zich specifiek richt op de interne getranscribeerde spacer (ITS) regio ‘ s in de kernribosomale cistron die al vele jaren wordt gebruikt als fylogenetische marker en onlangs is goedgekeurd als de formele barcode sequentie van schimmels (41). De its RefSeq database begon als een samenwerking met Index Fungorum, MycoBank en UNITE, evenals een grote groep taxonomische specialisten. Sequenties werden geselecteerd, meestal uit type specimens van geldige beschrijvingen, en vervolgens werden de huidige correcte soortnamen geassocieerd met de sequenties met het doel om de meeste geaccepteerde schimmelorden weer te geven (8). De resultaten van deze curatie-inspanning zijn gebruikt en Geciteerd door verschillende publicaties (42-46) en hebben extra inspanningen geholpen bij het valideren van subsets van referentiesequenties, bijvoorbeeld medisch significante soorten (47).

Het doel, met voortgezette curatie, is om sequenties toe te voegen uit Nieuw beschreven orden en de representatie uit te breiden tot de meeste geaccepteerde families met een focus op medisch belangrijke schimmels. Het proces omvat ook het maken van correcties, het vervangen van de volgorde van geverifieerd materiaal met de volgorde van het type materiaal als het beschikbaar komt en het bewerken van definitie lijnen of het verwijderen van RefSeq records als taxonomische classificaties veranderingen. Dit zorgt ervoor dat BLAST zoekresultaten correct de huidige naam weer te geven. De RefSeq zijn verslagen zijn uitgebreid om 3.060 opeenvolgingen te vertegenwoordigen die 270 families van 39 klassen vertegenwoordigen. Tijdens de eerste samenwerking zijn RefSeq inspanning, een kleinere set van sequentie toetredingen van de 28S nuclear large subunit ribosomal gen (LSU) werden ook verzameld, maar niet geverifieerd. Een workflow vergelijkbaar met de its record curation proces werd gevolgd en tijdens de voortgezette curation deze LSU records zijn geverifieerd voor sequentiekwaliteit, correcte identificatie, en nauwkeurige brongegevens. Bijna 500 records (van 800 potentiële records) die >vertegenwoordigen 100 families uit 21 klassen werden geverifieerd en onlangs vrijgegeven. De 28S dataset kan worden opgehaald uit BioProject PRJNA51803 (48).

PROKARYOTES

de NCBI RefSeq prokaryotische genoomverzameling vertegenwoordigt geassembleerde prokaryotische genomen met verschillende niveaus van kwaliteit en bemonsteringsdichtheid. Voor prokaryotes, gebaseerd op vroegere gemeenschap terugkoppelt ons huidige beleid is om genoomannotatie voor alle prokaryotic genomen te verstrekken die aan onze kwaliteitscriteria voldoen. In de afgelopen jaren, hebben wij twee belangrijke uitdagingen geconfronteerd: (i) het bijhouden van de snelle escalatie van ingediende prokaryotic genomen; en, (ii) het aanpakken van een groeiende inconsistentie in genoomannotatie toe te schrijven aan het gebruik van zowel een insdc-propagatie-gebaseerde pijplijn en verschillende versies van een NCBI de novo genoomannotatie pijplijn zoals ontwikkeld in de tijd.

