|
作者
在不同的数据库中作者的姓名是有不同的格式的：只有姓、姓和首字母、姓-逗号-首字母、姓/名，名首字母和全称姓的作者、带有和不带有称谓（如Ph.D）或尾缀（Jr.，III）。一些文献数据库（如MEDLINE）可能仅用一个固定的数字代表作者。尽管这只是不便于读者阅读，但这对数据库系统产生了严重的问题，就象Entrez那样，只能提供按作者姓搜索的简单功能。由于这个原因，该说明提供了两种可选择的作者姓名代表格式，一个是简单的字符串形式，另一个是包含姓、名和其它等的结构域。当数据直接被送到NCBI或作者姓名有固定格式的其它数据库（如MEDLINE）时使用结构形式。当该形式不能破译是则仍然被看成为字符串形式，但这时复现受到限制，但至少还是能用其他的方法复现出一些数据的。
即使是结构形式的作者姓名也必须支持多样性，这是因为一些文献只给首字母，而另一些只给名和中间名。这时要强调两点：第一点，NCBI数据格式是为了适合于我们直接阅读以及能和现存数据相一致；第二点，在一个特殊的资源被转化时软件开发者必须了解该格式的意义。一般说来，NCBI尽量使数据形式满足统一格式，但可能也会使其它的性能下降。
作者的社会关系（如作者的工作地点等）就更加复杂了。至于作者姓名对于支持结构形式和字符串形式也还有一些问题。然而，即使对那些有统一格式作者姓名的文献来源，也不能将社会关系分解成结构形式。而且，也有很多作者是属于相同的机构或一个作者参与了几个机构。NCBI数据模型支持以上情况。尽管在写本文时，MEDLINE或GenBank只支持前一种格式，而两种格式都出现在出版物上。
文章
最常见的生物科学的文献标题是期刊文献，所以对于生物数据库的引用格式缺省为期刊文献。然而，文章也可能出现在书、手稿以及电子期刊上，数据模型应该能引用书、期刊或手稿。文章出处占有一个域，其它域用于存储其它的能唯一确定其在书、期刊或手稿中的有用信息，如文章的作者（对应与书的作者或编辑者）、文章的标题、页码等等。
那些能辨识文章出处的域以及对数据库使用者有用的能识别相同文章的域是完全不同的。NCBI出处比对服务（见本章末）使用出处域来区分定位文献的出处，这个比对过程包含能同时配合相同的期刊名、年份、文章的首页以及文章作者的姓。其他的信息（例如文章标题、页数、全部页数、作者名单）仅用于观看而对输入来源不起作用。作为出处的数据模型要容许最小信息集能作用，和MEDLINE比对后，被从MEDLINE中得到的完整的域所替代，从而满足科学研究精确的需要。
专利权
随着专利的出现，我们需要将专利而不是文章当作文献条目进行引用。NCBI支持由美国专利局合作的完整的专利引用顺序。实际上，专利说明书倾向于限制科学的作用，理由如下：
专利是合法的文献而不是科学的文献，它的目的是支持专利的声明和存在，而不是完全描述生物的过程。这是为在律师办公室的情况，不是为做研究的科学家。所以存在的说明书只是解释专利中的一些方面，而不是文章的核心。只要不是基因的专利，组织信息、生物特征位点等等根本不可能出现。不管怎样大多数出现在专利说明书中的序列也以一些更有用的格式（对科学家）出现在公共数据库中。
从NCBI的观点，GenBank列出专利说明中的序列的目的是能复现序列本身（通过相似性比较），用以定位和某序列相关的专利。这种情况下要实现合法的确定，我们必须检查专利的全文。要评价生物序列，人们必须定位专利中没有包含的信息。这里的联系是序列和专利号之间的联系。其它在专利定位中使用的域是诸如专利名称和发明者的姓名等。
引用电子数据
和GenBank类似，这是一类相对新的包含了数据提交数据库的方法的方案，这也是一种形式但又和一般期刊不完全相同的出版物。在一般情况下，文章的出版需要经过相当长的时间，而且从来没有数据库的积累会赶在发表之前，因此数据的积累会有一定的间隔。提交的数据由于是一种形式的出版物可能包含了在本记录中工作过的科学家的姓名，这和真正出版物列出的名单可能不一致。大多数情况下提交数据给数据库的科学家是提交数据的作者，但也不完全是，特别是大序列中心。最终NCBI提出了也引用修改的记录，在记录的修改栏里做简单的注释，注释记录的变化，所有的提交数据都在记录中保存留下编辑的历史记录。
