我们可以根据基因组序列预测新基因，预测编码区域，并推测其产物（即蛋白质）的序列。因此，随着基因组序列的不断增长，蛋白质序列也在不断增加。本节着重介绍与蛋白质序列相关的序列数据库。    

4.3.1 PIR

历史上，蛋白质数据库的出现先于核酸数据库。在1960年左右，Dayhoff和其同事们搜集了当时所有已知的氨基酸序列，编著了《蛋白质序列与结构图册》。从这本图册中的数据，演化为后来的蛋白质信息资源数据库PIR（Protein Information Resource）。

PIR(http://www-nbrf.georgetown.edu/pir/）是由美国生物医学基金会NBRF（National Biomedical Research Foundation）于1984年建立的，其目的是帮助研究者鉴别和解释蛋白质序列信息，研究分子进化、功能基因组，进行生物信息学分析。它是一个全面的、经过注释的、非冗余的蛋白质序列数据库。所有序列数据都经过整理，超过99%的序列已按蛋白质家族分类，一半以上还按蛋白质超家族进行了分类。PIR提供一个蛋白质序列数据库、相关数据库和辅助工具的集成系统，用户可以迅速查找、比较蛋白质序列，得到与蛋白质相关的众多信息。目前，PIR已经成为一个集成的生物信息数据源，支持基因组研究和蛋白质组研究。至2004年，PIR 有近30万个蛋白质的登录数据项，包括来自不同生物体的蛋白质序列。

除了蛋白质序列数据之外，PIR还包含以下信息：

（1）蛋白质名称、蛋白质的分类、蛋白质的来源；

（2）关于原始数据的参考文献；

（3）蛋白质功能和蛋白质的一般特征，包括基因表达、翻译后处理、活化等；

（4）序列中相关的位点、功能区域。

对于数据库中的每一个登录项，有与其它数据库的交叉索引，包括到GenBank、EMBL、DDBJ、GDB、MELINE等数据库的索引。PIR中一个具体的登录项如图4.4所示。

PIR提供三种类型的检索服务。一是基于文本的交互式查询，用户通过关键字进行数据查询。二是标准的序列相似性搜索，包括BLAST、FastA等。三是结合序列相似性、注释信息和蛋白质家族信息的高级搜索，包括按注释分类的相似性搜索、结构域搜索等。

目前，PIR包括三个子数据库，分别是蛋白质序列数据库PIR-PSD、蛋白质分类数据库iProClass以及非冗余的蛋白质参考资料数据库PIR-NREF。

4.3.2 SWISS-PROT

SWISS-PROT (http://www.ebi.ac.uk/swissprot/）是由Geneva大学和欧洲生物信息学研究所（EBI）于1986年联合建立的，它是目前国际上权威的蛋白质序列数据库。SWISS-PROT 中的蛋白质序列是经过注释的。SWISS-PROT中的数据来源于不同源地：（1）从核酸数据库经过翻译推导而来；（2）从蛋白质数据库PIR挑选出合适的数据；（3）从科学文献中摘录；（4）研究人员直接提交的蛋白质序列数据。2004年3月的SWISS-PROT 43.0 版本有146720序列登录项，包含摘自113719篇参考文献的54093154个氨基酸。

与其它蛋白质序列数据库相比较，SWISS-PROT有三个明显的特点：

（1）注释

在SWISS-PROT中，数据分为核心数据和注释两大类。对于数据库中的每一个序列登录项，核心数据包括：序列数据、参考文献、分类信息（蛋白质生物来源的描述）等，而注释包括：

① 蛋白质的功能描述；

② 翻译后修饰；

③ 域和功能位点，如钙结合区域、ATP结合位点等；

④ 蛋白质的二级结构；

⑤ 蛋白质的四级结构，如同构二聚体、异构三聚体等；

⑥ 与其它蛋白质的相似性；

⑦ 由于缺乏该蛋白质而引起的疾病；

⑧ 序列的矛盾、变化等。

（2）最小冗余

对于给定的蛋白质，许多数据库根据不同的文献报道设置分立的登录项，而在SWISS-PROT中，尽量将相关的数据归并，降低数据库的冗余程度。如果不同来源的原始数据有矛盾，则在相应序列特征表中加以注释。

（3）与其它数据库的连接

SWISS-PROT目前已经建立了与其它30多个相关数据库的交叉索引，即对于每一个SWISS-PROT的登录项，有许多指向其它数据库相关数据的指针，这便于用户迅速得到相关的信息。例如，根据到蛋白质结构数据库的索引，用户不仅可以得到某个蛋白质的序列，还可以进一步得到其结构。现有的交叉索引有：到EMBL核酸序列数据库的索引，到PROSITE模式数据库的索引，到生物大分子结构数据库PDB的索引等。

与前面介绍的核酸序列数据库EMBL类似，每一个SWISS-PROT的条目用外在的ASCII文件表示，两者主要差别在于特征表的不同。

用户可以通过网络将蛋白质序列数据提交给SWISS-PROT，或者对蛋白质数据进行修改。SWISS-PROT提供序列序列查询及相似蛋白质序列搜索工具      

4.3.3 TrEMBL

大多数蛋白质序列不是直接由实验得到，而是通过DNA序列映射而得到的。TrEMBL (http://www.ebi.ac.uk/trembl/index.html)是一个计算机注释的蛋白质数据库，作为SWISS-PROT数据库的补充。该数据库主要包含从EMBL/ Genbank/DDBJ核酸数据库中根据编码序列(CDS)翻译而得到的蛋白质序列，并且，这些序列尚未集成到SWISS-PROT数据库中。

TrEMBL有两个部分，分别是SP-TrEMBL (SWISS-PROT TrEMBL)和REM-TrEMBL (REMaining TrEMBL)。SP-TrEMBL包含最终将要集成到SWISS-PROT的数据，所有的SP-TrEMBL序列都已被赋予SWISS-PROT的 登录号。这部分数据可以看成是SWISS-PROT数据库的预备队。REM-TrEMBL包括所有不准备放入SWISS-PROT的数据，因此这部分数据都没有登录号。如人工合成的蛋白质序列、申请专利的序列、伪基因对应的蛋白质序列等。

TrEMBL（16.0版，2001年3月)根据EMBL的核酸数据库（65.0版）建立，共有489620条序列，包括141347364个氨基酸。为了减少冗余，若根据核酸编码序列翻译的蛋白质序列已经出现在SWISS-PROT，则将对应的序列删除。TrEMBL数据库的26.0版（2004年3月）拥有1069649条蛋白质序列，总氨基酸长度达到335331748。

目前，欧洲生物信息学研究所EBI 将上述3个蛋白质数据库（即PIR 、SWISS-PROT和TrEMBL）统一起来，建立了一个蛋白质数据仓库UniProt（Universal Protein Resource， http://www.ebi.ac.uk/uniprot/index.html）。 UniProt包含3个部分：（1）UniProt Knowledgebase（UniProt），这是蛋白质序列、功能、分类、交叉引用等信息存取中心；（2）UniProt Non-redundant Reference（UniRef）数据库，该数据库将密切相关的蛋白质序列组合到一条记录中，以便提高搜索速度；目前，根据序列相似程度形成3个子库，即UniRef100、UniRef90和UniRef50；（3）UniProt Archive（UniParc），是一个资源库，记录所有蛋白质序列的历史。用户可以通过文本查询数据库，可以利用BLAST程序搜索数据库，也可以直接通过FTP 下载数据。