met de toenemende belangstelling voor menselijke pathogenen en de vooruitgang van de DNA-sequencingtechnologie, is het aantal gesequenced prokaryotische genomen in de afgelopen tien jaar snel toegenomen. Sommige bacteriële spanningen zijn vaak niet te onderscheiden gebruikend huidige genotyping benaderingen, maar de minder belangrijke genetische verschillen kunnen op basis van geheel-genoom worden ontdekt rangschikkend, die voor het karakteriseren van transmissiewegen, het identificeren van antibiotische weerstand, en het onderzoeken uitbraken nuttig is. Om voedsel-overgedragen ziekteverwekkers of besmettingsuitbarstingen te onderzoeken, zijn de grote aantallen bijna identieke bacteriële genomen gerangschikt en annotated in recente jaren, resulterend in talrijke identieke proteã nen, elk die een verschillend toetredingsaantal hebben. In 2013 introduceerde NCBI een nieuw eiwit data model en toetreding prefix (WP_) voor de RefSeq collectie. Deze verandering verminderde de redundantie in RefSeq prokaryotic proteã nen en vergemakkelijkte identificatie van proteã nen die identiek op meer dan één genoom werden gevonden. Het stond ook voor een betere strategie voor het beheren van prokaryotic eiwitnamen toe. Deze niet-redundante verslagen vertegenwoordigen unieke prokaryotic eiwitopeenvolgingen die onafhankelijk van om het even welk bepaald bacterieel genoom zijn en op veelvoudige spanningen of species kunnen worden geannoteerd (www.ncbi.nlm.nih.gov/refseq/about/nonredundantproteins/).

historisch gezien werd RefSeq bacterial genomes annotation gekweekt uit INSDC-inzendingen, indien beschikbaar, of gegenereerd met behulp van verschillende versies van NCBI ‘ s prokaryotic Genome Annotation Pipeline (die ook wordt aangeboden als een service voor GenBank-inzendingen). Dit resulteerde in geaccumuleerde inconsistenties in zowel structurele als functionele annotatie in de RefSeq prokaryotic dataset. In de afgelopen twee jaar verbeterde NCBI verscheidene aspecten van de prokaryotic pijpleiding van de Genoomannotatie om capaciteit te verhogen en annotatieregels verder te standaardiseren. Onze pijplijn combineert een gen calling algoritme, GeneMarkS+ (49,50), met een alignment-based gen detection approach en is in staat om zowel complete als concept WGS genomen te annoteren. De pijpleiding voorspelt momenteel eiwit-codeert genen, structurele RNAs (5S, 16S en 23S), tRNAs en kleine niet-codeert RNAs.

in 2015 hebben we een uitgebreide annotatie-update voor RefSeq prokaryotische genomen uitgebracht om genoomannotatie te harmoniseren en de overgang naar het nieuwe eiwitgegevensmodel te voltooien. Een nieuw prokaryotic eiwitnaam gegevensbestand, naamspecificaties, en een evidence-based strategie werden ontwikkeld en zijn momenteel in het proces om wordt ingezet. Tot nu toe, hebben meer dan 3 miljoen eiwitverslagen namen in een aanvankelijke demonstratie van de benadering bijgewerkt. Het nieuwe prokaryotic gegevensmodel biedt een significant voordeel aan naambeheer aan aangezien de eiwitnaam met het verslag van de eiwitopeenvolging wordt gedragen; het bijwerken van de naam op dat eiwitverslag resulteert in automatisch het verspreiden van de update aan alle genomen die met dat toetredingsaantal worden geannoteerd.

RefSeq prokaryotische genomen zijn georganiseerd in verschillende nieuwe categorieën, zoals referentie genomen en representatieve genomen op basis van curated attributen en assemblage en annotatie kwaliteitsmaten (www.ncbi.nlm.nih.gov/refseq/about/prokaryotes/) (51). Referentie genomen zijn handmatig geselecteerde ‘gouden standaard’ complete genomen met hoge kwaliteit annotatie en het hoogste niveau van experimentele ondersteuning voor structurele en functionele annotatie. Momenteel wordt een kleine dataset van 122 referentie genomen handmatig geannoteerd door samenwerkende groepen en NCBI staff. De referentie genomen zijn beschikbaar op: http://www.ncbi.nlm.nih.gov/genome/browse/reference/. Representatieve genomen worden computationeel berekend en geselecteerd om diverse species te vertegenwoordigen. De representatieve genomen zijn beschikbaar op: www.ncbi.nlm.nih.gov/genome/browse/representative/.

