常用數據庫 ID
| 序號 | ID 示例 | ID 來源 |
|---|---|---|
| 一 | GLA, GLB, UGT1A1 | HGNC Gene Symbol（基因的官方名稱） |
| 二 | ENSG00000116717 | Ensemble ID（NCBI給予不同基因的一個代號（標識符））即Ensembl數據庫的ID編號 |
| 三 | GA45A_HUMAN | UniProtKB/Swiss-Prot, entry name |
| 三 | A5PJB2_BOVIN | UniProtKB/TrEMBL，entry name |
| 三 | A2BC19, P12345, A0A022YWF9 | UniProt, accession number |
| 四 | U12345, AF123456 | GenBank, NCBI, accession number |
| 四 | NT_123456, NM_123456, NP_123456 | RefSeq, NCBI, accession number |
| 五 | 10598, 717v | Entrez ID, NCBI |
| 六 | uc001ett, uc031tla.1 | UCSCID 編號 |
一、Gene Symbol & Gene Name
（一）Gene Symbol
Gene Symbol 是基因的官方的名稱，是對基因進行命名描述的一個縮寫標識符(如:TP53)，Gene Symbol 是由專門的數據庫HGNC database of human gene names(人類基因命名委員會)來對人類中大多數基因的進行命名，并由組織HUGO進行維護。目前，HGNC已經批準了超過41500個Gene Symbol ，其中超過19190個基因屬于蛋白質編碼基因，超過 7300個基因屬于非編碼RNA的基因，同時HGNC還為假基因以及基因組特征命名。這些基因符號都是唯一的。
（二）Gene Name
Gene Name：Gene Name是經過HGNC批準的全基因名稱;與Gene Symbol對應。Gene Symbol相當于Gene Name的縮寫。例如TP53對應的Gene Name就是：tumor protein p53 。
！因為HGNC只對人類基因進行命名，而且并不是所有的基因都有Official Symbol。所以如果基因缺少HGNC提供的Gene Symbol ，Entrez Gene數據庫中的Official symbol就會變成Gene Symbol，并且Gene Symbol的編號會變成LOC前綴+Entrez ID，例如：LOC4333818
二、Ensembl IDs
(一)、組成
Ensembl ID的由5部分構成: ENS(species)(object type)(identifier).(version)
| (species) | (object type) | (identifier) | . | (version) |
|---|---|---|---|---|
| 不同物種的前綴 | 數據所指的類型 | 再加上一系列的數字. 有的時候可以有不同的版本, | 再加上小數點 | 再加版本號 |
Enseml ID數據所指的類型包括exon(外顯子), protein family(蛋白質家族)，, gene(基因)，, gene tree(基因樹)， protein(蛋白質), regulatory feature( 調控特征）和 transcript（轉錄本）.
(二)、解讀
如:ENSMUSG00000017167.6
① ENS代表這是一個Ensembl ID
② 第二部分代表物種, 如MUS代表小鼠(如果物種是人則不用填），常用物種見下表，其他物種的前綴可以點擊這里查找
③緊接著的第三部分代表ID的類型, 如G代表基因, T代表轉錄本……
④是一系列的特殊數字
⑥ 小數點 .
⑦ 小數點后代表版本號
所以這個是一個Ensembl ID (ENS), 物種為小鼠(MUS), 代表一個基因(G), 并且這是第6個版本(.6).
