本文首發於“解螺旋”微信公眾號
轉載請註明：解螺旋·臨床醫生科研成長平臺
不得不感慨，現代信息技術造就的海量數據給瞭我們許多便利，越來越多的醫學研究項目認識到數據的力量，將重心轉移到數據上來。已發表數據可以利用起來，做新的分析挖掘，找出事物之間未曾發現的關聯；或者整合零散的信息建立新的數據庫；或開發新的算法，成為更有力的數據分析工具。
這不，2017年國自然面上項目中，也見到瞭一些基於數據的研究項目。
對於我們未能跨進面上項目大門的小盆友來說，利用現有數據做點研究是再便利不過的打基礎之路。
之前我們介紹瞭一些生信數據庫的查找方法（《來聊一聊那些五花八門的生信數據庫》）。這麼多數據庫令人眼花繚亂，而且還正如雨後春筍般不停地增長，該如何選擇呢？
數據庫的“黃金集合”
Nucleic Acid Research（NAR）第24版特刊，特意總結瞭過去的12年裡，一些經受住時間考驗、引用量較高的數據庫，它們為各領域的研究者服務，產生瞭許多優質成果，稱為“黃金集合（Golden Set）”。
它們大多是一些綜合數據庫，覆蓋面較廣。正因如此，它們也能被投入更多的資本來維護，是以質量較高。
以下就是這些被NAR稱為“黃金集合”的榜單，如果有你感興越的，可以嘗試利用起來。
第一列No.是該數據庫在NAR收錄庫中的編號，最後一列是在NAR中發佈及更新報告的年份，中間則是數據庫名稱、鏈接及描述。
我們用的最多的是GenBank，因為它和PubMed集成在NCBI。就以它為例，看看數據庫的基本操作。
常用數據庫的基本操作
查找基因、mRNA、Promoter
GenBank最常用的功能，查基因、mRNA、Promoter，用的是Map viewer（反正都集成在一個網站裡，網址為: http://www.ncbi.nlm.nih.gov/mapview/index.html ）。
1.在頁面下拉菜單裡選擇物種，for後面填寫你的目的基因，而後點擊“Go”。
2. 在Quick Filter中，點擊Gene前面的小方框，並點擊Filter，結果如下圖所示。
結果中，染色體的紅色區域即為你的目的基因所處位置。
3. 點擊第一條序列（即reference）對應的“Genes Seq”，出現新的頁面，頁面如下圖所示：
點擊上圖中的Download/View Sequence/Evidence，即可下載查看序列等功能，結果如圖所示：
在上圖中的Sequence Format（序列輸出格式）中有一個下拉式選擇菜單，默認的為FASTA格式，但還是推薦大傢選擇GenBank格式，因為這個格式提供瞭很多基因的信息，而FASTA格式隻有基因序列。
4. 在Sequence Format後選擇GenBank，點擊下方的Display，目的基因的相關信息和序列結果如下圖所示。
網頁裡也可以看到基因長度、基因序列以及這個基因是如何被報道出來的等各種信息。
用KEGG畫通路圖
有瞭基因感覺還差瞭點什麼，對就是通路。信號通路的查詢繪制，正是KEGG的拿手好戲。比如說，前期已經有瞭實驗結果：構建瞭沉默新基因A表達的質粒，轉染肺癌549細胞系，確定敲減效率，上流式細胞儀檢測，發現細胞周期被阻滯（cell cycle arrest）在S期。那麼我們現在需要從細胞周期的角度闡明新基因A促進肺癌細胞系549增殖的分子機制，怎麼做？
1. 首先打開KEGG主頁：http://www.kegg.jp/，點擊下圖框中的KEGG PATHWAY鏈接。
2. 輸入關鍵詞：cell cycle
3. 出現結果：
4. 點擊map 04110，出現KEGG對cell cycle的描述：
5. 所有物種中相關基因的詳細列表
每個基因在KEGG數據庫裡面有對應的ID，例如CCDN1對應的ID號：K04503，CDK4對應K02089，我們後面會用到。
相關的不同模塊、疾病、日本Kanehisa Laboratories的工作人員整理這個信息庫所參考的文獻，其它的數據庫，例如GO：0000278，可以用Gene Ontology這個數據庫直接查到在這個數據庫中的信息：
6. 開始查基因A的下遊機制，直接點擊圖，會出現相信的信號通路：
這是KEGG裡面整理出來的cell cycle相關信號通路圖，細胞周期中S期的相關基因（我們上面舉的例子是A沉默後可以把細胞阻滯在S期），每個可以點擊，例如：CDK2，查看這個基因的相關信息。
值得挖掘的小數據庫
另外還有許多疾病特異性數據庫，或稱位點特異性數據庫（Locus specific databases，LSDBs），它們專門收錄某一疾病或表型最相關的一組或幾組基因的數據，被認為是特定領域內更具專業、更權威的數據庫。