RefSeq prokaryotische genoomgegevens kunnen worden geraadpleegd in BLAST databases, Web resources (assemblage, BioProject, genoom, Nucleotide en proteïne), via NCBI ’s programmeerprogramma’ s, of kunnen worden gedownload van de genomen of refseq FTP sites. Een aangepaste’ microben ‘ BLAST pagina, toegankelijk vanaf de BLAST home page, biedt opties om te zoeken tegen alle RefSeq prokaryotische genomen, de referentie en representatieve genomen subset, of om de zoekopdracht te beperken tot een specifieke taxa. Een subset van prokaryotic genomen wordt geannoteerd met een Genidentiteitskaart van NCBI en kan in de Genbron van NCBI of van de plaats van Gen FTP worden teruggehaald. Voor archaea is dit voorzien voor de meeste complete genomen. Voor bacteriën, wordt dit verstrekt voor referentie genomen en de representatieve genomen voor species die minstens 10 genoominzendingen hebben.

prokaryotische gerichte loci

in prokaryoten is de 16S ribosomale RNA-sequentie een standaard moleculaire marker geworden voor de beschrijving van een nieuwe soort. Hoewel deze markersequenties op grote schaal worden gebruikt, varieert de kwaliteit van de sequentiegegevens en de bijbehorende metagegevens die aan de INSDC-databases worden verstrekt aanzienlijk. Erkenning van het belang van toegang tot hoogwaardige gegevens voor deze markers, NCBI heeft haar gerichte loci project uitgebreid om een up-to-date bron van gecureerde gegevens te bieden. Het doelgerichte loci-project handhaaft momenteel bijna 18 000 16S ribosomale RNA-referentieopeenvolgingen waarvan meer dan 95% van typestammen zijn. De typestammen worden beschouwd als het voorbeeld van de soort en het is van essentieel belang dat de typestamgegevens worden geannoteerd met correcte metagegevens en vrij zijn van contaminatie.

Dit werk omvatte een uitputtende herziening en actualisering van de onderliggende taxonomiedatabase die in combinatie met het Entrez-filter van NCBI ‘ s typestam werd gebruikt om kandidaat-sequenties op te halen. De sequentiegegevens en de bijbehorende taxonomie/metagegevens zijn herzien en gecorrigeerd om de meest actuele informatie op te nemen. Als een validatie van een sequentie mislukte of niet nauwkeurig kon worden gevalideerd, werd deze uitgesloten. Deze referentieopeenvolgingen kunnen nu als ‘gouden normen’ voor de analyse van bestaande en nieuwe rRNA-opeenvolgingen worden gebruikt.

bacteriële en Archaeale 16S rRNA-datasets zijn beschikbaar uit BioProject (respectievelijk PRJNA33175 en PRJNA33317). Een aangepaste BLAST-database is ook beschikbaar (’16S ribosomale RNA-sequenties (bacteriën en Archaea)’).

virussen

Het RefSeq-gegevensmodel voor virussen verschilt van dat van andere organismen. In het algemeen wordt slechts één volledig RefSeq genoom gecreëerd voor elke virale species. Af en toe worden binnen een bepaalde virale soort meerdere RefSeq-records aangemaakt om duidelijk gedefinieerde genotypes of belangrijke laboratorium-en/of wilde stammen weer te geven. Aanvullende genomen voor een bepaalde soort worden gevalideerd op taxonomie en volledigheid en vervolgens geïndexeerd als sequentie ‘buren’ (52). Zowel RefSeq als neighbor genomen zijn terug te vinden via de gespecialiseerde virale Genoombron (http://www.ncbi.nlm.nih.gov/genome/viruses/) en via Entrez Nucleotide-en Genoompagina ’s met behulp van” RefSeq Genome for Species ” en “Other INSDC Genome Sequences” links (52).