常用物種前綴
| 前綴 | 學名 |
|---|---|
| ENSCEL | Caenorhabditis elegans (Caenorhabditis elegans) |
| ENSCAF | Canis lupus familiaris (Dog) |
| ENSDAR | Danio rerio (Zebrafish) |
| FB | Drosophila melanogaster (Fruitfly) |
| ENS | Homo sapiens (Human) |
| ENSMUS | Mus musculus (Mouse) |
| ENSRNO | Rattus norvegicus (Rat) |
| ENSXET | Xenopus tropicalis (Xenopus) |
其他物種的前綴可以點擊這里查找
ID類型前綴
| 前綴 | 類型 |
|---|---|
| E | exon （外顯子） |
| FM | Ensembl protein family（合蛋白家族） |
| G | gene（基因） |
| GT | gene tree（基因樹） |
| P | protein（蛋白質） |
| R | regulatory feature |
| T | transcript（轉錄本） |
三、UniProtKB/Swiss-Prot &UniProtKB/TrEMBL
（一）UniProt （蛋白質序列數據庫）
UniProt是Universal Protein 的縮寫，是一個一級蛋白質序列數據庫。
Uniprot包括UniProtKB知識庫、UniParc歸檔庫和UniRef參考序列集三部分，整合了三大數據庫（Swiss-Prot，TrEMBL和PIR-PSD）的數據，是目前國際上最廣泛使用的蛋白質數據庫.其中Swiss-Prot和TrEMBL是核心數據庫UniProtKB的兩個子庫，兩個子庫相似，區別如下
| Swiss-Prot子庫 | TrEMBL子庫 | |
|---|---|---|
| 整理 | 序列條目以及相關信息都經過手工注釋和人工審閱 | 所有序列條目由計算機程序根據一定規則進行自動注釋 |
| 團隊 | 瑞士生物信息研究所團隊負責 | 歐洲生物信息學研究所團隊負責 |
| 內容 | 蛋白質序列數據的搜集、整理、分析、注釋，力圖為用戶提供高質量的蛋白質序列和豐富的注釋信息。 | 蛋白質名、基因名、物種名、分類學地位等基本信息，功能、表達、定位、家族和結構域等注釋信息，以及與其它數據庫的交叉鏈接。 |
| 比較 | 可靠性大（手工注釋、人工審閱） | 可靠性比Swiss-Prot小（自動注釋） |
！兩者聯系
①采用統一的數據庫格式和登錄號系統（UniProt 中錄入的數據都被分配了一個唯一的 entry name）
②TrEMBL中的序列經手工注釋和人工審閱后，歸并到Swiss-Prot子庫中，不再在TrEMBL子庫中保留。
③這兩個子庫的數據量差別很大，TrEMBL的數據數量遠遠超過了Swiss-Prot。
（二）關于兩個字庫UniProtKB/Swiss-Prot 的 “entry name”
由于UniprotKB的entry name有兩種命名方式：UniprotKB/Swiss-Prot entry name和UniprotKB/TrEMBL entry names
兩種命名方式的對比
| Swiss-Prot “entry name” | TrEMBL “entry name” | |
|---|---|---|
| 描述 | 最多 11 位包含大寫字母的字符串 | 最多 16 位包含大寫字母的字符串 |
| 形式 | X_Y | X_Y |
| X | 最多五個便于記憶的蛋白質編號① | 6 到 10 個字符組成的登錄號(accession number②) |
| “-” | “-” 是下劃線 | “-” 是下劃線 |
| Y | 最多五個便于記憶的物種編號③ | 最多五個便于記憶的物種編號 (由于數據太多，TrEMBL啟用了“虛擬編碼”④來對物種進行分類,以數字9為前綴) |
| 例子 | PURQ_ZYMMO INS_HUMAN | A5PJB2_BOVIN， |
①蛋白質編號示例
| Code(X) | Recommended protein name | Gene name |
|---|---|---|
| B2MG | Beta-2-microglobulin | B2M |
| HBA | Hemoglobin subunit alpha | HBA1 |
| INS | Insulin | INS |
| CAD17 | Cadherin-17 | CDH17 |
②Accession Number
Accession Number 相當于數據庫的主鍵, 由 6 到 10 個大寫字母或者數字組成. 其構成規律有三種類型如下:
| 類型 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 例子 |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Ⅰ | [O /P /Q] | [0-9] | [A-Z/ 0-9] | [A-Z /0-9] | [A-Z/ 0-9] | [0-9] | P12345 | ||||
| Ⅱ | [A-N /R-Z] | [0-9] | [A-Z] | [A-Z/ 0-9] | [A-Z /0-9] | [0-9] | A2BC19 | ||||
| Ⅲ | [A-N/ R-Z] | [0-9] | [A-Z] | [A-Z/ 0-9] | [A-Z/ 0-9] | [0-9] | [A-Z] | [A-Z 0-9] | [A-Z /0-9] | [0-9] | A0A022YWF9 |
如果一個條目被分成兩個, 或者多個條目合成一個, 則有相應的 accession number 繼承規則.