MEDLINE和PubMed UIDs
一旦文章的出处和MEDLINE中的匹配，最简单和最可靠的方法去找到该篇文章的方法是MEDLINE唯一辨识器（MUID），这是一个简单的整数。NCBI提供了许多服务去使用MUID来恢复出处和从MUID获得摘要、将数据和文章联系起来或者提供WWW的网上连接。
最近根据和MEDLINE以及许多出版者的协定，NCBI提出了PubMed。和直接由出版者提供类似，PubMed包含了所有的MEDLINE，而且PubMed还包含了最近出版的文章，还包括了一些由于它们的主题原因将永远不能在MEDLINE中出现的文章。这时，NCBI提出了一种新的文章辨识器叫PubMed辨识器（PMID）。出现在MEDLINE中的文章将同时有PMID和MUID。只出现在PubMed中的文章则只有PMID。PMID和MUID提供了相同的目的是提供一种简单可靠的和出处的连接或一种方法建立网上热连接。NCBI现在正将所有的服务转向使用PMID。
NCBI数据模型存储了大部分的出处，即所谓的出版等价物，是由一系列的出处等价物组成，包括可靠的辨识器（PMID或MUID）和出处本身。出处格式的存在使得不用从数据库中特别恢复，因为辨识器提供了一个可靠的记录的出处的联系或是说索引。
Seq-IdS：序列标识
NCBI数据模型定义了一类对象，被称为序列辨识器（SeqId）。需要这类对象是因为NCBI合成了许多用不同方法命名的数据源并且这些名字具有不同的含义。例如一个简单的情况：PIR，SWISS-PROT和核甘酸序列数据库都使用有类似格式的序列号，光说“A10234”是不能唯一地从所有这些数据库集合中找到序列记录的。我们必须区别从SWISS-PORT和从PIR中的A10234。（DDBJ/EMBL/GenBank核酸数据库共用一套序列号，所以从EMBL中的A12345和从GenBank中的A12345是相同的。）这些形式也可能是不相同的，因此当序列数据库处理仅考虑包含一序列的一条记录时，PDB记录只有一个简单的结构，该结构有可能包含不只一个序列。所以PDB的SeqId包含了分子名称和链状ID去标识一个唯一的序列。下面一部分就叙述通常使用的几种SeqId的格式以及使用。
LOCUS名称
LOCUS出现在GenBank中的LOCUS行以及DDBJ记录（EMBLE的ID行）是GenBank中最初的辨识器。就象基因LOCUS名称一样，它兼有唯一辨识器、功能记忆以及序列的组织源等功能。由于LOCUS行是有固定的格式，LOCUS的名称限制在少于或等于10个数字或大写字母。在GenBank中，名字的前三个字母是组织码，剩下的字母是基因码（如：HUMHBB代表人体b -球蛋白区域）。然而，当该区域的功能和原先设想的功能不同时，LOCUS中的基因码会发生变化。这种不稳定性显然是复现中的一个问题。另一个问题是GenBank中的序列和组织随时间呈几何指数增长，这使得发明或修改记忆名称是不可能的。基于以上几点使得LOCUS名称在GenBank中不再作为有用的名称，尽管它将永远存在在数据的首行，这只是为了和以往的数据格式兼容。
序列号
由于使用LOCUS（或ID）名称作为对核酸序列唯一辨识器的困难，国际核酸序列数据库合作者们（DDBJ/EMBL/GenBank）引入了序列号。开始时它不具有生物意义是为了保证其相对的稳定性。它是由一个大写字母和五个数字组成。（新的序列号是由两个大写字母和六个数字组成。）首字母是为了分配到不同的数据库以便序列号对于不同的数据库是唯一的。