taxonomie is een belangrijk punt van zorg voor virale genomica, aangezien er 3186 virale soorten zijn die officieel zijn erkend door het Internationaal Comité voor taxonomie van virussen (ICTV) (53) en 4834 volledige genomen van zowel officiële als voorlopige virale soorten beschikbaar zijn in de databanken van het INSDC. De NCBI Pairwise Sequence Comparison (PASC) Tool werd ontwikkeld om te helpen bij de classificatie van virale genomen op basis van globale en/of lokale uitlijningen tussen genomen (http://www.ncbi.nlm.nih.gov/sutils/pasc/). Het toepassingsgebied van dit instrument is uitgebreid met een aantal virusfamilies en andere taxonomische groepen, en het is gebruikt om de afbakening van nieuwe taxonomische criteria te ondersteunen (54-57).

een ander opkomende probleem in virale genomica is inconsistente en / of onnauwkeurige annotatie onder Verwante virale genoomsequenties. Deze kwestie weerspiegelt vaak verschillende annotatieprocessen en het lopende experimentele werk en kan tot verwarring onder gegevensconsumenten leiden en vergelijkende analyse tussen genomen moeilijk maken. Dit probleem wordt aangepakt binnen de NCBI Virus Variation Resource (http://www.ncbi.nlm.nih.gov/genome/viruses/variation/) waar computationele pijpleidingen worden gebruikt om up-to-date, gestandaardiseerde annotatie voor verschillende virussen te bieden (58). Momenteel berekenen deze pijpleidingen gestandaardiseerde gen-en eiwitgrenzen voor alle influenzavirus, denguevirus en West-Nijlvirussequenties en gestandaardiseerde gen-en eiwitnamen en metagegevenstermen voor deze en twee andere virussen, het Midden-Oosten respiratory coronavirus en Ebolavirus. Deze gestandaardiseerde gegevens worden dan gebruikt binnen een gespecialiseerde, metadata-centric zoekinterface die de gemakkelijke terugwinning van opeenvolgingen op specifieke biologische criteria vergemakkelijkt.

het handhaven van up-to-date, algemeen aanvaarde annotatienormen vereist voortdurende samenwerking met de grotere wetenschappelijke gemeenschap. De NCBI Viral Genome Annotation Working Group werd opgericht om consortia van openbare databases, sequencing centra en onderzoeksgroepen te benutten om gestandaardiseerde sequentieannotatie te ontwikkelen evenals naamgevingsschema ‘ s voor verschillende groepen virussen te isoleren (59-63). Deze aanpak stelt niet alleen normen vast voor virale annotatie, maar vertegenwoordigt ook deze normen binnen het huidige RefSeq-record, waardoor de toegankelijkheid voor alle databankgebruikers en-indieners wordt gewaarborgd. Soortgelijke samenwerkingen zijn ook nodig om interpretatieve hulpmiddelen met toegevoegde waarde te ondersteunen, zoals de HIV-1, human interaction database (http://www.ncbi.nlm.nih.gov/genome/viruses/retroviruses / hiv-1/ interacties/) (64). Medewerkers van het Southern Research Institute bieden gedocumenteerde HIV-1, menselijke moleculaire interacties samengesteld uit de literatuur en NCBI onderhoudt een gebruiksvriendelijke bron waar gebruikers kunnen vragen naar specifieke soorten interacties en meer informatie over de betrokken genen vinden.