③物種編號
| Code | Species |
|---|---|
| BOVIN | Bovine |
| CHICK | Chicken |
| ECOLI | Escherichia coli |
| HORSE | Horse |
| HUMAN | Homo sapiens |
| MAIZE | Maize (Zea mays) |
| MOUSE | Mouse |
| PEA | Garden pea (Pisum sativum) |
| PIG | Pig |
| RABIT | Rabbit |
| RAT | Rat |
| SHEEP | Sheep |
| SOYBN | Soybean (Glycine max) |
| TOBAC | Common tobacco (Nicotina tabacum) |
| WHEAT | Wheat (Triticum aestivum) |
| YEAST | Baker’s yeast (Saccharomyces cerevisiae) |
④虛擬的物種編碼
| Mnemomnic code | Taxonomic identifier | Scope |
|---|---|---|
| 9BACT | 2 | Bacteria |
| 9CNID | 6073 | Cnidaria |
| 9FUNG | 4751 | Fungi |
| 9REOV | 10880 | Reoviridae |
(三)Entry name與Accession Number的關系和區別
①提交數據到UniprotKB之后，每個數據都會被分配一個唯一的Accession Number（AC號）。如果為了減少數據冗余，將UniprotKB中的多個數據合并成一個，AC號仍保持不變。
②Entry name也是每個數據唯一具有的標識符，它可以展示數據的生物學信息，但并不穩定存在的，比如說我們要將TrEMBL中的數據轉入Swiss-Prot，那么我們需要變更數據的Entry name，此時同一個數據的Entry name就發生了改變，但是它的AC號仍然保持不變。這就是他們之間的區別！
③還有需要注意的是，一個數據可能有兩個或者多個accession number 。
原因主要有兩個：
a.當合并兩個或多個數據條目時，保留所有數據條目的登錄號。第一個AC編號稱為“主要AC編號”，其他編號稱為“次要AC編號”。編號排序是按字母數字順序排列的。
b.如果現有數據條目被分割為兩個或多個數據條目(“拆分”)，新的“主要”登錄號將歸屬于所有分裂的條目，而所有原始登錄號將保留為“次要”登錄號。例如：P29358 被拆分成 P68250 和 P68251 。P68250 和 P68251的次級登錄號均為P29358 。
所以，UniprotKB建議，我們最好使用數據的主登錄號作為數據引用的方式（不是Entry name ，也不是二級登錄號），因為主登錄號是唯一并且穩定存在的數據標識符。
四、NCBI
(一)關于NCBI 的 GenBank & RefSeq
①NCBI(National Center for Biotechnology information）即美國國家生物技術信息中心是一個機構組織，而不是數據庫,該中心的任務是：為儲存和分析分子生物學、生物化學、遺傳學知識創建自動化系統；從事研究基于計算機的信息處理過程的高級方法，用于分析生物學上重要的分子和化合物的結構與功能；促進生物學研究人員和醫護人員應用數據庫和軟件；努力協作以獲取世界范圍內的生物技術信息
②GenBank是NCBI建立的DNA序列數據庫
③ RefSeq即參考序列。NCBI的RefSeq 數據庫(美國國立生物技術信息中心參考序列庫) 是一個參考序列的非冗余集合，數據庫包括構建的基因組contig、mRNA、蛋白和整個染色體。RefSeq 數據庫是目前世界上最具有權威性的序列數據庫，也是目前最可信賴的人類基因mRNA序列數據庫
④RefSeq和genbank的數據的區別？
a. genbank是一個開放的數據庫，對每個基因都含有許多序列。很多研究者或者公司都可以自己提交序列，另外這個數據庫每天都要和EMBL和DDBJ交換數據。genbank的數據可能重復或者不準。
b.RefSeq數據庫被設計成每個人類位點挑出一個代表序列來減少重復，是NCBI提供的校正的序列數據和相關的信息。數據庫包括構建的基因組contig、mRNA、蛋白和整個染色體。refseq序列是NCBI篩選過的非冗余數據庫，一般可信度比較高
(一)關于 GenBank 和 RefSeq 的 Accession Number
①GenBank Accession Number**
GenBank Accession numbers命名的規則是:
| 類別 | 規則 |
|---|---|
| Nucleotide | 1個字母+5個數字 或 2個字母+6位數字 |
| Protein | 3個字母+5位數字 |
| WGS | 4個字母+2位數字+WGS的版本+6-8位數字 |
| MGA | 5個字母+7位數字 |
②RefSeq Accession Number
RefSeq 有一套特殊的 Accesion Number.一般的命名格式:
前綴為兩個字母+下橫線（'_'）+ 6 個或更多的數字
NCBI RefSeq命名格式的詳細說明
例子
| Accession | Molecule | Method | 說明 |
