DNAデータベース (DDBJ/EMBL/GenBank=INSD) 総覧と検索, ダウンロード

DNAデータベースをプロジェクト単位で俯瞰、検索、分析、取得詳細 >>

全DNAデータベースのレコードを纏め上げて"プロジェクト"と名付けられた単位ごとに操作します。
"プロジェクト"とは 'REFERENCE TITLE' 、 'REFERENCE JOURNAL' フィールドの記述が同一であるレコード群です。(プロジェクト定義の詳細)

総覧 (INSD table of contents)
宿主の生物別 × 研究目的別に全プロジェクトを二元分類(二次元分類、二つの観点で分類)しています。
研究目的別分類はレコードのフィールドやサブフィールドの埋まり具合で推定しています。(分類方法の詳細)
キーワード検索
すべてのINSDレコードをそれぞれが由来する研究プロジェクト単位にまとめて検索し、プロジェクト単位で配列をダウンロードすることも可能です。
大抵はプロジェクト検索とレコード検索で同じ結果を返しますが、配列の特徴などの表現やクローン名はレコード検索をお薦めします。
1. プロジェクト検索
  プロジェクトを全文検索します。
  検索の対象は、プロジェクト ID 、プロジェクト名、特許公報番号、登録日のみです。
  AND検索(" AND " で連結)、フレーズ検索(二重引用符(")で囲む)、OR検索(スペース " "で連結)、除外キーワード(単語の前にマイナス記号(-)を付加)など一般的な検索手法が利用できます。詳しくは、検索エンジン Lucene の説明 (http://lucene.apache.org/java/2_4_0/queryparsersyntax.html) を参照してください。
2. レコード検索
  INSDレコードを全文検索します。検索結果はプロジェクト別にまとめて、二元分類します。
  検索キーワードは英語のみ、検索方法はAND検索(" AND " で連結)、フレーズ検索(二重引用符(")で囲む)、OR検索(スペース " "で連結)、除外キーワード(単語の前にマイナス記号(-)を付加)など一般的な検索手法が利用できます。詳しくは、検索エンジン Lucene の説明 (http://lucene.apache.org/java/2_4_0/queryparsersyntax.html) を参照してください。
BLAST検索
DNAデータベース全体を配列で検索して、マッチしたレコードを自動的にプロジェクト単位にまとめて、二元分類します。
多型研究などで数百も登録された同一遺伝子に邪魔されることなく、関連遺伝子を見つけることが出来ます。
ESTなどにいくらマッチがあっても気にしないで全体に検索を投げられます。
これまで知らなかったINSDディビジョン(特許や微生物など)に類似配列があるかもしれません。
トレンド分析
プロジェクトは、リリースされた日付とプロジェクトのレコード数の2つの特徴で序列化あるいはグラフ表示できます。
また、登録者の国籍でフィルターすることが可能になっています。
例えば、我が国では配列決定研究が減少傾向にあることがわかります。

データのダウンロード

DNAデータベース総覧データ

data_table_ddbj_rel84.1.txt.tar.gz

最終更新日時: 2011-04-17 08:47
ファイルサイズ: 630,546,460 bytes
MD5: a8a2710751ab6a441549b92c454c52f4
レコード数: 134,847,287