toekomstige richtingen

Het RefSeq-project is uniek in het aanbieden van een referentiesequentiedataset van transcripten, eiwitten en genomen die alle koninkrijken van het leven omvat en actief is onderhouden en bijgewerkt in de loop van de tijd om verbeterde computationele strategieën, nieuwe gegevenstypen en nieuwe kennis op te nemen. We hebben aangetoond dat het vermogen en de capaciteit om te reageren op recente snelle stijgingen in het aantal sequenced genomen ingediend bij INSDC databases. Wij hebben een diverse reeks beleid en strategieën voor de curation en annotatie van eukaryotic, prokaryotic, en virale species gedefinieerd om de verschillende behoeften van organisme-specifieke gemeenschappen te ontmoeten. De RefSeq dataset wordt wijd gebruikt als referentiestandaard voor vele verschillende analyses met inbegrip van menselijke en pathogeen klinische toepassingen, vergelijkende genomica, uitdrukkingsanalyses, de interpretatie van de opeenvolgingsvariatie, en zowel array als sondebouw. Bij NCBI, wordt de RefSeq dataset geïntegreerd in veelvoudige middelen met inbegrip van assemblage, BLAST, Epigenomics, Gen (waar RefSeq annotatie de primaire basis voor de meeste Geningangen is), genoom, dbSNP, dbVar, Variatieviewer, en meer.

We zullen ons blijven richten op handmatige curatie om structurele en functionele informatie voor menselijke en andere gewervelde genomen te verbeteren. Onze conservatieve handmatige curatiebenadering zorgt voor de voortdurende hoge kwaliteit en betrouwbaarheid van de menselijke, muis en andere ‘bekende’ RefSeq-records die tegemoet komt aan de behoeften van degenen die behoefte hebben aan een goed onderbouwde definitie van alternatieve exons (minder valse positieven). De toevoeging van RNA-Seq gegevens aan onze annotatiepijpleiding verhoogde beduidend onze annotatie van alternatieve lasvarianten als model RefSeqs om de behoeften van hen te dienen die uitgebreider, maar nog goed-gesteund, definitie van exome (minder valse negatieven) willen. Hoewel zowel bekende als model Refseq ‘ s het ondersteunend bewijs op het sequentierecord rapporteren, gebruiken ze verschillende benaderingen om dit te doen. Toekomstige inspanningen zullen gericht zijn op het harmoniseren van de rapportage van bewijsmateriaal voor zowel “bekende” als “model” Refseq ‘s, zodat gebruikers deze informatie gemakkelijker kunnen identificeren. We zullen in de nabije toekomst ook een nieuw gegevenstype toevoegen aan de RefSeq-collectie van mens en muis om experimenteel gerapporteerde regelgevende en functionele elementen met bekende (of redelijk afgeleide) functionele gevolgen weer te geven.

voor prokaryotische genomen blijven we werken aan het verfijnen van aspecten van de structurele annotatie die wordt gegenereerd door de prokaryotische Genoomannotatiepijplijn. Ons werk aan een nieuwe aanpak voor het beheren van functionele informatie wordt nog steeds verfijnd en zal elders worden beschreven. We verwachten opnieuw annoteren van de gehele RefSeq prokaryotic genomen dataset wanneer nieuwe versies van onze prokaryotic annotation pipeline beschikbaar komen (om structurele annotatie te verbeteren). Het besluit om al RefSeq prokaryotes te annoteren gebruikend één enkele methode, samen met het zuivere volume van deze gegevensset, vereist een verschillende benadering die veelvoudige bronnen van bewijsmateriaal gebruikt om functionele informatie te verstrekken. Eiwitnamen zullen voortdurend worden bijgewerkt zoals georganiseerd door eiwitfamilies of categorieën van bewijstype. Onze doelstellingen voor het komende jaar omvatten een grotere integratie van Rfam (65) in onze annotatiepijplijn, uitgebreide samenwerking, verbeterde eiwitnamen en rapportage van Ondersteuningsgegevens over het eiwitsequentierecord.

we willen de wetenschappelijke gemeenschap bedanken voor constructieve feedback, suggesties, foutrapporten en samenwerkingen in de afgelopen 15 jaar die hebben bijgedragen aan de kwaliteit en nauwkeurigheid van de weergegeven sequentie, structurele annotatie en functionele annotatie.

financiering

intramuraal Onderzoeksprogramma van het NIH, National Library of Medicine. Financiering van Open access charge: het intramurale Onderzoeksprogramma van de National Institutes of Health, National Library of Medicine.

verklaring inzake belangenconflicten. Geen verklaard.