Proteiinitietokannat

Proteiinitietokannat ovat järjestettyjä tietokokoelmia, jotka keräävät ja jäsentävät tietoa proteiineista. Niihin tallennetaan muun muassa aminohapposekvenssit, rakenteelliset tiedot, funktionaaliset annotaatiot sekä tiedot proteiinien ilmentymästä, vuorovaikutuksista ja niihin liittyvästä tutkimuskirjallisuudesta. Niiden avulla tutkijat voivat suorittaa sekvenssianalyysejä, ennustaa proteiinien toimintoja ja vertailla proteiineja eri lajeissa.

Tietokannat jaotellaan usein seuraaviin päätyyppeihin: sekvenssidatabankit kuten UniProtKB (jossa on sekä kuratoitu Swiss-Prot että automaattisesti annotoitu TrEMBL) sekä NCBI:n Proteiini/RefSeq tarjoavat proteiinisekvenssejä ja niihin liittyvää metadataa; rakenne- ja kolmiulotteiset tiedot löytyvät PDB:stä; sekä toiminta- ja vuorovaikutustietokannat kuten STRING ja IntAct. Lisäksi dominio- ja perhetietokannat kuten Pfam, InterPro ja PROSITE jäsentävät proteiineja motif- ja domenitasolla. Monissa tapauksissa erilaiset tietokannat tarjoavat linkkejä toisiin resursseihin, mikä mahdollistaa tiedon integroinnin.

Kuratointi ja laadunvarmistus vaihtelevat tietokannasta riippuen. Osa tiedoista on manuaalisesti kuratoitua (esim. UniProt Swiss-Prot), toiset taas automaattisesti annotoituja. Tietokannat tarjoavat usein sekä web-käyttöliittymiä että ohjelmallisia rajapintoja, ja data voidaan ladata erilaisina formaatteina (esim. FASTA sekvensseille, PDB-rakenteille). Proteiinitietokantoja käytetään laajasti tutkimuksessa, opetuksessa ja sovelluksissa, mutta niiden tiedot on tulkittava yhdessä muiden lähteiden kanssa.