過去のダウンロードデータの誤りと訂正について詳細 >>

テキストデータをGNU ZIP形式で圧縮しています。

各行は、1件のINSDレコードの情報を表わしています。各行はタブ文字を区切り文字として、14個の字句から成り立っています。各字句の意味は次の通りです。

Accession番号です。
配列長です。LOCUS行に記されている値と同じです。
生物種(NCBI Taxonomy ID)です。ORGANISM行に記されている生物種名からNCBI Taxonomy IDを特定できた場合は、そのIDです。それ以外の場合は、文字列「\N」です。
生物種(生物種名)です。ORGANISM行に記されている生物種名からNCBI Taxonomy IDを特定できなかった場合は、ORGANISM行に記されている生物種名を記述しています。それ以外の場合は、文字列「\N」です。
INSD(DDBJ)ディビジョンです。取り得る値とその意味は次の通りです。
1. 従来の由来生物種またはサンプルに基づいた分類
  hum
  ヒトの配列データ。
  pri
  霊長類(ヒトを除く)の配列データ。
  rod
  齧歯類の配列データ。
  mam
  哺乳類(ヒト、霊長類、齧歯類を除く)の配列データ。
  vrt
  脊椎動物(ヒト、霊長類、齧歯類、哺乳類を除く)の配列データ。
  inv
  無脊椎動物の配列データ。
  pln
  植物・真菌類などの配列データ。
  bct
  バクテリアの配列データ。
  vrl
  ウイルスの配列データ。
  phg
  バクテリオファージの配列データ。
  syn
  合成配列の配列データ。
  env
  PCR、DGGE、あるいは、その他の方法で直接、分子を単離した環境上のサンプルに由来した配列。
2. 研究目的または特許に基づいた分類
  est
  expressed sequence tags
  short single passのcDNA配列データ。
  gss
  genome survey sequences short single passのゲノム配列データ。
  sts
  sequence tagged sites
  ゲノムシーケンシングのタグとなる配列データ。
  htc
  high throughput cDNA sequences
  EST以外の大規模cDNA配列プロジェクトに由来し、更新が期待される配列データ。
  htg
  high throughput genomic sequences
  ゲノムプロジェクトに由来し、頻繁に更新が期待される配列データ。
  tsa
  transcriptome shotgun assemblies
  再構成された (assembled) mRNA 配列データ。
  una
  未注釈の配列データ。
  con
  Contig / Constructed
  ゲノムプロジェクトのように個々に登録された一連の配列データをDNAデータベース(DDBJ/EMBL/GenBank=INSD)側が結合し、1つのAccession番号を付与した長大なデータ。
  CONディビジョンに格納されるレコードには長大な配列を構成する配列のAccession番号が記載され、塩基配列は記載されません。
  また、すでに登録されている個々のデータのレコードは、他のディビジョンに保存されています。
  塩基長の統計を取る際にはこのディビジョンのレコードを除く必要があります。
  pat
  特許庁(JPO: Japan Patent Office)/EPO(European Patent Office)/USPTO(United States Patent and Trademark Office)/KIPO(Korean Intellectual Property Office)に登録された塩基配列データ。
登録先バンクです。
- DDBJ
- EMBL
- GenBank
NCBI 生物郡区分です。
HUM
ヒト
PRI
霊長類(ヒトを除く)
ROD
齧歯類
MAM
哺乳類(ヒト、霊長類、齧歯類を除く)
VRT
脊椎動物(ヒト、霊長類、齧歯類、哺乳類を除く)
INV
無脊椎動物
PLN
植物・真菌類など
BCT
バクテリア
VRL
ウイルス
PHG
バクテリオファージ
SYN
合成配列
ENV
環境に由来するサンプル(Environmental samples)
UNA
未分類(Unassigned)
---
分類不能(該当生物種がNCBI Taxonomy DBに存在しない)
生物郡区分です。
HUM
ヒト
PRI
霊長類(ヒトを除く)
ROD
齧歯類
MAM
哺乳類(ヒト、霊長類、齧歯類を除く)
VRT
脊椎動物(ヒト、霊長類、齧歯類、哺乳類を除く)
INV
無脊椎動物
PLN
植物・真菌類など
BCT
バクテリア
VRL
ウイルス
PHG
バクテリオファージ
SYN
合成配列
ENV
環境に由来するサンプル(Environmental samples)
UNA
未分類(Unassigned)
登録元の国の国名コード(ISO 3166-1-alpha-2 code)または特許庁です。登録元の国を特定できなかった場合は文字列「---」、国名コードを公式に割り当てられていない場合は国名になります。
登録元の国の地域です。
asia-paci
アジア、大洋州
europe
欧州
n-america
北米
latin
中南米
middle_e
中東
africa
アフリカ
other
その他の地域
Patent_Office
特許庁
研究の型別分類です。取り得る値とその意味は次の通りです。
Transcriptome
トランスクリプトーム型
fRNA
機能性RNA・RNAゲノム型
Hypervariation
免疫遺伝子型
Olfact
嗅覚リセプター型
GenomeMrk
ゲノム(マーカー)型
GeneStrct
遺伝子構造解析型
Polymorphism
民族・集団型
Organelle
オルガネラゲノム型
est
EST 型
gss
GSS 型
sts
STS 型
htc
HTC 型
htg
HTG 型
tsa
TSA 型
una
UNA 型
con
CON 型
pat
特許型
other
その他
DNAデータベース総覧で独自に設定した研究プロジェクト単位のIDです。INSDレコードを登録の由来となった研究プロジェクト(例えば論文や出願など)単位として'REFERENCE TITLE'、'REFERENCE JOURNAL'のフィールド記述の同一性によって束ねました。フィールド記述中のクローン名などのhyper variableなwordは無視しています。
初めて公開したDDBJのリリース番号です。
推定される最初のバンク登録日です。YYYYMMDDという書式です。

データの例(一行分)

AB000100	2992	1131	\N	bct	DDBJ	BCT	BCT	JP	asia-paci	GeneStrct	1	30	19961226

DNAデータベース総覧データの使用例

各大陸の登録推移を見る

Continent_Submissions_to_DDBJ_EMBL_GenBank_1987-2011_r84.1.tar.gz

登録元の国の地域毎に、レコード数の年変動を表わすグラフを作成できます。レコード数と同様に、塩基長やプロジェクト数の年変動グラフも作成できます。作成方法は次の通りです。

DNAデータベース総覧データをデータベースに保存した場合の例を示します。テーブル名をdata_table_ddbjと記すことにして、またAccession番号を表わす第1カラム名をaccession、登録先バンク名を表わす第6カラム名をbank、登録元の国の地域を表わす第10カラム名をcontinent、初めて公開したDDBJのリリース番号を表わす第13カラム名をreleaseと記すことにします。

