Visão Geral
Os bancos de dados biológicos são a infraestrutura fundamental da bioinformática. Eles coletam, curam, organizam e distribuem as vastas quantidades de dados moleculares gerados pela biologia experimental moderna. Esses bancos de dados variam de pequenos recursos especializados mantidos por laboratórios individuais a imensos repositórios internacionais como o GenBank, que contém bilhões de sequências de nucleotídeos. O valor de qualquer conjunto de dados é multiplicado quando depositado em um banco de dados público, pois se torna descobrível, reutilizável e integrável com outros tipos de dados. Padrões de dados, vocabulários controlados e referências cruzadas entre bancos de dados permitem essa interoperabilidade.
Conceitos-Chave
Os bancos de dados primários armazenam dados experimentais originais, sequências de nucleotídeos brutas, sequências de proteínas e estruturas tridimensionais, com interpretação mínima. Os bancos de dados secundários contêm informações curadas, anotadas ou derivadas, construídas a partir da análise de dados primários. Os bancos de dados de sequências (GenBank, UniProt) armazenam sequências de nucleotídeos e proteínas. Os bancos de dados de estruturas (PDB) arquivam coordenadas macromoleculares. Os bancos de dados funcionais (GO, KEGG, Reactome) descrevem processos biológicos, vias metabólicas e funções moleculares. As referências cruzadas conectam registros entre bancos de dados, permitindo consultas integradas.
Aplicações
Os bancos de dados biológicos apoiam praticamente todas as áreas da biologia molecular. Pesquisadores os utilizam para recuperar sequências para projetos de sequenciamento de DNA, buscar estruturas de proteínas homólogas e consultar a classificação e nomenclatura de enzimas para reconstrução metabólica. A integração de bancos de dados é essencial para a biologia de sistemas, onde dados de múltiplas fontes devem ser combinados para construir modelos preditivos do comportamento celular.
Protocolo Prático
Escolher o banco de dados certo começa com a definição da sua pergunta de pesquisa. Se você precisa de sequências de nucleotídeos brutas, comece com um banco de dados primário como o GenBank via portal do NCBI. Para genomas de referência anotados, mude para o RefSeq. Se sua questão diz respeito à função de proteínas, o UniProtKB é o recurso apropriado, enquanto questões estruturais apontam para o PDB. Para um projeto genômico típico, por exemplo, identificar novos genes em um genoma bacteriano, um fluxo de trabalho comum procede da seguinte forma: primeiro, consulte o banco de dados Genome no NCBI usando o nome do organismo para localizar o assembly. Baixe as sequências de nucleotídeos no formato GenBank ou FASTA. Submeta essas sequências ao BLASTX contra o banco de dados UniProtKB/Swiss-Prot para prever regiões codificadoras de proteínas com base em homologia. Mapeie as anotações resultantes para termos GO usando InterProScan para inferir funções moleculares e processos biológicos. Finalmente, use o KEGG Mapper para colocar os genes anotados em mapas de vias metabólicas, revelando as capacidades metabólicas do organismo. Esta abordagem integrada transforma dados de sequências brutas em hipóteses biológicas testáveis. A mesma estratégia entre bancos de dados se aplica à genômica humana: começando com uma lista de genes diferencialmente expressos de RNA-seq, um pesquisador pode recuperar sequências promotoras do UCSC, prever sítios de ligação de fatores de transcrição usando JASPAR, mapear produtos proteicos para vias do Reactome e validar interações via STRING, tudo navegando entre os bancos de dados apropriados conectados por referências cruzadas. Dominar este fluxo de trabalho multi-banco de dados é uma competência essencial na bioinformática moderna, permitindo que pesquisadores gerem descobertas robustas e reprodutíveis a partir da riqueza de dados biológicos publicamente disponíveis.
