Überblick
Biologische Datenbanken sind die grundlegende Infrastruktur der Bioinformatik. Sie sammeln, kuratieren, organisieren und verteilen die großen Mengen molekularer Daten, die von der modernen experimentellen Biologie erzeugt werden. Diese Datenbanken reichen von kleinen, spezialisierten Ressourcen, die von einzelnen Laboren betrieben werden, bis hin zu riesigen internationalen Repositorien wie GenBank, das Milliarden von Nukleotidsequenzen enthält. Der Wert eines Datensatzes vervielfacht sich, wenn er in eine öffentliche Datenbank eingestellt wird, da er auffindbar, wiederverwendbar und mit anderen Datentypen integrierbar wird. Datenstandards, kontrollierte Vokabulare und Querverweise zwischen Datenbanken ermöglichen diese Interoperabilität.
Schlüsselkonzepte
Primäre Datenbanken speichern originale experimentelle Daten, rohe Nukleotidsequenzen, Proteinsequenzen und dreidimensionale Strukturen, mit minimaler Interpretation. Sekundäre Datenbanken enthalten kuratierte, annotierte oder abgeleitete Informationen, die durch die Analyse primärer Daten erstellt wurden. Sequenzdatenbanken (GenBank, UniProt) speichern Nukleotid- und Proteinsequenzen. Strukturdatenbanken (PDB) archivieren makromolekulare Koordinaten. Funktionelle Datenbanken (GO, KEGG, Reactome) beschreiben biologische Prozesse, Stoffwechselwege und molekulare Funktionen. Querverweise verbinden Einträge über Datenbanken hinweg und ermöglichen integrierte Abfragen.
Anwendungen
Biologische Datenbanken unterstützen praktisch alle Bereiche der Molekularbiologie. Forscher nutzen sie, um Sequenzen für DNA-Sequenzierungsprojekte abzurufen, nach homologen Proteinstrukturen zu suchen und die Enzymklassifikation und Nomenklatur für die metabolische Rekonstruktion nachzuschlagen. Die Datenbankintegration ist für die Systembiologie unerlässlich, wo Daten aus mehreren Quellen kombiniert werden müssen, um Vorhersagemodelle des Zellverhaltens zu erstellen.
Praktisches Protokoll
Die Wahl der richtigen Datenbank beginnt mit der Definition Ihrer Forschungsfrage. Wenn Sie rohe Nukleotidsequenzen benötigen, beginnen Sie mit einer primären Datenbank wie GenBank über das NCBI-Portal. Für annotierte Referenzgenome wechseln Sie zu RefSeq. Wenn Ihre Frage die Proteinfunktion betrifft, ist UniProtKB die geeignete Ressource, während strukturelle Fragen zur PDB führen. Für ein typisches Genomikprojekt, etwa die Identifizierung neuer Gene in einem bakteriellen Genom, läuft ein üblicher Workflow wie folgt ab: Fragen Sie zunächst die Genome-Datenbank beim NCBI mit dem Organismennamen ab, um das Assembly zu lokalisieren. Laden Sie die Nukleotidsequenzen im GenBank- oder FASTA-Format herunter. Übermitteln Sie diese Sequenzen an BLASTX gegen die UniProtKB/Swiss-Prot-Datenbank, um protein-kodierende Regionen basierend auf Homologie vorherzusagen. Kartieren Sie die resultierenden Annotationen mit InterProScan auf GO-Terme, um molekulare Funktionen und biologische Prozesse abzuleiten. Verwenden Sie schließlich KEGG Mapper, um die annotierten Gene auf Stoffwechselweg-Karten zu platzieren und so die metabolischen Fähigkeiten des Organismus aufzudecken. Dieser integrierte Ansatz verwandelt rohe Sequenzdaten in testbare biologische Hypothesen. Dieselbe Datenbank-übergreifende Strategie gilt für die Humangenomik: Ausgehend von einer Liste differentiell exprimierter Gene aus RNA-seq kann ein Forscher Promotorsequenzen von UCSC abrufen, Transkriptionsfaktor-Bindungsstellen mit JASPAR vorhersagen, Proteinprodukte auf Reactome-Wege kartieren und Interaktionen über STRING validieren, alles durch Navigation zwischen den entsprechenden, durch Querverweise verbundenen Datenbanken. Die Beherrschung dieses Multi-Datenbank-Workflows ist eine Kernkompetenz in der modernen Bioinformatik und ermöglicht es Forschern, robuste, reproduzierbare Ergebnisse aus der Fülle öffentlich verfügbarer biologischer Daten zu gewinnen.