次のようなSQL文を実行することでデータを作成できます。

SELECT COUNT(accession), bank, continent, release
 FROM data_table_ddbj
 GROUP BY bank, continent, release

DDBJのリリース情報の8. Release historyを参考にして、リリース番号を日付に変換します。

配列長を求める場合には、INSD(DDBJ)ディビジョンを表わす第5カラムの値が「con」の行を除いて計算してください。

各国の登録推移を見る

Submissions_to_DDBJ_EMBL_GenBank_1987-2011_r84.1.tar.gz

登録元の国毎に、レコード数の年変動を表すグラフを作成できます。レコード数と同様に、塩基長やプロジェクト数の年変動グラフも作成できます。作成方法は次の通りです。

DNAデータベース総覧データをデータベースに保存した場合の例を示します。テーブル名をdata_table_ddbjと記すことにして、またAccession番号を表わす第1カラム名をaccession、登録先バンク名を表わす第6カラム名をbank、登録元の国名を表わす第9カラム名をcountry_code、初めて公開したDDBJのリリース番号を表わす第13カラム名をreleaseと記すことにします。

次のようなSQL文を実行することでデータを作成できます。

SELECT COUNT(accession), bank, country_code, release
 FROM data_table_ddbj
 GROUP BY bank, country_code, release

DDBJのリリース情報の8. Release historyを参考にして、リリース番号を日付に変換します。

配列長を求める場合には、INSD(DDBJ)ディビジョンを表わす第5カラムの値が「con」の行を除いて計算してください。

アジア諸国に注目した登録推移を見る

Specific_Asia_Submissions_to_DDBJ_EMBL_GenBank_1987-2011_r84.1.tar.gz

登録元の国毎に、レコード数の年変動を表わすグラフを作成できます。レコード数と同様に、塩基長やプロジェクト数の年変動グラフも作成できます。作成方法は次の通りです。

DNAデータベース総覧データをデータベースに保存した場合の例を示します。テーブル名をdata_table_ddbjと記すことにして、またAccession番号を表わす第1カラム名をaccession、、登録先バンク名を表わす第6カラム名をbank、登録元の国名を表わす第9カラム名をcountry_code、登録元の国の地域を表わす第10カラム名をcontinent、初めて公開したDDBJのリリース番号を表わす第13カラム名をreleaseと記すことにします。

次のようなSQL文を実行することでデータを作成できます。

SELECT COUNT(accession), bank,
 CASE country_code WHEN 'JP' THEN 'JP' WHEN 'CN' THEN 'CN' WHEN 'KR' THEN 'KR' ELSE 'asia-paci(withoutJCK)' END AS countrycode,
 release
 FROM data_table_ddbj
 WHERE continent = 'asia-paci'
 GROUP BY bank, countrycode, release

DDBJのリリース情報の8. Release historyを参考にして、リリース番号を日付に変換します。

配列長を求める場合には、INSD(DDBJ)ディビジョンを表わす第5カラムの値が「con」の行を除いて計算してください。

INSD(DDBJ)ディビジョン単位で各国の登録推移を見る

Division_vs_Country_DDBJ_EMBL_GenBank_1987-2011_r84.1.tar.gz

INSD(DDBJ)ディビジョン単位で、登録元の国毎に、レコード数の年変動を表すグラフを作成できます。レコード数と同様に、塩基長やプロジェクト数の年変動グラフも作成できます。作成方法は次の通りです。

DNAデータベース総覧データをデータベースに保存した場合の例を示します。テーブル名をdata_table_ddbjと記すことにして、またAccession番号を表わす第1カラム名をaccession、INSD(DDBJ)ディビジョンを表わす第5カラム名をddbj_div、登録先バンク名を表わす第6カラム名をbank、登録元の国名を表わす第9カラム名をcountry_code、初めて公開したDDBJのリリース番号を表わす第13カラム名をreleaseと記すことにします。

次のようなSQL文を実行することでデータを作成できます。

SELECT COUNT(accession), ddbj_div, country_code, release
 FROM data_table_ddbj
 GROUP BY bank, country_code, release

DDBJのリリース情報の8. Release historyを参考にして、リリース番号を日付に変換します。

配列長を求める場合には、INSD(DDBJ)ディビジョンを表わす第5カラムの値が「con」の行を除いて計算してください。

Accession番号と特許公報番号の対応表

accession2patent_ddbj_rel84.1.txt.gz

最終更新日時: 2011-04-16 20:03
ファイルサイズ: 48,583,051 bytes
MD5: 6755429ad5a2015169f95c683213430a

テキストデータをGNU ZIP形式で圧縮しています。

Accession番号と特許公報番号の対応を表しています。対応関係はN:N対応となっており、重複するIDの対応関係は複数行で表現しています。
各行はタブ文字を区切り文字として、2個の字句から成り立っています。各字句の意味は次の通りです。

Accession番号です。
特許公報番号です。

データの例(一行分)

AB003693	US5589355-A