但也有學者指出，這些數據庫由於管理團隊力量有強有弱，便也造成數據質量參差不齊。有些數據庫已發佈好幾年，但以其為基礎做出的研究成果卻很少，甚至沒有。當然這除卻質量原因外，也和該領域的研究熱度以及該數據庫的關註度有關。
如果我們想利用這些數據庫搞點事情，就需要多查查既往文獻中，大傢是如何利用它們的，出過哪些成果，再結合自己的研究經驗做出判斷。善於挖掘的話，也許能從這些集中於某一研究領域的數據庫裡挖出寶藏。
下面再來分享一些利用位點特異性數據庫發表的成果，看看別人是怎麼運用它們的。多半是要跟幾個數據庫，尤其是一些大型綜合數據庫結合使用，相互印證。
2型糖尿病：T2D Knowledge portal
http://www.type2diabetesgenetics.org/
2型糖尿病（T2D）及相關性狀的數據庫，可瀏覽、檢索、分析與T2D相關的基因信息。目前已有22個數據集，覆蓋47種性狀。
來看這份今年發表的研究：
編碼核纖層蛋白lamin A和lamin C的LMNA基因發生突變，會導致多種核纖層蛋白病，包括肌營養不良、擴張性心肌病、胰島素抵抗等。
研究者先在ExAC上找到169個突變，其中37個有疾病相關性，包括p.I299V (等位基因0.0402%), p.G602S (0.0262%) and p.R644C (0.124%)，提示某些LMNA突變比以前所知的更為常見。
ExAC是一個外顯子序列的綜合數據庫，集成瞭多個大型研究項目的外顯子數據，覆蓋多種疾病。
接著在T2D Knowledge Portal中獨立分析LMNA突變，發現p.G602S與2型糖尿病顯著相關（p = 0.02; odds ratio = 4.58），且在非裔美國人中等位基因頻率更高（0.297%），可認為是非裔美國人的T2D風險預測因子。
阿爾茲海默病：AlzGene
http://www.alzgene.org/
AlzGene是AlzForum（阿茲海默病論壇）下的一個收錄基因組數據的數據庫。AlzForum作為AD的各種資源、信息的集散地，已經運營瞭近二十年。AlzGene收錄的開源數據也相當豐富：
下面是今年發表的利用AlzGene做的研究。
前期有一些研究發現，BIN1基因的rs744373多態性在歐洲血統的樣本中與晚發阿茲海默病有相關性，但另有一些研究則表示未觀察到rs744373與高加索人種、東亞人種相關。但這些研究的樣本量較小，說服力不足。
研究者們檢索瞭AlzGene，還有PubMed，MEDLINE，共收集瞭11832例LOAD患者及18133例對照，重新分析瞭二者的相關性。這份研究支持rs744373多態性與LOAD的相關性，並且沒有觀察到亞州人與高加索人的差異。
LncRNA相關疾病：LncRNADisease
http://www.cuilab.cn/lncrnadisease
隨著近年來lncRNA研究的火熱，越來越多的研究開始探索它們與疾病的關系。lncRNA失調可能與多種疾病相關，包括癌癥、心血管疾病、神經退行性疾病等。北京大學的崔慶華教授團隊建立瞭這個數據庫，收錄lncRNA – 疾病相關數據，並集合瞭一些工具分析新的lncRNA – 疾病相關性。
下面這份研究則是血清lncRNA作為鼻咽癌的生物標志物，今年發表在Oncotarget上。
無創性診斷也是近年的熱門研究，多種疾病尤其癌癥都想從lncRNA入手找到可用於診斷及預後的生物標志物。本研究先在LncRNADisease數據庫中，以“nasopharyngeal carcinoma”為關鍵詞，檢索到38個差異表達的lncRNA。
接下來招募瞭101名鼻咽癌（NPC）患者，20名慢性鼻咽炎患者，20名EB病毒攜帶者及101名健康對照受試者。取血清樣本，對這38個NPC相關的lncRNA進行qRT-PCR的篩查。最後找到循環系統中，MALAT1、AFAP1-AS1和AL359062 這3個lncRNA聯用，可能可以作為NPC的診斷及預後標志物。
免疫缺陷病：IDbases
http://structure.bmc.lu.se/idbase/index.php
IDbases是收錄能引起免疫缺陷的基因變異及相關臨床表現的數據庫，數據是從文獻中收集而來，或由研究者提交。現有7292名患者的數據。
嚴重聯合免疫缺陷病(severe combine immune deficiency, SCID) 是一組由於基因突變引起的T淋巴細胞和B淋巴細胞發育及功能障礙的先天性免疫缺陷性疾病，預後很差。研究者招募瞭147名患者做個隊列研究，希望能找出有與診斷年齡和癥狀首發到確診的時間的臨床特征。
其中，B淋巴細胞計數的陽性與陰性臨界值還未有公認的標準，於是研究者們通過基因分型來鑒定。共找到瞭88個突變位點，在HGMD Pro version 2016.4和IDbases兩個數據庫中檢索，確定其中有29個突變尚未有報道。