|---|---|---|---|
| AC_123456 | Genomic | Mixed | 基因組序列，主要是病毒、原核生物。 |
| AP_123456 | Protein | Mixed | 蛋白序列，AP_原本只用于細菌的蛋白。 |
| NC_123456 | Genomic | Mixed | 全基因組序列，包括細胞器的、質粒等 |
| NG_123456、NM_123456 | Genomic | Mixed | 不完整的基因組序列， |
| NM_123456789 、NP_123456 | mRNA | Mixed | 成熟的mRNA |
| NP_123456789 | Protein | Mixed | 全長蛋白序列。但也有可能包括非全長的蛋白或成熟的多肽序列。 |
| NR_123456 | RNA | Mixed | 不編碼的RNA，假基因或其它 |
Accession 前綴
| Accession 前綴 | 類型 | 說明 |
|---|---|---|
| AC_ | Genomic | Complete genomic molecule, usually alternate assembly （完整的基因組分子，通常交替組裝） |
| NC_ | Genomic | Complete genomic molecule, usually reference assembly（完整的基因組分子，通常參考組裝） |
| NG_ | Genomic | Incomplete genomic region（基因組區域不完整） |
| NT_ | Genomic | Contig or scaffold, clone-based or WGS（重疊群或支架，基于克隆或WGS） |
| NW_ | Genomic | Contig or scaffold, primarily WGS |
| NS_ | Genomic | Environmental sequence（環境順序） |
| NZ_ | Genomic | Unfinished WGS （未定義的WGS） |
| NM_ | mRNA | |
| NR_ | RNA | |
| XM_ | mRNA | Predicted model （預測模型） |
| XR_ | RNA | Predicted model（預測模型） |
| AP_ | Protein | Annotated on AC_ alternate assembly（在AC_備用裝配上標注） |
| NP_ | Protein | Associated with an NM_ or NC_ accession（與NM_或NC_加入相關） |
| YP_ | Protein | |
| XP_ | Protein | Predicted model, associated with an XM_ accession（與XM_加入相關的預測模型） |
| ZP_ | Protein | Predicted model, annotated on NZ_ genomic records （預測模型，已在NZ_基因組記錄中注釋） |
- WGS: Whole Genome Shotgun sequence data, 鳥槍法測序.
五、Entrez ID
GeneID即Entrez Gene ID(是NCBI中用來連接各個不同數據庫統一的基因標志符)**
Entrez是歸屬于NCBI的一個綜合的文本檢索引擎系統。這個檢索引擎整合了PubMed數據庫的生物醫學文獻與其他39個文獻和分子數據庫（例如GEO，Entrez Gene等，這些數據庫基本涵蓋了DNA和蛋白質序列，結構，基因，基因組，遺傳變異和基因表達方面的數據）。NCBI組織建立了Entrez，Entrez整合了各大數據庫的入口，便于進行數據庫檢索。通常所說的檢索NCBI數據庫，其實就是在檢索Entrez這個引擎系統所整合的生信數據庫。
由于Entrez 作為一個綜合性檢索引擎，為了方便，其對不同的 Gene 進行了編號, 即 Entrez Gene ID. 并且由于 Entrez ID 相對穩定,也被眾多其他數據庫, 如 KEGG 等. 一串數字的Entrez Gene ID 不但具有很高的辨識度，而且在ID轉化中占據著重要的地位。生信菜鳥團的博客《NCBI的基因entrezID相關文件介紹》講解了Entrez ID主要的信息文件。
| gene_id | symbol | chromosome |
|---|---|---|
| 352937 | dio2 | 20 |
表中geneid即為 Entrezid. 在ID轉換中有重要的作用。
六、UCSC ID
UCSC ID 由小寫字母和數字構成,
起 uc+三位數字+三位小寫字母+小數點+數字構成版本號如:uc010qfk.3, uc010qfk.3.
! UCSC ID幾乎被拋棄不用了，只是因為UCSC是三大數據庫之一而已。
補：tax_id代表物種的id, 如人類是9606
生信技能樹：超精華生信ID總結，想踏入生信大門的你-值得擁有
常用數據庫ID表示方式
UniProt數據庫參考學習連接1(作者：thinkando)
NCBI參考序列（RefSeq）常見問題回答
NCBI RefSeq命名格式的詳細說明
DDBJ/EMBL/GenBank Accession的命名規則