序列号是对LOCUS/ID号的改进，但实际使用中，问题和不足是显然的。例如，当序列对于时间是稳定时，许多使用者发现用相同的序列号复现出的序列并不总是相同的。这是因为序列号标明了整个数据库的记录，一旦记录被修改了（或者说从开始部分插入了1000bp）的时候，序列号不变（只是相同记录的升级版）。如果我们分析起始序列和记录序列U00001的第100个位置假设是与蛋白质相关的位点，升级后一个完全不同的序列将在第100个位置上。
序列号出现在GenBank的ACCESSION行上。该行的第一个序列号称为基本序列号，它是复现该记录的关键，大部分记录只有这个序列号。第二级序列号是为了给该记录提供历史信息。例如如果U00001和U00002是同一个记录的不同版本，则U00002将成为一个新记录的基本序列号，U00001是二级序列号。在实际的标准中U00001记录将从GenBank中删除因为旧的记录已经过时，二级序列号将取代旧的成为用户需要复现的记录。这时应该标注二级序列号不是指同一对象，所以用户应仔细检查它们的注释。（数据库的不同，甚至是同一数据库的不同时间）使用二级序列号也有自己的问题，这是因为没有足够的信息去确定怎样发生和为什么会发生。但不管怎样，序列号仍然是DDBJ/EMBL/GenBank记录恢复中最可控最稳定的方法。
Gi号
1992年NCBI开始对所有Entrez中的序列使用基因信息号（gi），其中包含从DDBJ/EMBL/GenBank中的核酸序列、根据CDS特征翻译的蛋白质序列以及从SWISS-PROT、PIR、PRE、PDB、专利以及其它得到的蛋白质序列等。Gi是由原数据库提供的另外的SeqId。尽管由于原数据库的不同SeqId的形式和意义不同，但gi在意义和形式上对不同源数据库是相同的。
在形式上，它只是简单的整数（所以有时被称为GI号）。它只是一些特定序列的辨识器。假定一个序列加入GenBank，给定序列号U00001。当该序列在NCBI所内部处理时，它加入所谓的ID数据库。ID确认以前从未见过U00001，就给它一个gi号54。当提交器通过改变出处修改记录时，U00001又加入ID。ID认出该记录出现过，恢复原先的U00001和新记录进行比较，如果完全相同，则给该记录gi号54；如果不相同，即使只有一对碱基不同，则给新gi号88。然而因为原数据库的意义，新序列仍保持序列号U00001。这时ID标识旧记录（gi54）的替换时间，并将它加入历史指示它被gi88的记录替代。ID也加入历史gi88指出它替代了gi54。
Gi号有三种主要功能：
- 提供了从多源数据库序列间的简单标志；
- 提供了指示特别序列的标志。任何分析gi54存储分析的人可以肯定只要U00001有gi54，它就是有效的；
- 它是稳定且可恢复的。NCBI保持每个gi号的最新版本。由于历史在记录中存在，任何发现gi54不再是GenBank的一部分的人仍然可以通过NCBI的ID复现该记录，通过查看历史可以看到它被gi88替代。检查gi54和gi88可以确定它们的关系，研究人员可以映射以前的分析到gi88或者重新分析数据。由于gi54在ID中总是存在的，这使得我们可以随时分析时局而不仅限于GenBank发行时间。 基于上述原因，从计算Entrez序列邻居到确定新序列的处理或BLAST数据库的产生所有NCBI的内部处理序列都是基于gi号。
NID/PIDs
GenBank中的NID和PID指示了核酸的gi号和记录的蛋白质序列。补充这个是使希望能在一个平台上计算序列的科学家能利用稳定的gi号去追踪序列。正象前面提到的，使用gi号而不是用序列号将保持使用有效，即使记录的序列以后发生变化（例如，5’端）。
在写本文时，又出现了一种新的SeqId（序列版本，见下文），它是被用于选择的序列辨识器。一旦这种转变完成，可能NID和PID号将不再出现在数据格式中，尽管使用gi号的分析将继续有效。而且，初始数据将出现在NCBI准备与GenBank数据平行的ASN.1文件中。
共4页: 上一页 [1] 2 [3] [4] 下一页
上一篇：NCBI站点地图--工具概述 下一篇：美国国立生物技术信息中心(NCBI)详细介绍及使用手册
|
美国国立生物技术信息中心